Admissions Mode01
用 AI 赋能教育选择
对招生官，我呈现的是数学教育背景、研究可信度、教育产品实践和对学生决策场景的长期投入。
- Boston University 数学与数学教育方向
- SCI JCR Q2 数模论文一作与软件著作权
- 把申请规划、学习反馈和资源推荐做成 AI 产品
About / Education Product Builder
我把教育判断做成可验证系统
我的主线不是单纯展示经历，而是把数学教育、AI 工作流、产品规划和工程交付串成一条证据链： 看见真实学生场景，定义判断边界，做出可运行原型，再用测试和反馈验证。
Two review modes
同一套经历需要服务两类阅读者：招生官看长期投入和可信度，招聘方看产品和工程交付能力。
Recruiting Mode02
能把 AI 想法交付成系统
对招聘方，我强调 AI 产品经理能力、技术项目管理能力、全栈原型能力和把反馈转成路线图的执行力。
- RAG、Agent、Prompt、API 与文档导出工作流
- 前后端、认证、SQLite 持久化和回归测试
- 从 341 条反馈到澄清清单、优先级和版本节奏
AI Education Operating System
我把 AI 教育产品拆成六个可复用阶段，每个阶段都必须有输入、判断和可验证产出。
收集学生目标、家庭约束、学习反馈、访谈材料和真实场景输入。
把学生档案、院校信息、活动素材和资源库整理成可检索上下文。
形成选校匹配、活动建议、优先级依据、澄清清单和版本排期材料。
设计提示词、RAG、Agent Skills 和 API 调用流程，让策略生成有上下文。
落地前后端、认证、导出、数据持久化和回归测试。
把交付结果重新接回学生反馈、申请结果和下一轮产品节奏。
Capability Matrix
能力展示不只列工具名，而是说明这些工具如何服务教育产品、申请规划和可验证交付。
SELECT A CAPABILITY
点击上方任一能力按钮后，这里只显示对应能力层的内容和动态示意。
AI Education Layer
Prompt Engineering、RAG、Agent Skills、学生画像、申请策略、OpenAI Responses API、DeepSeek-compatible API。
Product Delivery Layer
HTML、CSS、JavaScript、TypeScript、React、Next.js、Node.js、REST API、SQLite、better-sqlite3、认证与测试。
Growth Evidence Layer
用户反馈整理、需求分类、优先级评估、关键词挖掘、搜索意图分析、小红书内容策划、私信转化和 2 万+ 浏览验证。
Research Output Layer
Markdown、YAML、JSON、CSV / XLSX、python-docx、Word 可打开的 .doc HTML 文档导出、数模论文与 Scholar 档案。
Cobalt Intelligence Design System
冷白、石墨黑和信号钴蓝构成成熟科技底色；绿色只表达验证通过，琥珀只表达增长证据，红色只表达风险。