我做过的东西
每一个项目都是从一个真实的问题开始的——最后变成了我自己每天在用的系统。
task-board.md Task Router Agent — 用一个 Markdown 文件当控制平面的任务调度系统
每天在自己电脑上跑 · 不依赖任何会话 · 自愈机制
一个 LLM 驱动的任务运行时，直接把 Markdown 文件当控制平面用。类型化状态机 + 主 agent 统一写回状态（避免并发冲突）+ 自愈机制。核心洞察：让 agent 从"执行机器"升级成"会推理的伙伴"，真正的杠杆在结构化的状态协议，而 prompt 只是最后一层调优。
AI 内容自动化流水线
自己的内容工作流每天在跑 · 方法论文件随反馈自动更新
7 个 agent 串起来覆盖选题 → 脚本 → 开头 → 标题 → 质检 → 数据复盘，每个 agent 都有明确的输入输出契约。数据复盘 agent 会把验证过的规律回写进一个共享的方法论文件，选题过滤 agent 下一周期直接读这份新规律——所以过滤器越用越严，全靠数据沉淀；prompt 本身一行没动过。
Rooted (根) — 以交互为核心的汉字学习产品设计
可在线体验 · 每版验证一个产品假设 · 交互驱动的产品叙事
独立完成 0-1 的产品设计与上线。两个版本，每版围绕一个产品假设做一个高保真交互原型：V1 把"马"字 3000 年的字形演变压进一次滑动，测试"交互本身能否替代教程文案、让用户自己建立心智模型"；V2 拆解"妈"为"女 + 马（声旁）"，验证用可视化的方式揭示汉字结构，是否能降低学习者的认知负荷。
Function Calling Demo — 一个最小化的 Anthropic tool-use loop
GitHub 公开仓库 · 约 350 行 Python · 13 个 pytest 测试（含安全边界测试）
没用任何 framework，直接基于 Anthropic API 写的一个 tool-use agent。5 个类型化 tool（每个都带 JSON Schema）+ 一个 dispatcher + 一个在 handler 层强制的路径穿越防护 + 一个带注释的 MAX_TOOL_ITERATIONS 上限。目的是理解原语本身，不是理解某个框架。
Energy Demand Forecasting & Supply Optimisation
Deloitte 导师制指导案例 — 大学小组项目，巴黎
给南非电力系统做的端到端量化分析：横向对比 6 种预测模型（从传统的 ARIMA 到深度学习 TFT），再用 Pyomo 做碳排放 / 产能 / 合同多约束下的调度优化，目标是最小化系统总成本。
欧洲劳动力市场机器人暴露指数
发展大数据 — 小组研究，Panthéon-Sorbonne
基于专利文本 + 职位描述语料，用 LSA（潜在语义分析）给欧洲职业做了一个"机器人暴露指数"。结论：中等工资、以常规任务为主的职业，自动化风险最高（和劳动力市场极化理论一致）。