在业务现场,
把 AI 变成结果
FDE 的价值不在模型调得多深,而在回答三个问题:该不该做、能不能落地、值不值得继续。我把这条链路从头跑到尾。
进场 · 理解业务
到现场看清真实流程与瓶颈,而不是对着需求文档想象用户怎么用。
判断 · 识别价值
哪里 AI 真能省人、提效、增收——先算清账再动手,伪需求当场砍掉。
交付 · 落地到生产
从 Demo 到线上:权限、计费、流式时序、可观测、运营看得懂的数据看板,一样不能少。
验证 · 数据闭环
用真实流量和指标验证收益,跑得通就放大,跑不通就果断掉头。
一个 AI 点子值不值得做
从 0 到 1 的
独立产品
不是练手 Demo,是我自己立项、设计、开发并运营到真实用户在用的产品——每一步都用上面的方法验证过。
藏币录 LIVE
一本可检索、可跨端同步的私人钱币档案。覆盖 2000–2026 共 95 个品种(87 枚普通纪念币 + 8 张纪念钞),目录内置包体离线秒开,账号 / 持仓 / 行情云端互通,网页与小程序同一份账本。
减脂好搭档 小程序
把「坚持」做成看得见的曲线和社交契约。每日体重打卡生成专属减脂曲线、目标进度与预计达成日;连续打卡、8 枚成就徽章、减脂搭子组队互相监督;网络优先 + 本地兜底双模式,断网也能记。
MBTI 职业性格测试 LIVE
纯本地、零依赖。精简 / 完整两种模式,评测记录与断点续测全存本机,深浅主题、移动端适配,结果可复制分享——把一次测评做成可回看的自我认知工具。
asset-ledger 开源
以股息视角统一记录多市场投资资产:鸿蒙 ArkTS 客户端 + Django 后端 + MySQL,把分散的持仓、分红和收益聚成一张看得懂的资产视图。
量化交易:
用规则代替手感
另一块长期投入。把交易逻辑写成可回测、可执行的系统,让数据和纪律代替情绪。
quantitativeTradingAssistant
TypeScript 常驻进程,每 5 分钟自驱跑完「取数 → 调度专家 → 汇总拍板 → 执行 → 归档」,不依赖人工会话;配 Electron + Vue3 桌面端,内置超短线策略库与多周期批量回测。
factor-quantization-trader
Django REST Framework + Vue 3 全栈系统,连接 OKX,支持多因子策略、模拟盘 / 实盘双环境与自动交易执行;配 MySQL 因子库,策略与风控分离。
分层治理,纪律先行:L1 硬约束守住风险底线(仓位 / 杠杆 / 止损),L2 留给策略自由裁量。系统可以自己跑,但边界必须写死——这也是我把工程方法用在交易上的方式。
技术栈
长期在 Vue 生态做复杂交互,也在 Node / Python 侧把服务撑起来。
Frontend
Backend & Data
AI & Infra
aiUniTokenHub ★ 17
开箱即用的 API 中转站 / 网关框架:AI API 中转、OpenAI 兼容服务与通用网关。
vui ★ 3
基于 uni-app 的 Vue3 跨端组件库,48 个组件覆盖基础 / 表单 / 数据 / 反馈 / 媒体 / AI 场景。
VirtualCodeAgent ★ 1
基于 LangGraph 的控制台编码助手:自然语言驱动 Agent 完成文件读取、编辑、搜索与命令执行。
deepseek-harness Fork
Fork 自 deepseek-ai/deepseek-harness —— Everything is a Plugin.
关于我
我是 virtualman,常驻深圳。职业起点是前端——把复杂交互做顺、把设计稿还原准;后来一路往后走,写接口、调数据库、做部署运维,现在以一个完整产品的视角干活。
现在的角色更接近 FDE:贴着业务现场,把 LLM、图像、视频、3D 这些能力收拢成能运营的产品,而不是散落的 Demo。最花时间的往往不是调模型,而是价值判断、流式时序、计费权限,以及让运营自己看懂的数据看板。
另外两块长期投入:一是独立产品(藏币录、减脂好搭档、MBTI),从立项做到真实用户在用;二是量化交易,用数据和规则代替手感。喜欢零依赖、少抽象、可验证——对过度设计没什么耐心。
聊聊?
AI 落地、产品价值判断、量化交易,或只是想吐槽某个架构,都欢迎来信。