我是廖持权。做过 AI Native 内容供给引擎、跨文化内容适配 Agent， 也做过能自己盯着我写简历的 桌面监管助手。 我的做法是：把模糊目标拆成可验证的工程闭环，然后把它真的跑起来。
四个真实跑起来的项目。能在线打开的直接给链接，桌面端给截图——不写跑不起来的演示。
点击任意卡片可查看完整拆解。部分项目部署在免费实例上，首次打开需要唤醒。
把内容供给的关键流程交给 AI：信号捕捉、趋势研判、受众洞察、角度设计、证据检索、写作、 选题守卫、事实核查、总编审核、形态适配、分发策略。人负责定义标准，AI 在真实消费反馈中持续进化。 控制台 9 个模块、14 个 Agent 协同，任务在服务端运行，切页面或刷新都不中断。
三个 Agent 接力工作：文化语境分析师拆解原文的文化绑定元素 → 本地化主编结合文化知识库 改写成目标语言 → 文化风险审核官按五维标准做发布前审核。解决内容出海时「翻译对了但语境错了」的问题。
一只由 Three.js 实时驱动的钟表机械蝴蝶。可拖拽环绕、滚轮推拉，触发「能量过载」会看到机芯 从满载到过载的完整反馈。单文件、零外部依赖，用最直接的方式说明我做交互的手感。
打开项目 →Windows 桌面端。AI 模型与微信双通道连接，按 15–45 分钟随机查岗——回来问你一句 「简历写了没」。支持运行/静默两种监管模式，自动同步、写日记、生成报表， 关闭控制面板后继续在托盘运行。本质是给拖延症做的一个外部监督机制。
桌面应用 · 暂无网页版，以截图展示
四个环节我都真正做过一遍——不是只会画原型。
生物学的训练核心其实是在噪声里找信号——设计对照、排除干扰、判断一个差异到底是真的还是随机波动。 这件事和判断一条热点值不值得跟进、一个 AI 输出到底靠不靠谱，底层是同一套思维。
真正的转折是我自己在用 AI 工具的过程中不断发现「这里明明可以更好」。从提需求到自己动手做出来， 中间没有断点——这就是我现在做的事。学历背景不是包袱，它给了我不轻易被结论说服的习惯。
因为全自动的问题不是「做不到」，而是「错了没人负责」。内容一旦发出去就收不回来， 事实核查错了、口径偏了，代价是真实的。
所以我在管线里设了选题守卫和人工审核闸门：AI 提议、人拍板。同时做了五维校准模块， 让机器评委分与真人打分做 Spearman 对齐——差值本身就是这个模块存在的理由。 系统进化也遵循同样逻辑：AI 提议改 Prompt，你采纳才生效，看完效果还能随时回滚。
我的第一个问题是：这个环节现在有人在为此痛，还是只是看起来该自动化？ 很多 AI 功能失败不是因为模型不行，是因为它解决的是个不存在的问题。
第二个问题：错了能不能发现、能不能撤回。能发现、能撤回的，大胆上；不能的，必须留人在环里。 Aidy 就是个例子——它查岗的强度我特意做成 15–45 分钟随机，因为固定频率会让人产生预期， 有了预期就会开始应付。这种细节才是产品感。
这些项目没有一个是「作业」。它们都是我自己遇到问题、自己决定要做、自己推到底的。 TrendForge 的 PromptManager 热升级、Aidy 的随机调度、蝴蝶页的单文件优化，都是在真实约束下做的取舍。
我想去大厂恰恰是因为这里的约束是真实的：真实用户、真实指标、真实线上事故。 独立做项目教会我的是从 0 到 1 的完整链路，我现在想学的是从 1 到 100 的系统性。
是。主页、机械蝴蝶、以及上面所有项目， 从拆需求到上线部署都是我自己完成的。
顺带说一句：这个站本身也算一个作品——零依赖、纯静态、境外托管， 没有框架负担，打开就能用。我比较信「能跑起来才算做完」。