从真实问题出发
构建可演示的 AI 产品
Chohn AI Lab 聚焦招聘分析、文档识别和本地 AI 工作流，把模型能力转化为可体验、可解释、可持续迭代的产品原型。
产品闭环
从问题、流程、输出到边界
本地 AI
模型、OCR、Agent 工具链
工程边界
访问控制、资源配额、数据隔离
或工作流上传图片
任务工作台
任务流转闭环、组件状态、权限与 Spec 规则集中演示
任务工作台
任务流转闭环、组件状态、权限和 Spec 规则集中演示
| ☐ | 任务 | 状态 | 优先级 | 进度 | 风险 | ||
|---|---|---|---|---|---|---|---|
| ☐ | 待开始 | 高 | SL | 12% | 中 | ||
| ☐ | 进行中 | 高 | LY | ✕ | 高 | ||
| ☐ | 待验收 | 中 | MC | 82% | 中 | ||
| ☐ | 已完成 | 中 | OA | 100% | 低 | ||
| ☐ | 进行中 | 低 | OA | 36% | 低 |
问题
中后台系统的任务状态流转、权限控制与数据密度常因设计不一致导致信息层级混乱，用户难以快速定位高风险项。
方案
以「任务生命周期」为主线，设计状态机驱动的表格交互；集成风险洞察面板、批量操作与权限按钮级管控。
输出
可交互的 TaskTable 原型：支持状态流转、进度可视化、风险分级、RTL 适配与多语言输入验证。
交付
演示环境隔离、角色切换模拟、规范模式开关与错误态注入，确保设计系统可验证、可复现。
更多作品
辅助工具 · 已上线产品判断
每个作品都围绕业务问题、解决方案、输出结果和交付边界展开，突出产品定义能力与工程落地能力。
JD 智能分析 案例
把模糊 JD 拆成候选人能判断的结构化信息。
AI 岗位描述真假难辨，候选人很难快速判断投入价值。
用抽取、可靠性评估和企业审计组成分析链路。
结构化字段、原文证据、风险提示和后续核验建议。
采用演示环境隔离、调用额度控制和接口收敛，确保体验可控。
AI 提取文字 案例
把截图里的职位信息稳定转成可进入后续工作流的文本。
浏览器截图常包含按钮、侧栏和残缺文字，直接识别会污染结果。
常驻 OCR worker、规则过滤和可选模型清洗分层处理。
支持 Markdown、纯文本和 JSON，能被 JD 智能分析 继续使用。
支持轻量化部署，模型不可用时保留规则清洗能力，保证基础流程可用。
从需求到交付的演进
作品从具体业务场景切入，逐步补齐输入链路、模型路由、产品交互和发布治理。
岗位分析
从 AI 产品经理求职场景出发，确定 JD 分析和企业审计的核心问题。
OCR 稳定化
补齐截图输入链路，让浏览器和招聘页面里的图片也能进入分析流程。
本地模型路由
按任务选择本地模型、API 模型和规则兜底，降低单点依赖。
发布治理
区分演示入口、服务接口和运行数据，控制访问范围与资源消耗。