workflow.protocol

我的工作流，是把好奇心变成可运行系统。

我不是科班程序员，所以我更依赖一套 AI 原生的学习与构建流程。先让 AI 帮我理解新概念，再把理解压缩成 Prompt、界面、代码和验证动作。这个流程让我可以更快跨过原本挡在普通人面前的技术墙。

run.workflowactive
01需求澄清：定义用户、场景、触发条件和成功标准
02方案建模：拆解流程、界面状态、数据结构和 AI 边界
03原型实现：用 Vibe Coding 快速完成可体验 Demo
04验证迭代：用反馈、工程约束和失败模式修正产品

scan.signal

phase.01

先捕捉前沿信号

我会从行业公众号、小红书、抖音、产品发布和真实使用里捕捉新东西。它们不负责深度，但负责让我尽快知道现在发生了什么。

output

一个值得追问的新概念或新工具

ask.model

phase.02

让 AI 把新概念讲到能用

遇到 memory、RAG、distillation、skill 这类概念时，我会让 AI 用不同层级解释，再让它生成学习 Prompt，交给另一个窗口继续拆。

output

能被我复述、迁移和实践的理解

shape.product

phase.03

把理解压成产品机制

我不会直接堆功能，而是问这个概念能不能解决某个真实痛点。Time Alchemist 的 [ACTION]、WarPix 的 AI Router，都是从概念转成机制。

output

明确的问题、机制和界面状态

ship.prototype

phase.04

先做可点击原型

理论永远不够。Web 原型、Swift 转译、截图、Debug 记录，都是为了把判断放进真实界面里验证。

output

能被体验、能被质疑的 Demo

verify.doubt

phase.05

用怀疑论收尾

我会把模型输出当成候选答案，而不是最终答案。尤其在硬件、协议、业务和用户情绪场景里，验证比生成更重要。

output

更稳的系统边界和下一轮迭代