数据开发 AI 助手
围绕企业数据开发与运维场景，从系统 Prompt、知识库和工具调用出发，推进 AI 助手 MVP 从 0 到 1。
我的角色AI 数据产品实习生 · 0—1 项目负责人
30+工具函数
06竞品分析
12交互优化
22内测问题闭环
PRODUCT DEMO
DataGeni 多场景演示
展示数据问答、任务查询与运维场景中的对话式交互，以及助手从问题理解到结果反馈的完整过程。
KEY WORKFLOW
- 01自然语言需求
- 02意图与场景识别
- 03知识检索
- 04工具规划
- 05多步执行
- 06结果反馈
CASE STUDY
项目拆解
从问题、角色与洞察，到方案、验证和复盘。
01 / Background
SQL 与运维门槛限制了平台使用效率
FineDataLink 用户在数据查询、任务运维和配置过程中需要掌握较强的 SQL 与平台知识。传统菜单式操作难以快速响应灵活问题，AI 助手需要真正调用平台能力，而不只是回答问题。
02 / Role
主导功能设计、协同调优与 MVP 反馈闭环
我负责系统 Prompt 与场景模板、领域知识库和工具调用方案，完成竞品分析、核心功能设计与内部反馈测试，并协调产品、研发和测试推进 MVP。
03 / Solution
让回答能力转向可执行的多步任务
封装 30+ 工具函数，建立从意图识别、知识检索、工具规划到执行反馈的链路，使助手能够覆盖查询、配置和运维等多类任务。
04 / Delivery
以真实反馈收敛产品边界
分析 6 款竞品、完成 5 项核心功能设计、推动 12 项交互优化；MVP 内测闭环解决 22 项问题，并将高频问题转化为 Prompt、工具和交互层的迭代清单。
05 / Reflection
企业 AI 助手的关键不是“会聊”，而是“可控地做事”
工具权限、执行状态、错误解释和人工确认决定了用户是否愿意采纳结果。后续重点应继续补足场景覆盖、执行可观测性和企业级安全边界。