工作示例
成功案例
从战略到落地——实践中是这样的。
快50%
软件交付
AI集成到SDLC后的周期时间缩短。
4个生命周期阶段
端到端覆盖
需求、编码、QA自动化、发布运维。
6周
从概念到原型
从想法到工作检测系统的时间。
软件工程AI比利时体育博彩公司
体育科技平台的AI原生SDLC
我与一家受监管的体育科技运营商合作，将AI嵌入软件开发生命周期的每个阶段。我与领导层制定了AI战略，然后嵌入工程团队实施。
战略 + 落地
亮点
- 与CTO一起定义AI采用路线图，然后与团队一起构建。
- 针对其领域特定微服务调优的统一AI工作空间。
- 在Linear中编排的规格驱动开发使产品、工程和QA保持一致。
我构建的
- 符合公司代码约定和架构的Cursor微调流水线。
- 将博彩概念转换为可执行规格的AI辅助需求模板。
- 结合合成数据生成和回归包的自动化QA框架。
- 部署防护措施，确保AI编写的代码安全通过评审、测试和发布。
结果
- 优先级小组交付速度提高50%。
- 覆盖关键业务旅程的QA自动化。
- 持续的开发者采用，因为工作流程保留在现有工具中。
过程
1
发现
跟随产品、工程和合规团队，找出AI可以消除摩擦的地方。
2
构建
微调Cursor，编写提示库，与工程师配对在实际代码库中验证输出。
3
规模化
推出赋能手册、可观测性仪表板和持续调优节奏。
快速原型隐身网络安全创业项目
浪漫诈骗检测——从概念到工作原型
一位早期投资者需要验证一个概念：AI能否在资金转移之前检测浪漫诈骗？我不仅进行了研究——我构建了一个工作原型来在六周内证明（或否定）这个论点。
概念 → 原型
亮点
- 构建了几乎实时分类犯罪者模式的原型评分引擎。
- 使用LLM加行为图的快速实验测试检测方法。
- 在不到六周内完成了人类、技术和监管攻击面的完整映射。
我构建的
- 从消息模式中对浪漫诈骗风险进行排名的工作原型。
- 来自抓取情报、合作伙伴数据和用户访谈的信号目录。
- 覆盖约会应用、消息平台和支付渠道的威胁模型。
- 带有明确后续步骤的技术可行性分析。
结果
- 原型证明核心检测方法有效。
- 基于新型行为信号的清晰差异化叙事。
- 投资者有足够证据继续分阶段构建。
过程
1
研究
收集定性访谈、暗网情报和事件数据以了解问题空间。
2
构建
构建轻量检测模型，测试准确性与误报，迭代改进。
3
验证
演示原型，记录发现，勾勒前进路径。