The posting
1. 定义用户价值与场景:从拥护访谈、真实数据和失败案例中找出需要跨会话记住的信息,区分当次上下文、用户事实、偏好和经历,明确“少重复、找得到、用得对”的具体任务与验收标准。 2. 设计数据授权与来源规则:梳理眼镜、App及经用户授权接入的数据范围,明确采集、提取、保存和使用的可见状态、授权边界与来源追溯;定义关闭采集、撤回授权及第三方信息的处理方式。 3. 负责记忆写入与更新策略:定义提取、写入、合并、去重、冲突确认和置信度规则,区分原始记录与推断信息;处理时间变化、临时偏好、过期事实及证据不足,定义用户画像的边界。 4. 负责检索召回与交付策略:与算法研发共同设计查询理解、召回、排序、时间范围和上下文注入所需的产品规则;向Agent交付相关记忆及来源、时间和可信度,验证漏召回、误召回及成本、延迟之间的取舍。 5. 做好用户管理与控制:设计记忆查看、搜索、来源解释、更正、删除和遗忘的完整路径,明确原始数据、派生记忆与索引的处理边界。 6. 建立数据与评测闭环:独立构建可运行Demo,利用经授权或脱敏的数据验证假设;建立提取、更新、检索和删除回归样本,结合真实反馈归因问题,推动规则迭代、上线验收与跨模块联调。
1. 保持旺盛好奇心、行动力和成长速度,喜欢追问“用户为什么需要”,愿意亲自体验、访谈和复盘;能用持续尝试与作品证明探索欲和潜力。 2. 能独立vibe coding:熟练使用AI编程工具,将想法做成可运行、可演示的Demo,完成数据接入、策略试验和基本问题排查;能结合真实用户或经授权的数据反馈说明改动依据及验证结果。 3. 理解LLM、上下文与长期记忆的关系,对信息提取、RAG、向量或关键词检索、重排和上下文组织有一手实践,能讲清能力边界、失败原因和适用条件。 4. 具备产品判断和数据分析能力,能够定义正负样本、人工评判标准与分层评测,使用SQL或Python等工具完成必要分析;能区分离线评测改善与用户实际受益。 5. 有从问题发现、方案比较、原型验证到落地复盘的完整实践,能够处理跨会话、多人信息、时间变化和数据删除等边界,不因技术名词复杂而忽视用户感受。 6. 能与算法、研发、设计紧密协作,把模糊需求写成清晰规则、数据约定和验收用例;有责任心,愿意追查真实失败案例,并通过实验推动结论。



