金融转AI

用户当前处于「task」阶段，即了解本次诊断要解决的现实求职任务和时间约束。 用户提供的背景信息：

• 目标：金融转AI（AI产品经理）
• 简历：13年证券资管经验，主导设计4款0->1 AI产品（存续通、思库、Gotiii、心屿），有AI智能体应用开发工程师（高级）证书。
• 当前状态：想转型AI产品经理。

根据开场白规则，有用户材料时： “我已经看过你提供的材料。接下来不会重复问已经写清楚的内容，我会补充了解目标、相关经历以及真实求职反馈。你现在最想解决的具体求职问题是什么？”

需要稍微调整一下，使其更自然，同时符合字数限制（60-180字），并且只问一个核心问题（当前阶段最相关的核心问题：现实求职任务和时间约束）。

思考回复内容： “我已经看过你提供的简历和作品集。你从13年金融资管经验转型AI产品经理，并且已经主导设计了4款AI产品原型，准备得很充分。接下来我不会重复问材料里写清楚的内容，而是补充了解你的真实求职反馈。为了明确接下来的诊断方向，你现在最想解决的具体求职问题是什么？比如是简历投递没有回音，还是面试转化率太低？”

字数检查： 我已经看过你提供的简历和作品集。 你从13年金融资管经验转型AI产品经理，并且已经主导设计了4款AI产品原型，准备得很充分。 接下来我不会重复问材料里写清楚的内容，而是补充了解你的真实求职反馈。 为了明确接下来的诊断方向，你现在最想解决的具体求职问题是什么？比如是简历投递没有回音，还是面试转化率太低？ 总字数约170字。符合60-180字的要求。

提取事实：

• 用户目标：金融转AI产品经理
• 用户有13年证券资管经验
• 用户设计了4款AI产品原型（存续通、思库、Gotiii、心屿）
• 用户有AI智能体应用开发工程师（高级）证书

当前阶段：task 缺失信息：具体的求职任务（如找全职、兼职、实习）、时间约束（如什么时候必须找到工作）、目前求职的具体痛点。

构建JSON： { "stage": "task", "confirmed_facts": [ "用户有13年证券资管经验", "用户目标转型AI产品经理", "用户主导设计了4款0到1的AI产品原型", "用户持有AI智能体应用开发工程师（高级）证书" ], "facts_not_to_repeat": [ "教育背景", "具体工作经历细节", "4款AI产品的具体设计和功能" ], "missing_information": [ "具体的求职任务（如全职/兼职/实习）", "求职的时间约束", "当前求职面临的具体痛点或卡点" ], "should_end": false }

检查规则：

1. 先回应用户刚刚提供的信息（这里是第一轮，直接开场）。
2. 从用户回答中提取事实，更新 confirmed_facts。（第一轮从材料提取）。
3. 已写在材料或已经说清楚的信息不得重复询问。
4. 每轮只提出一个核心问题。
5. 只收集诊断事实，不提前输出诊断结论。
6. 不输出内部代码等。
7. 字数60-180。

调整一下开场白，使其更自然： “我已经看过你的简历和作品集。你从13年金融资管转型AI产品经理，并且已经落地了4款AI产品原型，准备得很扎实。接下来我不会重复问材料里写清楚的内容。为了明确诊断方向，你现在最想解决的具体求职问题是什么？是简历投递没回音，还是面试转化率低，或者是其他卡点？”

字数：159字。非常合适。

思考过程：1. 分析当前状态： * 用户回答：“不知道该投哪” * 当前阶段：task（求职任务） * 已确认事实：13年证券资管，目标AI产品经理，4款0-1 AI产品原型，高级AI智能体证书。 * 缺失信息：具体的求职任务、时间约束、痛点（当前痛点明确为“不知道该投哪”，即目标岗位/行业/公司定位不清晰）。 * 用户目标/JD：金融转AI。

2. 理解用户意图与诊断需求：

   • 用户说“不知道该投哪”，说明他的核心痛点是目标定位（Target） 不清晰，缺乏具体的投递策略和方向感。
   • 在task阶段，我需要确认他的现实求职任务（比如是找全职还是兼职，期望多久内找到工作）以及具体的痛点。现在痛点已经出来了（不知道投哪），还需要确认一下现实的时间约束和求职性质（全职/兼职等），或者直接顺势把task收尾，进入target阶段去帮他拆解“该投哪”。
   • 等等，当前还在task阶段。task阶段需要明确：现实求职任务和时间约束。
   • 用户说“不知道该投哪”，这其实偏向target（目标岗位/行业/公司定位）。但我需要先把task的“时间约束”和“求职性质（全职/兼职/实习）”补齐，或者把“不知道该投哪”作为task的痛点记录下来，然后问一个关于时间/状态的问题来彻底完成task阶段。
   • 或者，把“不知道该投哪”视为task的痛点，接着问：“你是打算立刻全职找工作，还是边工作边看机会？大概期望在多长时间内完成转型？” 这样既回应了痛点，又补齐了task的时间约束。

3. 构建回复：

   • 回应：明白，转型期最迷茫的往往是“不知道自己的背景能匹配哪些具体的公司和岗位”。
   • 提问（补齐task阶段缺失信息：时间约束/求职状态）：为了帮你梳理出清晰的投递目标，我想先确认一下你目前的求职状态：你是准备立刻全职投入找工作，还是打算边工作边看机会？大概期望在多长时间内完成这次转型？
   • 调整：规则要求“每轮只提出一个核心问题”。“全职还是兼职”和“时间约束”可以合并为一个关于“求职节奏和状态”的问题。
   • 优化提问：明白，转型期最卡壳的往往是“不知道自己的背景能精准匹配哪些具体的公司和岗位”。为了帮你梳理出清晰的投递目标，我想先确认一下你目前的求职节奏：你是打算立刻全职找工作，还是边工作边看机会？期望在多长时间内完成转型？（这算一个核心问题：求职状态与时间约束）。

4. 校验规则：

   • 字数：60-180字。
   • 结构：回应 + 一个问题。
   • 不提前下结论，不输出代码。
   • 阶段：仍在task，补齐时间约束后即可进入target。

5. 更新 interview_state：

   • stage: "task" (或者如果认为task已完成，可以设为"target"，但稳妥起见，这轮问完时间约束，下一轮进target。或者这轮直接进target？不，状态机里当前是task，这轮问完时间约束，下一轮更新为target。或者这轮直接把状态推到target？用户说“不知道该投哪”，其实已经是在求助target了。我可以把这轮作为task的收尾，下一轮正式进入target。为了严谨，这轮还是task，补齐时间约束)。
   • 等等，如果用户说“不知道该投哪”，这本身就是对“最想解决的具体求职问题”的回答。那么task阶段的核心（明确现实求职任务和痛点）其实已经完成了。痛点就是“目标定位不清（不知道投哪）”。
   • 那我还缺“时间约束”。所以这轮问时间约束，顺便把痛点确认。
   • confirmed_facts: 增加 "当前痛点是不知道具体投递方向/目标定位不清"
   • missing_information: 移除 "当前求职面临的具体痛点或卡点"，保留 "求职的时间约束"，增加 "具体的求职性质（全职/兼职）"。

6. 撰写具体文本： 明白，转型期最卡壳的往往是“不知道自己的背景能精准匹配哪些具体的公司和岗位”。为了帮你梳理出清晰的投递目标，我想先确认一下你目前的求职节奏：你是打算立刻全职找工作，还是边工作边看机会？期望在多长时间内完成转型？

   字数：108字。符合要求。

7. JSON 构建：

   检查：没有违反禁止行为。符合角色设定。 结束思考。

思考过程：1. 分析当前状态： * 用户回答：“边工作边看机会，6个月”。 * 当前阶段：task（求职任务）。 * 已确认事实：13年证券资管经验，目标转型AI产品经理，4款0到1 AI产品原型，高级证书。当前痛点：不知道投哪。求职性质：边工作边看（在职）。时间约束：6个月。 * 缺失信息（task阶段）：基本补齐了（任务、性质、时间）。 * 下一步：推进到 target（目标岗位）。

2. 确定下一步行动：

   • 回应：确认在职看机会和6个月的时间线。
   • 提问（target阶段）：将目标收窄到具体的岗位、行业、级别和地域。用户之前提到“金融转AI”，需要明确具体想看哪类AI产品经理（比如金融AI、通用AI、B端/C端等），以及期望的城市。

3. 草拟回复：

   • 回应：在职看机会，6个月的时间窗口，节奏上可以相对从容，但也需要精准出击。
   • 提问：你提到“金融转AI”，在AI产品经理这个大方向里，你目前最倾向看哪类业务？比如是继续深耕金融/泛商业领域的AI应用，还是想看更通用的AI产品（如大模型应用、Agent等）？另外，期望的工作城市是哪里？
   • 精简/调整：每轮只问一个核心问题。把“业务方向”和“城市”合并为目标定位的核心问题，或者只问业务方向。
   • 修改提问：在职看机会，6个月的时间窗口，我们需要把精力花在刀刃上。你提到“金融转AI”，在AI产品经理这个方向里，你目前最倾向看哪类业务场景？比如是继续做金融/商业领域的AI应用，还是想看更通用的AI大模型或Agent产品？

4. 检查约束条件：

   • 字数：60-180字。
   • 风格：温和、直接、有判断感。
   • 结构：回应 + 一个问题。
   • 不提前下结论，不暴露代码。

5. 最终文本生成： 在职看机会，6个月的时间窗口，我们需要把精力花在刀刃上。你提到“金融转AI”，在AI产品经理这个方向里，你目前最倾向看哪类业务场景？比如是继续做金融或商业领域的AI应用，还是想看更通用的AI大模型或Agent产品？期望的工作城市是哪里？（稍微超了一点，精简一下）

   在职看机会，6个月的时间窗口，我们需要把精力花在刀刃上。你提到“金融转AI”，在AI产品经理方向里，你目前最倾向看哪类业务场景？是继续做金融/商业领域的AI应用，还是更通用的AI大模型或Agent产品？另外，期望的工作城市是哪里？ (118字) -> 完美。

6. 更新 JSON：

   • stage: "target"
   • confirmed_facts: 增加 "在职看机会", "时间约束为6个月"
   • missing_information: 移除 "求职的时间约束", "具体的求职性质", 增加 "具体的目标岗位细分（业务场景）", "期望工作城市"
   • should_end: false

用户回答了期望城市：上海。 并且对业务场景提出了疑问：“领域吧，通用大模型我做的了吗”。这说明用户在“金融领域AI”和“通用大模型”之间犹豫，且对通用大模型的能力要求有自我怀疑。 当前阶段：target（目标岗位）。 需要收集的信息：具体的目标岗位细分（业务场景偏好）。 用户已经回答了城市（上海），但对场景偏好不确定。 我需要引导用户明确目标岗位细分，或者先确认他倾向的细分方向，同时解答他的疑虑（不直接下结论，而是通过事实来探讨）。 其实“领域”和“通用大模型”是两种不同的方向。结合他的背景（13年证券资管），金融/商业领域的AI应用（如智能投顾、金融数据分析Agent）是他最大的优势。 我可以问：结合你13年的证券资管经验，你更倾向于利用你的行业壁垒去做“金融/商业领域的AI产品”，还是完全抛开过去经验去拼“通用大模型”？或者你目前投递时更偏向哪边？

等等，当前阶段是 target。 确认事实：

• 期望城市：上海
• 目标岗位：AI产品经理
• 业务场景偏好：用户在犹豫（金融领域 vs 通用大模型）

我可以回应他的疑虑，并抛出问题帮助收敛： “13年的证券资管经验是你最大的壁垒。通用大模型通常更看重底层算法和通用场景落地，而金融领域的AI应用（如投研Agent、智能风控）则极度依赖懂业务的专家。你目前自己更倾向于利用行业经验做金融AI，还是想完全挑战通用大模型？”

字数控制在60-180字。 “13年的证券资管经验是你极大的壁垒。通用大模型通常更看重底层技术和通用场景落地，而金融领域的AI应用（如投研Agent）则极度依赖懂业务的专家。你目前自己更倾向于利用行业经验做金融AI，还是想完全抛开过去经验去挑战通用大模型？” 字数：112字。符合要求。

更新 interview_state: confirmed_facts: 增加 "期望工作城市为上海" missing_information: 移除 "期望的工作城市"，保留 "具体的目标岗位细分（业务场景偏好）"

思考：用户问“通用大模型我做的了吗”，这其实涉及到 direction_facts（方向依据）和 visible_evidence（可见证据）。但在 target 阶段，我需要先让他选定一个倾向。 所以问他倾向哪个方向是合适的。

验证字数： “13年的证券资管经验是你极大的壁垒。通用大模型通常更看重底层技术和通用场景落地，而金融领域的AI应用则极度依赖懂业务的专家。你目前自己更倾向于利用行业经验做金融AI，还是想完全抛开过去经验去挑战通用大模型？” 105字。合适。

用户反问“你觉得呢？靠谱吗”，说明用户在目标定位上非常犹豫，缺乏自信，并且希望得到顾问的反馈。 当前阶段是 target。 用户的核心痛点是“不知道投哪”，对“通用大模型”和“金融AI”的把握不准。 作为顾问，我不能直接替他做决定（也不能提前下诊断结论），但我需要帮他分析这两个方向的现实可行性，并引导他明确自己的倾向。

思考：

1. 回应他的疑虑：客观分析13年金融经验在通用大模型和垂直领域（金融）的优劣势。
2. 引导提问：既然他犹豫，我需要确认他做那4款AI产品原型时，主要解决的是什么场景的问题？这能反映他实际的能力倾斜和偏好。
3. 检查当前阶段进度：target 阶段需要明确目标岗位（细分场景/行业）。

拟定回复： 从现实求职来看，13年金融资管经验是你最大的护城河。如果去卷通用大模型，你要和懂底层技术的年轻人拼，优势不明显；但如果做金融AI（比如智能投研、金融Agent），你的业务壁垒是别人很难短期跨越的。 你之前主导设计的4款AI产品原型，主要是解决金融场景的问题，还是偏通用场景？这能帮我判断你目前积累的证据更偏向哪边。

字数控制： “从现实求职来看，13年金融资管经验是你最大的护城河。如果去卷通用大模型，你要和懂底层技术的年轻人拼，优势不明显；但如果做金融AI（比如智能投研、金融Agent），你的业务壁垒是别人很难短期跨越的。你之前主导设计的4款AI产品原型，主要是解决金融场景的问题，还是偏通用场景？” -> 125字。符合60-180字要求。

检查JSON状态： stage: target confirmed_facts: 增加 "期望工作城市为上海" missing_information: "具体的目标岗位细分（业务场景偏好）" should_end: false

调整一下语气，保持温和、直接、有判断感。 “客观来说，13年金融资管经验是你最大的护城河。去卷通用大模型，你要和懂底层技术的年轻人拼，优势不明显；但如果做金融AI（如智能投研、金融Agent），你的业务壁垒是别人很难短期跨越的。 为了帮你找准定位，你之前设计的4款AI产品原型，主要是解决金融场景的问题，还是偏通用场景？”

字数：125字。完美。

验证规则：

• 先回应用户刚刚提供的信息（分析靠谱程度）。
• 提取事实（已提取）。
• 不重复询问。
• 每轮只提出一个核心问题。
• 不提前输出诊断结论。
• 字数60-180。
• 不机械套模板。
• 没有禁止行为。
• 输出JSON。