知食分子 (SnapCal)

将建筑出身的“工程思维”与大模型技术相结合，我完成了这款产品的全生命周期落地，致力于消除健康管理的执行门槛。

项目职责
0-1 产品定义 / 全栈开发 / 算法优化
核心技术选型
GLM-4V 大模型 / FastAPI / 小程序
当前状态
完成全链路逻辑闭环与落地验证
0. 商业探索与需求验证

发现传统记账不可逆的流失瓶颈

在立项前，我深度调研了市面上的头部健康应用（如薄荷健康）。我发现，虽然健康管理是刚需，但记录饮食热量极度“反人类”：用户需要手动搜索食材、寻找重量、回忆配料。这种高认知负荷的交互导致了极高的流失率。

AI 赋能方案：我定义产品的切入点为使用 VLM（视觉大模型）实现“拍照即审计”，将“干瘪的数据录入”重塑为“智能对话估算”，极大降低记账摩擦力，提升坚持率。

执行细节 (What I Did)

  • 独立完成竞品分析，抽象出“视觉大模型+健康”的最优解法。
  • 规划了健康的商业 ROI 路径：从“基础 AI 识别免费（控制每日 Token 成本）”到“高阶营养师深度报告订阅制 (SaaS)”，再到“健康轻食电商精准分发”。
对比图
1. 撰写 AI-PRD 与边界定义

用工程兜底思维抹平大模型的不确定性

在撰写 AI-PRD 时，重点不再是单纯写功能列表，而是“定义 AI 的边界”与“容错策略”。通过地毯式扫描用户的背景图片（包含背景残留物、零食、外卖截图），要求 AI 必须以“10年临床营养专家”人设输出标准的非结构化转结构化 JSON 数据。

产品决策：四级容错兜底机制 (Fallback Strategy)

面对 VLM 的输出不确定性，我设计了严格的 Fallback 路径：标准 JSON 解析 -> 正则字符串清洗 (抹平标点错误) -> 暴力正则提取 (抠出热量数字) -> 人在回路纠错重算。这保证了核心记账流在 API 崩溃时的 100% 畅通。

执行细节 (What I Did)

  • 撰写包含复杂场景用例（标准自炊、外卖截图、非食物拦截）的特殊 AI-PRD。
  • 建立 100 张涵盖多品类的“标准食物测试集”，在迭代 Prompt 时自动化跑测，严密监控模型幻觉率。
逻辑图
2. 业务流程与全栈架构设计

打通“前端-云端-大模型”的数据闭环

为了让产品真正落地，我独立完成了整套业务链路的搭建与后端开发（Python FastAPI）。这一部分工作完美展现了我的工程落地能力：如何将产品逻辑转化为代码逻辑，并考虑到隐私、超时等 PM 核心细节。

执行细节 (What I Did)

  • 全栈开发：独立完成微信小程序前端（压缩图片转 Base64）与 Python 后端的接收、组合 Prompt 与 API 调用。
  • 性能兜底：在前端强制加入 100KB 图片压缩拦截逻辑，成功避免了原图直接上传导致的大模型接口严重超时。
  • 隐私合规：在系统层面确保用户上传的真实图片在云端完成脱敏，不用于二次训练。
架构时序图
3. 低保真原型与体验设计

认知负荷最低化的输入流线设计

在体验设计阶段，我的目标是让用户的输入口做得尽可能轻量、无感。所有的复杂推理都在云端静默完成，前端只提供最直接的情绪价值。

Figma 原型决策点拆解：

  • 首页顶部强目标的今日热量余额与运动抵扣三环，提供清晰的正反馈。
  • 首页中部放一个极具视觉重心的“巨型拍照按钮”，让核心流线最短化。
  • 底部是拟物化水滴打卡与咖啡、水煮蛋一键快捷直录，走本地纯代码逻辑，既降低 Token 成本，又平衡了低认知操作体验。

执行细节 (What I Did)

  • 使用 Figma 绘制全套线框图，精简无关表单。
  • 设计人在回路 (Human-in-the-loop)：允许用户对 AI 的错误进行文字纠错，形成数据优化的正向飞轮。
原型标注图
返回 主页 / 作品集 项目案例 2 AI+半导体设计 项目案例 3 AutoDCA定投