黄勇老师课题组提出的问题：不同 AI Agent 在执行不同任务时，产生的网络交互模式是不一样的。能不能在不破解 TLS 的前提下，仅靠域名、时序、包大小这些外部特征，判断谁在用 AI、用来做什么？这个问题有攻防双视角。

完整走通了「读论文 → 复现实验 → 造原型 → 交付工具」的全流程：

论文复现：复现 UMass Amherst 的侧信道攻击实验，修复了原作者代码里的 5 个 bug，验证了核心假设成立。

数据采集：自采真实用户 prompt，按类别分层采样，搭建了 GPT-Researcher + DeepSeek API + Tavily 搜索的采集管线。卡点突破——API 流量默认走 HTTPS 抓不到，通过 HTTP monkey-patching 把捕获量提升了 220 倍。

特征工程：设计了多组行为指纹特征，从 URL 访问日志自动提取行为模式。多个 Agent 类别的检测率 100%。

画像生成：基于增强 CO-STAR 框架 + DeepSeek API 构建了 10 维用户画像，单条成本约 $0.0002，置信度均值 0.74。

交付：Gradio 可视化工具 + ngrok 公网部署，matplotlib 十维画像卡片，支持 PNG/PDF/Word 导出。产出研究生组会 PPT、对比分析报告、GitHub 开源。

加密流量分析的魅力在于「戴着镣铐跳舞」——域名、时序、包大小这些信号看起来贫瘠，但经过系统性的特征工程和 LLM 语义增强，能还原出惊人的信息量。

AI 提效最明显的地方不是替代思考，而是消除重复性工程的摩擦力——脑子里的技术路线已经清楚了，AI 让每一步实现快 10 倍。

LLM 生成的画像会有「幻觉漂移」，在调用 LLM 前先做结构化特征预计算，能显著提升输出稳定性。

访谈了 7 位真实用户后，发现一个共同痛点：收藏的内容永远找不到，整理又太麻烦。市面上的收藏工具要么太重，要么太简陋——用户需要的不是一个更大的收藏夹，而是一个能帮他们理解和处理信息的「外脑」。

作为产品负责人，从 0 到 1 推动了知拾的定义和落地：

分析了 10+ 款竞品（Cubox、Raindrop、Notion Web Clipper 等），产出了四层分析报告，确立了「轻量前端 + 智能预处理」的差异化方向。

定义了核心闭环——最短收藏路径 → AI 自动打标签/摘要 → 定期回顾提醒。把「收藏-处理-回顾」三个环节串联起来。

协调设计和开发团队把 V1.0 做出来并上线。

做产品最难的不是想功能，是做减法。团队提出了很多很酷的想法，但回到用户故事，核心需求其实很简单——快速收藏 + 能找到 + 偶尔回顾。在功能强大和体验轻量之间的取舍，是贯穿始终的课题。

2025 年高考季，陆续有学弟学妹来找我帮忙看志愿。一对一聊了之后发现：虽然每个人的情况不同，但分析和决策的底层逻辑是相通的。问题是——每次都要从头讲一遍，效率太低，而且经验全在我脑子里，无法传递给别人。

把高考志愿咨询的全流程拆解成标准化 SOP：触发条件 → 执行动作 → 反馈机制。引入 AI 辅助隐私合规检查——在处理个人信息时自动标记需要注意的合规点。

形成了可复用的咨询框架和文档模板。

好的流程不是把人变成机器，是让经验可以被复制。从「我能帮一个人」变成「这个流程能帮更多人」——因为淋过雨，所以想为后面的人撑把伞。

河南每年百万考生，志愿填报本质上是信息不对称下的博弈——家长和学生拿着分数卡，对照往年录取数据做决策，很少考虑「我真正适合什么」。分数导向的结果是个人兴趣被完全忽视。

作为项目负责人和产品架构师，主导设计了整个决策系统的逻辑：

定义核心公式 W = 0.55×兴趣 + 0.30×城市 + 0.15×就业——「兴趣优先」不是口号，是产品最核心的差异化选择。

设计了三层引擎：数据采集层（576 维特征向量）→ 兴趣挖掘与博弈层（兴趣匹配准确率 92%）→ 推荐生成与公平层（县域公平性约束）。

产品成功落地，验证了「兴趣驱动替代分数博弈」这条路走得通。

定义问题比解决问题更重要。志愿填报的根问题不是「怎么用算法匹配分数」，而是「考生不知道自己想要什么」。公式 W = 0.55×兴趣 + 0.30×城市 + 0.15×就业 看起来简单，但背后是对教育本质的理解——技术最大的善意是消除信息特权。