数据分析 熟练使用
熟悉 Python、SQL、SPSS、Stata、R 等数据分析工具，能够围绕实际问题完成数据提取、清洗、统计分析与结果解读。在实习和学术研究中，都有使用数据定位问题、验证假设和评估结果的经历，形成了从业务问题出发理解数据的习惯。
自我评价
比起等待确定的答案，我更愿意在一次次出发里，把答案慢慢走出来。
我的技能箱
01语言水平 英语可用
CET-4 618 分、CET-6 563 分，具备较好的英语阅读与信息检索能力。日常能够较顺畅地阅读英文产品资料、技术文档、研究论文及海外网站内容，并通过英文资料补充对陌生领域的理解。
原型设计 熟练使用
熟悉 Axure、Figma、墨刀等原型设计工具，也会使用 XMind、ProcessOn 等工具梳理思维导图、业务流程和产品逻辑。能够将相对抽象的产品想法转化为流程图、页面结构和可交互原型，并通过视觉化方式帮助团队快速理解方案。
AI Coding 持续加点
日常使用 Codex、Claude Code 等 AI Coding 工具，即使没有传统开发背景，也能够通过需求拆解、Prompt 编写、代码阅读和持续调试，把产品想法逐步做成可运行的网页或 Demo。目前已经将 AI Coding 应用在个人网站和产品项目中，也在不断学习如何更准确地描述需求、定位问题，并与 AI 协作完成从想法到实现的完整过程。
关于我，一些不太标准的答案
03如果一定要用几个词介绍自己，我不太想写“认真负责”“学习能力强”这种标准答案。
相比这些，我更想记录一些在很多选择和经历里反复出现的东西。它们未必都是完美的优点，但可能更接近真实的我。
有点不服输
我可以接受自己暂时不会，但不太接受自己因为“不会”就停在那里。
本科转专业后，因为此前缺少金融学的课程基础，我曾用三周时间集中补完核心课程，最后实现当学期绩点排名第三名。后来决定从原本熟悉的金融方向转向互联网产品，也意味着很多东西都要重新开始学：产品方法、业务逻辑、数据分析，再到后来接触 AI。
回头看，我好像一直很习惯做这样的事情——先承认“这个我现在确实不会”，然后一点点把它变成会。
对我来说，不会通常只是一个暂时状态。喜欢把事情想明白
我对“稀里糊涂地得到一个答案”这件事接受度比较低。
遇到一个复杂问题时，我经常会下意识地问：到底是哪一环出了问题？为什么会出现这个结果？如果把问题继续往下拆，还能不能找到更底层的原因？
在滴滴做改派策略时，我会从指标异常继续往下拆司机行为、品类规则和履约链路；在高德做 AI 动态换路时，也会把一个看起来很大的“路线推荐问题”，继续拆成意图识别、候选路线生成和规则过滤等。
这个过程对我来说其实很有吸引力。
我很享受把一团乱麻慢慢理出线头的感觉。不太喜欢一知半解
我不是那种对所有新技术都天然兴奋的人。
但如果一个东西和我正在解决的问题有关，我通常会忍不住继续往下问。
做 AI 产品以后，这一点尤其明显。最开始我只需要知道“大模型可以帮助识别用户的换路意图”，但后来会继续追问：ASR 的结果怎么筛？模型为什么会误判？规则和模型各自适合解决什么问题？路线名称最终又是怎么和真实道路匹配起来的？
很多时候，这些问题并不是“不懂就无法完成工作”。
只是如果我只能说出“它能做什么”，却说不清“它为什么能做到”，我会觉得自己还没有真正搞懂。
我喜欢的不是知道更多，而是把一个东西从“听说过”变成“我真的理解了”。不太迷信自己的第一答案
我其实是一个挺容易推翻自己的人。
一个想法刚冒出来的时候，我可能觉得“好像很合理”，但只要继续往下验证，发现数据、用户反馈或者逻辑不支持它，我会很快重新开始。
做项目是这样，做研究是这样，甚至做这个网站也是这样。
我会不断说“不对，好像还有问题”，然后重新调整表达、结构或者方案。
以前我偶尔会觉得，这是不是意味着自己不够果断。后来慢慢发现，相比坚持“这是我最开始的判断”，我其实更在意另一件事：
最后留下来的答案，是不是比第一版更接近真实。
如果把这些特点放在一起，我大概是这样一个人：有一点不服输，喜欢把复杂的事情慢慢想明白；遇到真正感兴趣的问题，会忍不住继续往下钻，也不介意一次次推翻自己。
我好像很少一开始就知道标准答案。
但我很喜欢那个把“我不知道”，一点点变成“我好像搞懂了”的过程。