用代码解决
真实的业务问题
从广告投放监控到车型配置核对，再到全链路数据分析自动化 ——
覆盖 9 个自动化项目/工作流，让重复劳动变成系统自动运转。
技术栈与 AI 辅助开发
本作品集并非传统手写代码的展示，而是 AI 辅助编程（AI Coding） 的真实落地成果—— 从需求拆解、架构设计、编码实现到部署上线，AI 是开发的主引擎，将原本数月的人工工作量压缩到数周。
Cursor — 智能代码补全与重构
利用 Cursor 的 AI 补全能力快速编写 Playwright 采集逻辑、异常判定算法、Dashboard 前端代码。
WorkBuddy — 全栈开发环境
提供文件读写、命令执行、Web 搜索、CloudBase 部署、技能调用等一体化能力，是主要开发载体。
CodeBuddy — Power BI 可视化
Power BI Modeling MCP 集成，支持报表视觉 JSON 编辑与校验，用于数据分析与 BI 看板构建。
CloudStudio / CloudBase — 公网部署
静态成果物（HTML 看板、报告、作品集网站）一键部署到云端，公网 HTTPS 访问，零运维成本。
巨量引擎经销商盯盘助手
江淮汽车 R 系 / M 系在全国数百家经销商投放巨量引擎广告。 过去靠运营人员手动登录后台逐户查看消耗、余额、转化成本， 效率低、盲区多、异常发现滞后。现在系统每 15 分钟自动巡检全部账户， 异常秒级推送到飞书，从"人找问题"变成"问题找人"。
为什么需要做这件事
Why it matters
人工逐户查看，耗时巨大
400+ 经销商账户分散在巨量引擎后台，运营需逐一登录翻页查看，单轮巡查耗时 2–4 小时。
异常发现滞后，损失已发生
余额耗尽、成本飙升、转化率归零等异常往往在事后才发现，黄金处理窗口已经错过。
依赖个人经验，无法标准化
"什么算异常"全凭运营个人判断，新人上手慢，不同人员标准不一致。
通知链路断裂，信息孤岛
发现问题后需要电话/微信逐个通知相关方，消息易遗漏、无留痕、不可追溯。
解决方案：全自动巡检 + 飞书智能推送
How it works
盯盘助手是一个基于 Playwright 驱动 Edge 浏览器的桌面程序， 自动登录巨量引擎广告主后台，按配置的车系（R 系 / M 系）逐页抓取全部经销商账户的 消耗、余额、转化成本等核心指标。内置异常判定引擎（余额过低、消耗突增、成本偏高、零消耗等）， 一旦触发阈值即通过腾讯云 CloudBase 云函数网关将结构化异常卡片推送到飞书群/私信， 业务团队手机端实时接收、一键定位问题账户。
多车系并行监控
支持 R 系 / M 系双车系同时巡检，每个车系独立浏览器 Profile，互不干扰。
15 分钟自动调度
内置定时调度器，每 15 分钟一轮全量巡检，无需人工干预，7×24 运行。
多维异常检测
余额不足、消耗突增（spike）、成本偏高、零消耗等多维度规则，可自定义阈值。
飞书卡片智能推送
异常自动生成结构化卡片，含账户名、异常类型、具体数值、处置建议，直推飞书。
HMAC 签名安全链路
exe 与云端网关间采用 HMAC-SHA256 签名校验，防止伪造请求，符合企业安全规范。
可视化 Dashboard 看板
本地 Web 看板（端口 8100），实时展示 KPI 总览、异常列表、历史趋势，支持暗色模式。
Dashboard 实时监控界面
Real-time Monitoring UI
> 建议：（未启用大模型建议）
> 建议：（未启用大模型建议）
> 建议：（未启用大模型建议）
> 建议：（未启用大模型建议）
部署架构：从本机到企业私有云的完整路线
Deployment Architecture
整条链路分为四层：数据采集层（本地 exe）→ 安全中转层（CloudBase 网关）→ 通知触达层（飞书机器人）→ 终端接收层（飞书 App）。 exe 不直接连接飞书（符合 IT 合规要求），所有通知由云端函数持应用凭证统一发送。
落地路线图
从开发到生产环境的演进路径
Phase 1：本地 exe 开发与验证 已完成
Python + Playwright 编写采集逻辑，PyInstaller 打包为单文件 exe，在本机完成全流程测试。Dashboard 看板、异常判定、飞书推送模块全部跑通。
Phase 2：CloudBase 云函数部署 已完成
在腾讯云 CloudBase dy001 环境部署 feishu-push 云函数，创建 HTTP 网关，配置 App ID/Secret/接收人列表，实现公网可达的推送中转站。
Phase 3：飞书应用对接与权限打通 已完成
创建「本地通盯盘助手」自建应用，开通 im:message、contact:user.base:readonly 等权限，发布并安装到租户。解决 HR 工号 ≠ user_id 的映射问题，实现 5 人精准推送。
Phase 4：迁移至公司虚拟机 / 内网服务器 进行中
将 exe 部署到公司内网 Windows 虚拟机，配置开机自启 + 进程守护，实现 7×24 无值守运行。内网 IP 与办公网同段，巨量风控风险最低。
Phase 5（可选）：反爬加固与大模型建议 规划中
引入翻页随机抖动、调度错峰、验证码暂停等反爬策略；接入大模型对异常自动生成处置建议（如"建议暂停 XX 账户投放"），进一步提升自动化程度。
飞书卡片自动推送机制
Feishu Card Auto-Push
当异常被检测到时，exe 将异常数据打包为 JSON，经 HMAC 签名后 POST 到 CloudBase 网关。
云函数校验签名合法性后，使用飞书 App 凭证换取 tenant_access_token，
调用 im/v1/messages 接口向指定接收人发送交互式卡片消息。
卡片包含异常类型、账户名称、具体数值和处置建议，业务人员在飞书中即可一览全局。
规则设置界面
Rule Configuration Panel
用户可在 Dashboard 设置面板中灵活配置各项参数：异常判定阈值（ spikeRatio / lowBalanceThreshold / highCostThreshold ）、
巡检间隔、飞书推送开关与模式选择（云端网关 / Webhook）、网关地址与签名密钥等。
所有配置持久化到本地 config.json，修改即时生效。
业务价值：前后对比
Before vs After
😭 改造前：纯人工模式
- 单轮巡查 400+ 账户需 2–4 小时
- 异常发现平均延迟 4–8 小时
- 依赖运营个人经验，标准不统一
- 电话/微信逐人通知，易遗漏
- 非工作时间完全盲区
- 漏判/误判风险高
🎉 改造后：全自动闭环
- 每 15 分钟自动全量巡检，零人工
- 异常检出后秒级推送到飞书
- 规则引擎标准化判定，结果一致
- 5 人同步收到结构化卡片通知
- 7×24 运行，夜间/周末全覆盖
- 漏判率趋近于零
垂媒配置核对工具
公司车型价配表需要与易车、汽车之家、懂车帝三大垂媒平台的配置信息保持一致。 采用"先做 Demo 跑通流程、再横向扩展"的方式，首个落地的是 T8 车系， 将原本靠人工逐网页比对的繁琐工作，变成"上传表格 → 自动抓取 → 自动核对 → 看板输出"的闭环， 让配置一致性核对从数小时压缩到几分钟。
为什么需要做这件事
Why it matters
人工逐平台比对，效率极低
车型版本多、参数口径不一致，过去由运营或产品人员逐平台、逐车型、逐参数人工核对，重复性强、耗时久。
容易出现遗漏或误判
一旦配置信息不一致流向用户，会带来投诉与销售误导风险，核对质量还高度依赖个人经验。
工具长什么样
How it works
用户上传公司价配表、选择车系与比对模式后，系统自动抓取三平台配置， 并按知识库规则完成核对，最终在页面上呈现差异看板，也可一键下载完整报告。 当前以 T8 为样板验证可行性，后续只需补充新车系知识库即可快速复用。
😭 人工核对
- 单车型核对 2–4 小时
- 漏判 / 误判高风险
- 强依赖人员经验
- 无标准化报告输出
🎉 系统自动核对
- 单车型 3–5 分钟
- 漏判 / 误判低风险
- 弱依赖人员经验
- 一键下载差异报告
zmc 的 AI 工作流作品集
除前两个核心落地项目外，在日常业务中借助 AI 辅助编程（Cursor / WorkBuddy / CodeBuddy）沉淀了一整套 数据分析与自动化工作流。以下按作品集的真实分类，呈现三大技术方向下的代表性工作流， 覆盖 Power BI 数据看板、Python 自动化、AI 智能体内容抓取 —— 把原本需要数天的人工操作压缩到分钟级。
基于 DAX 函数构建自动报表，接入业务系统 API 实现数据实时更新，将手工 Excel 合并升级为交互式 BI 看板。
动作：通过 Power BI 设计一套基于 DAX 函数的自动报表，借助 AI 开发完成后 10 分钟即可出报表，并可通过接入线索系统 API 实时更新。
成果：对原始数据关系做模块链接、自动获取匹配关系，DAX 每天自动更新分车型到代表处的线索情况，把时间还给策略思考。附件：power bi 垂媒分析用.pbix
用 Python 脚本替代重复手工操作，覆盖返利自动计算、线索调度对比、违规报价清洗、线索投放排重等场景。
动作：开发清洗代码，10 分钟内完成数据清洗。
成果：未开发时需 4–5 天完成激励计算，现 30 分钟内获得对应账号与厂家内部经销商的激励明细。
动作：用 AI 开发分析代码快速梳理。
成果：自动生成年度三平台概况、转化情况、分区域转化情况，最终沉淀为可复用的《垂直媒体 1–10 月产出报告》，整体效率提升约 200%。
动作：借助 AI 与业务理解精细调控 5 版代码，调用语义模型（易车报价清洗代码、汽车之家清洗代码）。
成果：成功清洗出违规报价车型与对应经销商，检出率 ≥99%，并按终端反馈持续迭代。该逻辑可复用于巡检机器人，实现违规报价实时抓取。
用 Coze 智能体打通「热榜抓取 → 爆款拆解 → 选题拟定」的内容生产链路，把品牌传播从人工经验驱动升级为数据驱动。
动作：① 用 Coze 内置热榜抓取汽车营销热点，输出选题关键词；② 人工筛选爆款视频分享链接成子集；③ 输入链接子集自动抓取点赞/评论/粉丝量，综合分析视频背后逻辑、拟定选题方向。高版本付费 Agent 可解析封面与整体视频，形成自动拆解工作流。
成果：附 Coze 商店 Agent 链接，可作为品牌内容选题的快速决策工具。
