从真实问题出发
构建可演示的 AI 产品

Chohn AI Lab 聚焦招聘分析、文档识别和本地 AI 工作流,把模型能力转化为可体验、可解释、可持续迭代的产品原型。

产品闭环

从问题、流程、输出到边界

本地 AI

模型、OCR、Agent 工具链

工程边界

访问控制、资源配额、数据隔离

JD Analyzer online
职位描述智能分析
粘贴 JD 文本后,抽取岗位职责、任职要求、AI 真实度、企业审计线索,并对原文关键段落做高亮。
AI PM 岗位分类 风险提示 企业审计
78%
可靠性
Stable Local OCR online
截图上传
拖入招聘截图
或工作流上传图片
OCR 结果
噪声过滤
PP-OCRv5 噪声过滤 规则兜底

核心作品

两个作品分别覆盖招聘文本分析和截图 OCR 识别,展示从需求识别、模型编排到可用界面的完整产品思考。

JD Analyzer
招聘分析

面向招聘与求职决策的职位描述分析工具,将非结构化 JD 转换为岗位画像、风险提示和企业核验线索。

analysis stream V2 / Qwen / V4
输入

AI 产品经理 JD、岗位职责、任职要求、公司信息和薪资描述。

输出

角色分类、关键词、原文高亮、可靠性评分和企业审计结果。

原文高亮 可靠性评估 企业审计
产品重点 可解释分析
交付形态 在线演示
后续方向 投递辅助
Stable Local OCR
本地 OCR

面向招聘截图和浏览器工作流的 OCR 工具,提升识别稳定性,并将页面噪声过滤为可继续处理的结构化文本。

online workflow /stable-ocr/
识别前

招聘截图、聊天侧栏、按钮文案、重复 UI 元素混在一起。

清洗后

保留岗位正文、薪资地点、职责要求,过滤界面噪声。

PaddleOCR Tesseract fallback DeepSeek clean
产品重点 稳定识别
接口形态 前端 + API
默认场景 招聘截图

产品判断

每个作品都围绕业务问题、解决方案、输出结果和交付边界展开,突出产品定义能力与工程落地能力。

JD Analyzer 案例

把模糊 JD 拆成候选人能判断的结构化信息。

问题

AI 岗位描述真假难辨,候选人很难快速判断投入价值。

方案

用抽取、可靠性评估和企业审计组成分析链路。

输出

结构化字段、原文证据、风险提示和后续核验建议。

交付

采用演示环境隔离、调用额度控制和接口收敛,确保体验可控。

Stable Local OCR 案例

把截图里的职位信息稳定转成可进入后续工作流的文本。

问题

浏览器截图常包含按钮、侧栏和残缺文字,直接识别会污染结果。

方案

常驻 OCR worker、规则过滤和可选模型清洗分层处理。

输出

支持 Markdown、纯文本和 JSON,能被 JD Analyzer 继续使用。

交付

支持轻量化部署,模型不可用时保留规则清洗能力,保证基础流程可用。

从需求到交付的演进

作品从具体业务场景切入,逐步补齐输入链路、模型路由、产品交互和发布治理。

01

岗位分析

从 AI 产品经理求职场景出发,确定 JD 分析和企业审计的核心问题。

02

OCR 稳定化

补齐截图输入链路,让浏览器和招聘页面里的图片也能进入分析流程。

03

本地模型路由

按任务选择本地模型、API 模型和规则兜底,降低单点依赖。

04

发布治理

区分演示入口、服务接口和运行数据,控制访问范围与资源消耗。

体验在线作品

两个作品均提供在线体验入口,可直接查看职位分析与 OCR 识别流程的核心交互。