南京大学（985）｜数字建筑方向｜硕士研一在读｜CET-6 552
01 · Intro
Hello,
我是 潘雨禾 — Generative AI 最擅长的事情不是替人完成整个从 0 到 1 的过程，而是在已有的想法和判断上，推进 0.5到1 的成型。
The best outputs begin before the prompt.
Architecture
Simulation
AI Workflow
AI
Space
City
Graph
Image
Logic dissects problems; practice validates ideas.
南京大学数字建筑方向硕士研一在读，关注空间多模态 AIGC、视觉图像智能解析与 AI 辅助产品工程落地。我的工作方式是把复杂空间问题拆解为产品流程、结构化数据与可演示 Demo。
我习惯用结构化方式梳理复杂需求，快速抓住核心脉络，并把抽象想法推进成可验证、可迭代的原型方案。
空间多模态 AIGC、视觉图像智能解析、AI 辅助产品工程落地
校一等奖学金、校三好学生、校优秀学生干部等
AI 原型开发、Claude Code、Figma、PRD、用户流程图、Python、JSON、Git、Markdown、系统架构说明
03 · Project One
PalXAI turns natural language into 3D creation flows.
PalXAI 造物引擎是湖南卫视 / 芒果TV《夺金2026》获奖项目，面向创意 3D 造物与个性化定制场景，探索从自然语言输入到任务规划、多模态生成和结果校验的端到端 AI 生成产品链路。
我主要负责需求拆解、用户体验链路设计与 AI Agent 流程工程化落地：梳理普通用户从创意输入到结果生成的完整操作路径，定位输入模糊、生成不可控两类核心痛点，并用结构化引导降低用户输入门槛。
在原型实现阶段，我借助 Codex、Claude Code 快速迭代交互 Demo，拆解任务分发、模型校验、失败重试与结果反馈逻辑，搭建「规划器 - 执行器 - 校验器」闭环工作流；同时对接用户反馈与数据指标，优化前置可行性判断、无效需求过滤和整体生成成功率，最终产出可交互网页 Demo、流程交互文档与模块接口规范。
“自然语言输入 → 任务规划 → 多模态模型生成 → 结果校验输出。”
04 · Project Two
AI reads floor plans as structured spatial data.
论文在投 · 发明专利申请中
AI 建筑平面图智能解析与矢量化系统是一个空间数据智能化产品原型，结合 Claude Code 与视觉大模型，让用户输入平面图像后，系统自动识别画面内元素，并输出结构化、可复用的数据。
我作为主要负责人，负责全链路产品架构设计：搭建「图像输入 - 视觉元素识别 - 关系解析 - 矢量结构化输出 - 结果校验」完整流程，对标游戏 VLM 识图产品架构，独立输出 PRD、功能结构图与交互原型；同时通过 Vibe Coding 快速落地视觉逻辑，结合计算机视觉与 LLM，使用 Claude Code 批量编写图像识别后处理、语义匹配与异常兜底逻辑，解决原图遮挡、模糊带来的识别偏差问题，提升画面识别容错率。
6 mo
项目周期
5万+
Coding 代码量
92%
综合准确率 · 高于同类论文结果
12000+
户型平面数据集
“把一张不可计算的平面图，转译为可识别、可校验、可复用的空间数据。”
05 · Selected Projects
Three project entries become the doorway into the work.
以下是三个我正在推进的小项目：一个面向生活表达的轻量创作工具，一个展览空间中的人流模拟实验，以及一个基于手势的粒子交互 Demo。 它们不只是结果展示，也记录了我如何把产品判断、空间逻辑和 AI 协作方法落到可运行的原型里。
Part 02 / 03
Dynamic Exhibition Space
Open case study →Three.js · semantic model · crowd simulation
06 · Working Methods
How I work with AI as a long-term collaborator.
我使用 AI 并不是把每一次对话当成孤立提问，而是把它放进一个持续演化的项目系统里。代码、文档和原型可以由 AI 快速生成，但真正决定方向的是我对问题、取舍和阶段目标的判断。因此，我会把重要决策沉淀成自己能随时理解和修改的北极星文档，用主窗口与子窗口分工处理执行和监督，并持续管理文档与代码的生命周期，避免项目在快速生成中变得臃肿、失焦或相互矛盾。
method archive · AI workflow →North Star
Document
北极星文档
把阶段判断写成 AI 可以持续对齐的方向文件。
项目推进中，方向和取舍经常会变化；如果只停留在对话里，关键判断很容易散掉。北极星文档让我用自己能掌控的语言记录最新决策，再让 AI 对照复杂文档和代码上下文，减少误解、漏改和前后不一致。
Decision · AlignmentSupervised
Agents
主子窗监督
根据任务的上下文密度，决定主窗口和子窗口如何分工。
这样做的核心是把速度和可靠性分开处理。边界清晰的任务可以交给子窗口并行执行，由主窗口审查收口；高上下文任务则由主窗口推进，子窗口负责检查遗漏、对照约束和提醒风险。
Execution · ReviewLifecycle
Thinking
全生命周期化
让 AI 生成的文档、代码和中间产物都有去留规则。
AI 的生成速度很快，如果不及时清理，临时说明、草稿和实现分支会反过来干扰后续判断。我会持续区分稳定资产、临时脚手架和历史记录，让项目保持可读、可维护，也让下一轮 AI 更容易接上真实结构。
Cleanup · Continuity07 · Knowledge Graph
My Obsidian vault works like a personal knowledge graph.
这一页用五张面板展示我的 AI 知识库：它如何收集动态信息、如何沉淀实体卡片、如何建立横向比较，如何通过模板把零散知识整理成可检索、可复用的个人体系，以及我如何把这些积累转化为公开输出。
Mind map as a living index
Panel 01 / 05From incoming signals to reusable knowledge
Clippings
视频、播客、文章、新闻先进入临时收集区
→
Process Skill
检索、去重、分类，并识别需要更新的实体
→
Signals
动态内容被整理进新闻、文章、播客、视频词条
→
Entities
人物、公司、模型、工具、Skill 等卡片被补全
→
Database
标记 has updated，提醒我逐条阅读和确认
我的知识库会把近期看到的信息先暂存在 Clippings 中，再通过 Process skill 处理：它会辅助检索重复内容、判断应该进入哪类 Signal 词条，并识别新闻、播客、视频里出现的重要人物、概念、模型、公司或项目是否已经有实体卡。如果缺失，我可以决定是否新建卡片；如果已有卡片被相关内容更新，Database 会显示 has updated，提醒我之后逐条阅读、确认并取消更新标记。
Panel 03 / 05
Four layers organize the vault
Entity Cards
Skills · GitHub Projects · People · Orgs · Models
Evaluations
同类工具、模型与项目的横向比较
Topics
围绕命题重组分散卡片并建立双向链接
Signals
新闻、文章、教程、播客和视频的动态输入
Panel 04 / 05
Templates make every note comparable
Skill / Workflow
流程、边界与结构图
- 摘要与核心任务
- 关键结构与工作方式
- Mermaid 流程图
- 适用场景 / 不适用场景
- 研究备注与后续比较
Project / Repo
架构、依赖与复用价值
- 仓库基本信息
- 组件结构与数据流向
- 外部依赖和输出目标
- 相关组织、模型、工具
- 是否进入 Evaluation
Entity Cards
能力关系与更新状态
- 人 / 组织 / 模型 / 工具
- 核心能力与已知边界
- 相关专题和关联实体
- 来源、版本与更新点
- 个人判断和待补充问题
Signal / Topic / Eval
动态输入到横向判断
- 文章、新闻、播客来源
- 核心论点与要点提炼
- 关联实体和缺失卡片
- 统一任务集与测评结果
- 围绕命题重组双向链接
模板的作用不是把笔记写得整齐，而是让不同来源的信息都能转成可比较、可追踪、可再次检索的对象；当新的 Signal 进入知识库时，我可以快速判断它更新了哪些实体、补足了哪些关系，以及是否值得形成新的专题或测评。
Panel 05 / 05
From knowledge database to public output
08 · Contact
Get in touch.
13799903807@163.com© 2026 PAN YUHE · MADE WITH CURIOSITY + AI