返回AI笔记
AI Day 42

AI Day 42: CeFi × DeFi × AI 融合(2) — 案例分析与职业定位

AI Day 42: CeFi × DeFi × AI 融合(2) — 案例分析与职业定位

2026-05-13
融合案例产品机会职业定位Phase3总结OndoGauntletChainalysisStripe

日期: 2026-05-13 阶段: Phase 3 — 行业AI应用 (金融+零售) — Phase 3 Final Day 主题: Fusion Case Studies + Top 10 Product Opportunities + Career Positioning 进度: Day 1-41 ✅ | Day 42 ← current 标签: #融合案例 #产品机会 #职业定位 #Phase3总结 #Ondo #Gauntlet #Chainalysis #Stripe

学习路径 (50-Day Full Tree)

AI/LLM 深度技术学习 50天计划
├── 第一阶段：模型基础 (Day 1-15) ✅
│   ├── Day 1-7:   Transformer/量化/训练/Prompt/RAG/向量DB/FineTune ✅
│   ├── Day 8-11:  推理优化/长上下文/多模态/Reasoning ✅
│   └── Day 12-15: Agent/MCP/评估/阶段总结 ✅
│
├── 第二阶段：工程实践 (Day 16-30) ✅
│   ├── Day 16-18: 应用架构/安全/可观测性 ✅
│   ├── Day 19-21: 生产级RAG三部曲 ✅
│   ├── Day 22-25: Agent工程化四部曲 ✅
│   └── Day 26-30: 成本/编排/测试/案例/总结 ✅
│
├── 第三阶段：金融零售AI应用 (Day 31-42) ✅
│   ├── Day 31: 金融AI(1)：智能风控与反欺诈 ✅
│   ├── Day 32: 金融AI(2)：智能投顾与量化策略 ✅
│   ├── Day 33: 金融AI(3)：合规科技与监管AI ✅
│   ├── Day 34: 金融AI(4)：信贷全链路AI ✅
│   ├── Day 35: 金融AI总结 — PM视角的AI重塑金融 ✅
│   ├── Day 36: 零售AI(1)：推荐系统与个性化 ✅
│   ├── Day 37: 零售AI(2)：智能客服与对话系统 ✅
│   ├── Day 38: 零售AI(3)：供应链预测与优化 ✅
│   ├── Day 39: 零售AI(4)：智能营销与用户增长 ✅
│   ├── Day 40: 零售AI总结 — PM视角零售智能化全景 ✅
│   ├── Day 41: CeFi × DeFi × AI 融合架构(上) ✅
│   └── Day 42: CeFi × DeFi × AI 融合(下) + 职业定位 ← 你在这里
│
└── 第四阶段：面试冲刺 (Day 43-50)
    ├── Day 43-46: 系统设计面试
    ├── Day 47-49: 产品/架构面试模拟
    └── Day 50: 总结与作品集

一、融合案例分析

Case 1: Ondo Finance — RWA + AI 的标杆

公司概况:
  定位: 链上国债和机构级金融产品
  核心产品: OUSG(链上美国国债) / USDY(收益稳定币)
  TVL: >$3B (2026年)
  融资: $34M (Pantera/Coinbase Ventures/Tiger Global)
  团队: 前Goldman Sachs交易员创建

为什么Ondo是CeFi×DeFi融合标杆:

CeFi端:
  ├── 资产: 真正的美国国债(BlackRock/Fidelity管理)
  ├── 合规: SEC注册 / 合格投资者认证
  ├── 托管: 机构级合格托管(Clear Street)
  └── 审计: 四大审计 + 链上实时验证

DeFi端:
  ├── Token化: ERC-20代币, 链上可转让
  ├── 可组合: 可以在Aave/Compound中做抵押品
  ├── 透明: 储备证明链上可查
  └── 24/7: 任何时间可交易(vs 传统债券市场)

AI增强机会(2025-2026正在发生):
  ├── 智能分配: AI根据收益率变化自动调整国债组合
  ├── 风险监控: AI实时监控底层资产风险(利率/信用)
  ├── 合规自动化: LLM自动生成合规报告/投资者通知
  ├── 智能路由: AI选择最优赎回路径(哪个流动性池)
  └── 客户服务: AI客服解答RWA产品问题

PM学习要点:
  1. 产品设计: 如何让"国债"这种无聊资产在链上有吸引力?
     → 可组合性(做DeFi抵押品) + 低门槛($100起) + 24/7流动性
  2. 信任建设: 链上资产如何证明链下储备?
     → 四大审计 + 链上证明 + 实时NAV更新
  3. 合规平衡: 如何既合规又保持DeFi的开放性?
     → 白名单制(KYC后获取转账资格) + 二级市场有限开放

Case 2: Gauntlet — DeFi风控 + AI 的先驱

公司概况:
  定位: DeFi协议的风险管理平台
  客户: Aave/Compound/Morpho/Benqi等头部DeFi协议
  模式: B2B SaaS → 为DeFi协议提供风险分析和参数建议
  融资: $50M+ (Polychain/Ribbit Capital)
  团队: 前Jane Street/Two Sigma量化交易员

Gauntlet做了什么:

核心能力:
  1. 参数优化
     Aave的清算阈值/抵押率/利率曲线 → 不是人拍脑袋定的
     Gauntlet用Agent-Based Simulation模拟不同参数下的协议表现:
     ├── 模拟1000个不同市场场景
     ├── 评估坏账风险/清算效率/资金效率
     └── 推荐最优参数组合 → 提交治理提案

  2. 风险监控
     实时监控:
     ├── 大仓位的健康因子变化
     ├── 连环清算风险(某价格下有多少仓位同时清算?)
     ├── Oracle偏移(喂价是否准确?)
     └── 异常交易模式(闪电贷攻击前兆?)

  3. 危机应对
     当市场剧烈波动时:
     ├── 实时风险评估报告
     ├── 紧急参数调整建议
     └── 事后分析和改进方案

AI增强(2025-2026进化):
  ├── LLM风险报告: 自动生成人类可读的风险分析报告
  ├── 预测模型: ML预测未来清算事件的概率和规模
  ├── 异常检测: AI识别新型攻击模式(不只是已知模式)
  ├── 自然语言查询: "Aave V3在ETH跌30%时的坏账预估?"
  └── Agent: 自动执行紧急参数调整(社区授权范围内)

PM学习要点:
  1. B2B DeFi: DeFi不只有C端产品, B2B工具市场巨大
  2. 量化思维: DeFi风控需要量化金融+工程+AI的交叉能力
  3. 治理整合: 参数建议→治理提案→社区投票→执行 (独特的PM流程)
  4. 商业模式: SaaS收费 + Token顾问费 + 协议治理参与

Case 3: Chainalysis — 链上合规 + AI 的独角兽

公司概况:
  定位: 区块链数据分析和合规解决方案
  客户: 100+ 政府机构 / 500+ 金融机构 / 交易所/DeFi协议
  估值: >$8B (2026年)
  融资: $500M+ (Accel/Benchmark/GIC)
  核心: 将链上匿名数据→可追踪的合规情报

Chainalysis的产品矩阵:

1. KYT (Know Your Transaction)
   实时交易监控:
   ├── 每笔交易评估风险等级
   ├── 识别高风险来源(混币器/暗网/制裁地址)
   ├── 计算"风险传导"(资金经过几手后到达)
   └── 对接交易所/银行的AML系统

2. Reactor (调查工具)
   链上取证:
   ├── 可视化资金流向图谱
   ├── 跨链追踪(BTC→ETH→L2)
   ├── 地址聚类(哪些地址属于同一实体)
   └── 与执法机构合作破案(实际追回数十亿美元被盗资金)

3. Market Intel (市场情报)
   链上数据分析:
   ├── 协议健康度指标
   ├── 大户行为追踪
   ├── 市场趋势分析
   └── 投资决策支持

AI增强(2025-2026):
  ├── 图神经网络(GNN): 更精准的地址聚类和关联分析
  ├── 异常检测ML: 自动识别新型洗钱模式
  ├── LLM报告: 自动生成案件分析报告(给执法机构)
  ├── 预测模型: 预测哪些地址将来可能参与非法活动
  └── NLP法规追踪: 自动解析全球Crypto法规变更

PM学习要点:
  1. 两面市场: 同时服务政府(合规)+Crypto公司(自查) — 利益平衡
  2. 数据壁垒: 10年的链上标签积累 → 竞争对手极难复制
  3. 合规基础设施: Chainalysis是Crypto合规的"必备工具", 类似传统金融的Bloomberg
  4. 增长飞轮: 更多客户→更多数据→更准确→更多客户

Case 4: Stripe — 支付 + AI + Crypto 的融合

公司概况:
  定位: 全球互联网支付基础设施
  规模: 处理全球约1%的GDP
  估值: ~$70B (2026年)
  Crypto战略: 从2022年的暂停到2024-2026年的全面拥抱

Stripe的CeFi×DeFi×AI融合路径:

Phase 1 (2024): 重新拥抱Crypto
  ├── USDC支付: 商家可以用USDC收款
  ├── 法币→Crypto入金: Stripe Onramp(一键买Crypto)
  └── Crypto→法币出金: Stripe Offramp(一键卖Crypto)

Phase 2 (2025): 深度集成
  ├── 多链支持: Ethereum/Solana/Base/Polygon
  ├── DeFi收益: 商家闲置资金自动获取DeFi收益
  ├── RWA结算: 支持Token化资产的结算
  └── 合规套件: 内置KYC/AML(Chainalysis集成)

Phase 3 (2026): AI融合
  ├── 智能路由: AI选择最优支付路径(法币/Crypto/跨境)
  ├── 欺诈检测: AI同时分析链上+链下交易模式
  ├── 收益优化: AI自动在CeFi/DeFi间分配闲置资金
  └── 合规自动化: LLM处理跨境支付合规文档

PM学习要点:
  1. 用户不感知基础设施升级
     用户在商家网站付款 → Stripe后端可能用了链上结算
     → 最好的Crypto产品是用户不知道自己在用Crypto的产品
  2. 基础设施的网络效应
     Stripe商家越多 → 支持Crypto的商家越多 → Crypto支付更便利
     → 飞轮效应
  3. 合规作为竞争优势
     Stripe在全球46+个国家有支付牌照
     → 在这些国家提供Crypto服务的合规成本极低
     → 竞争对手(纯Crypto公司)需要从零申请牌照

二、产品机会Top 10 (按可行性×市场×竞争排序)

评估框架

每个机会评估三个维度(1-5分):

可行性 (Feasibility):
  5 = 技术成熟, 可立即启动
  3 = 技术可用, 需要1-2年完善
  1 = 概念阶段, 技术不成熟

市场规模 (Market):
  5 = 百亿美元级+快速增长
  3 = 十亿美元级+稳定增长
  1 = 亿级或待验证

竞争强度 (Competition, 越低越好):
  5 = 蓝海, 几乎无竞争
  3 = 有竞争但有差异化空间
  1 = 红海, 巨头林立

总分 = 可行性 × 市场 × (6-竞争) / 10
  → 可行性高 + 市场大 + 竞争少 = 最佳机会

Top 10 排序

#1: RWA合规中间件 (RWA Compliance Middleware)
    可行性: 4  |  市场: 5  |  竞争: 4(低)  |  总分: 4.0
    ────────────────────────────────────
    做什么: 为RWA Token化项目提供一站式合规解决方案
    包含: KYC/AML模块 + 白名单管理 + 合规报告 + 监管接口
    AI增强: LLM自动生成合规文档 + AI风险评估
    为什么现在:
      ├── RWA TVL从$5B→$30B, 增长600%
      ├── 每个RWA项目都需要合规, 但没有标准方案
      └── 你的金融合规经验 = 核心竞争力

#2: AI DeFi风控即服务 (AI DeFi Risk-as-a-Service)
    可行性: 4  |  市场: 4  |  竞争: 3(中)  |  总分: 4.8
    ────────────────────────────────────
    做什么: 为DeFi协议提供AI风控分析和参数建议
    对标: Gauntlet, 但更AI-native
    差异化: LLM报告+预测模型+Agent自动调参
    为什么现在:
      ├── Gauntlet证明了市场需求
      ├── AI能力大幅降低进入门槛
      └── 新DeFi协议持续涌现, 都需要风控

#3: 跨CeFi-DeFi智能投顾 (Cross-CeFi-DeFi AI Advisory)
    可行性: 3  |  市场: 5  |  竞争: 5(蓝海)  |  总分: 1.5×5=7.5→实际3.0
    ────────────────────────────────────
    做什么: 同时管理传统资产+Crypto+DeFi收益的AI投顾
    用户: "我有10万, 帮我在股票/债券/BTC/DeFi中最优配置"
    AI: 根据用户风险偏好+市场状况→跨CeFi/DeFi自动配置
    为什么有潜力:
      ├── 没有现有产品同时做CeFi+DeFi投顾
      ├── 用户需求真实(很多人同时有股票账户和Crypto)
      └── AI让复杂的跨市场配置变得可能

#4: 链上信用评分 (On-Chain Credit Score)
    可行性: 3  |  市场: 4  |  竞争: 4(低)  |  总分: 3.6
    ────────────────────────────────────
    做什么: 基于链上行为的信用评分系统
    数据: 链上交易历史+DeFi使用+还款记录+资产持有
    AI: ML模型评估信用风险 → 为链上借贷提供信用参考
    为什么现在:
      ├── DeFi借贷仍然100%超额抵押 → 效率低
      ├── 链上信用评分可以降低抵押率 → 释放资本效率
      └── 你的信贷AI经验(Day 34)直接可用

#5: AI智能合约安全平台 (AI Smart Contract Security Platform)
    可行性: 4  |  市场: 4  |  竞争: 3(中)  |  总分: 4.8
    ────────────────────────────────────
    做什么: AI驱动的智能合约审计+持续监控平台
    差异化: LLM理解业务逻辑(不只是代码模式匹配)
    模式: CI/CD集成 + 持续监控 + 保险联动
    为什么现在:
      ├── 每年$3B+被黑损失 → 巨大需求
      ├── LLM代码理解能力已足够
      └── 从"一次性审计"→"持续安全"的市场转变

#6: 金融AI合规助手 (Financial AI Compliance Copilot)
    可行性: 5  |  市场: 4  |  竞争: 2(高)  |  总分: 8.0→但竞争扣分→3.2
    ────────────────────────────────────
    做什么: 为金融机构合规团队提供AI助手
    包含: 法规检索(RAG) + SAR撰写(LLM) + 合规问答 + 培训
    为什么可行:
      ├── 技术成熟(RAG+LLM已验证)
      ├── 市场需求明确(合规人力成本极高)
      └── 金融经验是PM的核心竞争力
    挑战: 大厂(Bloomberg/LSEG)和创业公司都在做

#7: Web3营销自动化 (Web3 Marketing Automation)
    可行性: 3  |  市场: 3  |  竞争: 4(低)  |  总分: 2.7
    ────────────────────────────────────
    做什么: 面向Web3项目的营销工具
    包含: 链上用户分群 + Token激励设计 + 空投优化 + 社区分析
    AI增强: LLM内容生成 + AI社区管理 + 归因分析
    为什么有机会:
      ├── Web3项目缺乏专业营销工具
      ├── 链上数据公开→分析能力是差异化
      └── Web2营销AI经验(Day 39)可迁移

#8: DeFi × 零售 Token忠诚度 (DeFi × Retail Token Loyalty)
    可行性: 2  |  市场: 4  |  竞争: 5(蓝海)  |  总分: 0.8→潜力大但可行性低→2.0
    ────────────────────────────────────
    做什么: 用Token机制重构零售忠诚度计划
    对比: 积分→Token, 会员卡→NFT, 优惠券→链上凭证
    优势: 可交易/可组合/透明/用户拥有
    挑战: 用户教育成本高 + 法规不确定 + 技术摩擦大

#9: AI Agent DeFi理财 (AI Agent DeFi Wealth Management)
    可行性: 2  |  市场: 5  |  竞争: 4(低)  |  总分: 2.0
    ────────────────────────────────────
    做什么: AI Agent代用户管理DeFi资产
    用户: "帮我用1万USDC赚最高安全收益"
    Agent: 自动选协议/链/策略 + 风控 + 再平衡
    挑战: 安全(Agent被黑=全部资金损失) + 信任 + 合规

#10: 去中心化AI风控网络 (Decentralized AI Risk Network)
     可行性: 1  |  市场: 3  |  竞争: 5(蓝海)  |  总分: 1.0
     ────────────────────────────────────
     做什么: 多个金融机构共享AI风控能力(不共享数据)
     技术: 联邦学习 + ZK证明 + 链上协调
     愿景: 银行A检测到欺诈模式→加密分享给银行B→全网防护升级
     挑战: 技术极不成熟 + 机构合作意愿 + 合规挑战

机会矩阵总结

             高可行性
                │
    #6合规助手  │  #1 RWA合规    #2 DeFi风控
    #5安全平台  │
                │
   小市场 ──────┼────── 大市场
                │
    #7 Web3营销 │  #3 跨域投顾   #9 Agent理财
    #10 去中心化│  #4 链上信用   #8 Token忠诚
                │
             低可行性

→ 右上象限(高可行+大市场): #1 #2 #5 = 立即可启动
→ 右下象限(低可行+大市场): #3 #4 #9 = 2-3年后的机会
→ 左上象限(高可行+小市场): #6 = 稳但难做大
→ 左下象限: #8 #10 = 长期愿景

三、个人职业定位

10年金融零售 + Web3 + AI 的稀缺组合

能力盘点:

10年金融零售经验给我的:
  ├── 深度理解金融监管(不只是知道有, 而是经历过合规审查)
  ├── 理解"钱"的产品和"信息"的产品本质区别(容错性)
  ├── 知道银行/保险/支付的真实业务流程(不是教科书版)
  ├── 经历过系统改造/数据治理/上线评审(不是理论设计)
  ├── 理解组织惯性和变革管理(技术可行≠组织愿意)
  └── 零售/电商/会员系统的产品设计经验

Web3 90天学习给我的:
  ├── 理解DeFi核心机制(AMM/借贷/稳定币)
  ├── 能读懂智能合约(Solidity基础)
  ├── 理解Token经济设计(激励/治理/分配)
  ├── 了解L2/跨链/MEV/AA等前沿技术
  ├── 有链上操作经验(真实使用过各种协议)
  └── 写过6+篇产品分析文章

AI 50天学习给我的:
  ├── 理解LLM/Agent的真实能力边界(不是PPT上写的)
  ├── 掌握RAG/Agent工程化的完整方法论
  ├── 能与工程师用专业语言沟通(不是"帮我做个AI")
  ├── 知道金融AI的约束下哪些方案可行、哪些不可行
  ├── 理解零售AI的核心场景(推荐/客服/供应链/营销)
  └── 知道CeFi×DeFi×AI融合的产品机会在哪里

目标岗位分析

一级目标 (最匹配):

1. Fintech AI Product Manager
   公司: Stripe/Adyen/Block/Revolut/蚂蚁
   职责: 设计AI驱动的金融产品(支付/借贷/投顾/合规)
   匹配度: ★★★★★
   优势: 金融经验+AI理解 = 完美匹配
   薪资: $150K-$250K (远程)

2. DeFi/Web3 Product Lead
   公司: Ondo/Aave/Uniswap/Compound/Fireblocks
   职责: DeFi协议产品设计/RWA产品/机构DeFi
   匹配度: ★★★★☆
   优势: 金融+Web3交叉, 理解机构需求
   薪资: $120K-$200K + Token

3. Crypto Compliance Product Manager
   公司: Chainalysis/Elliptic/Coinbase
   职责: 链上合规产品设计/AML工具/风控系统
   匹配度: ★★★★☆
   优势: 金融合规经验+链上理解+AI
   薪资: $130K-$220K

二级目标 (有机会):

4. AI-First Banking/Insurance Product
   公司: Nubank/Chime/Monzo/Lemonade
   职责: 传统金融+AI重构
   匹配度: ★★★★☆
   优势: 深度金融经验+AI理解
   薪资: $140K-$230K

5. Retail AI Product Manager
   公司: Amazon/Shopify/Alibaba
   职责: 推荐/客服/营销/供应链AI产品
   匹配度: ★★★☆☆
   优势: 零售经验+AI理解
   薪资: $150K-$250K

6. RWA/Tokenization Product Lead
   公司: Ondo/Centrifuge/Securitize/Backed
   职责: 资产Token化产品设计
   匹配度: ★★★★☆
   优势: 金融资产理解+Web3
   薪资: $120K-$180K + Token

技能差距分析

已具备的核心能力 (Strong):
  ├── 金融业务理解 (10年) ██████████ 10/10
  ├── 零售业务理解 (10年) ██████████ 10/10
  ├── 产品管理/需求分析   █████████░ 9/10
  ├── 合规/风控理解       ████████░░ 8/10
  └── 架构设计思维       ███████░░░ 7/10

快速建立的能力 (Building):
  ├── AI/LLM工程理解     ███████░░░ 7/10 (50天学习)
  ├── Web3/DeFi理解      ██████░░░░ 6/10 (90天学习)
  ├── 数据分析(Dune SQL)  █████░░░░░ 5/10
  └── 智能合约阅读       ████░░░░░░ 4/10

需要补强的能力 (Gap):
  ├── 英文沟通能力        █████░░░░░ 5/10 → 需要提升到7/10
  ├── 面试表达能力        ████░░░░░░ 4/10 → 需要模拟练习
  ├── 个人品牌/影响力      ███░░░░░░░ 3/10 → 需要写文章/发Twitter
  ├── 作品集展示          ████░░░░░░ 4/10 → momoweb3项目+文章
  └── Networking          ██░░░░░░░░ 2/10 → 需要主动社交

补强计划(Phase 4: Day 43-50):
  Day 43-46: 系统设计面试练习(核心短板)
  Day 47-49: 产品/架构面试模拟(表达能力)
  Day 50: 总结+作品集+求职计划

持续补强(Day 50之后):
  ├── 每周写1篇英文分析文章(Twitter/Mirror)
  ├── 每周参加2个Web3/AI项目Discord讨论
  ├── 每月做2次模拟面试(找朋友/社区)
  └── 持续更新momoweb3项目

四、Phase 3 总结 (Day 31-42 全回顾)

Phase 3 完整知识图谱

Phase 3: 金融零售AI应用 (12天)
│
├── 金融AI (Day 31-35) ─── 在强约束下做风险决策
│   ├── Day 31: 风控 → 三层架构(规则+ML+LLM), 100ms延迟, LLM增强非替代
│   ├── Day 32: 投顾 → KYC→配置→服务, LLM让投顾从模板到个性化
│   ├── Day 33: 合规 → AML/KYC/报告, LLM自动化80%文书工作
│   ├── Day 34: 信贷 → 全链路(获客→审批→风控→催收), AI评分卡+LLM解释
│   └── Day 35: 总结 → 金融AI公式=f(AI能力,业务理解,合规设计,用户信任)
│
├── 零售AI (Day 36-40) ─── 在海量数据中做增长决策
│   ├── Day 36: 推荐 → 召回→粗排→精排→重排, LLM语义理解+解释生成
│   ├── Day 37: 客服 → 规则→NLU→LLM三代, RAG+Agent, 80/20人机协作
│   ├── Day 38: 供应链 → 需求预测+库存优化, LLM分析非结构化数据
│   ├── Day 39: 营销 → 找对人+说对话+选对时, LLM内容生产成本降100x
│   └── Day 40: 总结 → 零售AI核心=重构人货场关系, 信息茧房是终极难题
│
└── CeFi×DeFi×AI融合 (Day 41-42) ─── 三者交叉的稀缺定位
    ├── Day 41: 融合架构 → RWA/合规DeFi/Custody + AI审计/MEV/做市/风控
    └── Day 42: 案例+定位 → Ondo/Gauntlet/Chainalysis/Stripe + Top10机会

Phase 3 核心收获Top 10

1. 金融AI的约束就是创新
   "任何人都能建一个强大的模型, 但只有优秀的PM能让它在规则之内运行"

2. 零售AI的核心是重构人货场
   从"人找货"→"货找人"→"AI代购", 每一代都是范式转变

3. LLM不是替代ML, 而是增强ML
   风控/推荐/预测: ML做实时决策, LLM做分析/解释/增强

4. 人机协作 > 全面替代
   客服80/20 / 投顾AI建议+人工确认 / 风控AI初筛+人工复核

5. 增量测试是金标准
   不是"用了AI→指标提升", 而是"对照组证明AI带来了多少增量"

6. 可解释性从"nice to have"到"must have"
   金融: 法定要求 / 零售: 商业选择 → 但两者都在趋严

7. CeFi和DeFi的边界正在模糊
   BlackRock发Token / Aave做机构版 → 5年后可能不再区分

8. AI是CeFi×DeFi融合的催化剂
   AI Agent连接两个世界 / AI审计信任桥 / AI合规自动化

9. 数据是真正的壁垒
   模型可复制, 数据不可复制(Chainalysis的10年标签)

10. 三者交叉 = 极度稀缺的PM定位
    懂金融约束 + 懂DeFi机制 + 懂AI能力边界 = <500人

Phase 1-3 能力建设总览

Phase 1 (Day 1-15): 理解AI技术底层
  → 知道LLM怎么工作 / RAG怎么做 / Agent是什么
  → "能和工程师用专业语言沟通"

Phase 2 (Day 16-30): 理解AI工程实践
  → 知道怎么做安全/监控/测试/成本优化
  → "能评估AI方案的可行性和风险"

Phase 3 (Day 31-42): 理解AI在行业中的应用
  → 知道金融/零售/融合场景中AI怎么落地
  → "能设计AI产品并推动落地"

三个Phase的递进关系:
  技术理解(How it works) → 工程实践(How to build) → 行业应用(What to build)
  → Phase 4(Day 43-50)将聚焦: How to present(面试冲刺)

今日思考 (Reflections)

思考1: "稀缺性"是求职的最大杠杆

求职市场的定价逻辑:
  价值 = f(能力, 需求, 供给)

  高能力+高需求+高供给 = 中等薪资 (例: React开发者)
  中能力+高需求+低供给 = 高薪资   (例: CeFi×DeFi×AI PM)

  → 不是能力最强的人拿最高薪
  → 而是"最难找到的能力组合"拿最高薪

我的稀缺性来源:
  ├── 10年金融零售(供给: 100万人)
  ├── +Web3理解(供给缩小到: 3千人)
  ├── +AI工程理解(供给再缩小到: 200-500人)
  └── +能用英文沟通(供给再缩小到: 100-200人)

  → 不需要每个领域都是专家
  → 只需要在交叉点上足够深 + 能整合表达
  → 面试的核心不是证明"我懂AI", 而是证明"我能在金融约束下设计AI产品"

思考2: Phase 3让我理解了"PM的不可替代性"

AI在替代很多工作, 但金融AI PM是难以被AI替代的:

可被AI替代的工作:
  ├── 写代码 → Copilot/Cursor
  ├── 写文档 → LLM生成
  ├── 数据分析 → AI自动分析
  └── 合规文书 → LLM自动撰写

难以被AI替代的工作:
  ├── 判断"这个AI功能是否满足监管要求" → 需要监管经验+AI理解
  ├── 决定"先做风控还是先做客服" → 需要业务优先级判断
  ├── 设计"用户信任AI做投资决策的体验" → 需要用户心理理解
  ├── 平衡"合规约束 vs 用户体验 vs 商业目标" → 需要多目标权衡
  └── 推动"让风控团队接受AI决策" → 需要组织影响力

  → AI让PM的"执行"工作减少
  → 但让PM的"判断"工作更重要
  → 未来PM的核心价值 = 在不确定性中做正确判断

思考3: 从学习者到实践者的转变

Day 1-42的旅程:
  Day 1: "AI/LLM是什么? Transformer怎么工作?"
  Day 15: "原来AI工程是这样做的"
  Day 30: "原来生产环境有这么多考虑"
  Day 35: "金融AI不是上模型, 而是在约束下设计产品"
  Day 40: "零售AI不是做推荐, 而是重构人货场关系"
  Day 42: "我知道自己在哪个交叉点上有独特价值"

接下来Phase 4(Day 43-50)的目标:
  从"我学到了什么" → "我能做什么" → "我能证明什么"

  Day 43-46: 系统设计面试
    → 在45分钟内设计一个金融AI系统
    → 展示技术深度+业务理解+约束处理

  Day 47-49: 产品面试模拟
    → 回答"为什么选你?"
    → 展示稀缺组合+思考深度+实战经验

  Day 50: 总结+作品集
    → momoweb3项目上线
    → 6+篇产品分析文章
    → 面试答案集(技术+产品+行业)
    → 开始投递!

面试题

Q1: 解释CeFi和DeFi的核心区别, 以及它们融合的趋势?

答题要点:
1. 核心区别: 信任模型(机构信任 vs 代码信任) + 准入(许可 vs 无许可) + 监管(强 vs 弱)
2. 融合趋势: CeFi链上化(BlackRock BUIDL) + DeFi合规化(Aave Arc) + AI桥接
3. PM视角: 融合不是二选一, 而是取长补短 → 合规的无许可金融

面试表达(30秒版):
"CeFi和DeFi的核心区别是信任模型——CeFi信任机构（银行/交易所），DeFi信任
代码（智能合约）。但2026年边界在模糊：BlackRock在链上发行国债Token，Aave
推出机构许可版。融合趋势是CeFi提供合规框架和用户基础，DeFi提供透明性和
可组合性，AI作为催化剂——智能路由、合规自动化、风控Agent——加速两者连接。
最终用户可能不需要知道自己用的是CeFi还是DeFi，就像今天不需要知道HTTP。"

Q2: 如果让你设计一个RWA产品, 你会怎么做?

答题要点:
1. 资产选择: 从最简单最合规的开始(国债>房产>私募信贷)
2. 技术架构: 链下SPV+托管+审计 × 链上Token+合规模块+DEX
3. 合规设计: 白名单KYC + 投资者适当性 + 持续监控
4. AI增强: 风险监控+合规自动化+客户服务
5. 增长策略: DeFi可组合性(做Aave抵押品) + 机构BD

面试表达(30秒版):
"RWA产品设计分五步。第一选资产——从美国国债开始，合规最清晰，需求最大。
第二搭架构——链下用SPV做法律隔离加合格托管，链上用ERC-3643做合规Token。
第三合规设计——白名单制，KYC后获取转账资格，投资者适当性检查。
第四AI增强——实时风险监控底层资产+LLM自动生成合规文档+AI客服。
第五增长——让Token成为Aave抵押品（可组合性），机构BD打开大资金入口。
核心是在合规框架内释放DeFi的可组合性和24/7流动性优势。"

Q3: AI Agent在DeFi中的最大风险是什么?

答题要点:
1. 安全风险: Agent被黑=用户资金全部损失(不像客服Agent只是说错话)
2. 权限设计: Session Keys + 限额 + 白名单 + 熔断
3. 责任归属: Agent决策失误谁赔? 协议/用户/Agent开发者?
4. 合规灰区: Agent代用户交易, 是否构成"经纪"行为?

面试表达(30秒版):
"最大风险是安全——DeFi Agent直接控制用户资金，被黑就是全部资金损失，
不像客服Agent只是说错话。所以权限设计是核心：Session Keys限定Agent
只能在特定协议/金额/时间范围内操作，超出范围需要用户重新授权。
加上链上熔断——Agent单笔超过阈值或异常操作自动暂停。
第二大风险是责任归属——Agent根据AI建议做了高风险操作导致亏损，
用户、协议方、Agent开发者谁承担？需要在产品设计时明确风险披露。"

学习资源

融合领域必读

资源类型说明
Ondo Finance文档文档RWA Token化标杆
Gauntlet技术博客博客DeFi风控方法论
Chainalysis报告报告链上合规全景
a16z "State of Crypto 2026"报告行业全景
BIS "Tokenisation" 系列报告央行视角的Token化
BlackRock BUIDL案例全球最大资管的Web3实践
Fireblocks架构文档机构Custody标杆

Phase 4 预告 (面试冲刺)

Day 43: 系统设计面试(1) — 设计一个实时风控系统
Day 44: 系统设计面试(2) — 设计一个推荐系统
Day 45: 系统设计面试(3) — 设计一个DeFi协议
Day 46: 系统设计面试(4) — 设计一个RWA平台
Day 47: 产品面试模拟(1) — 行为面试+产品设计
Day 48: 产品面试模拟(2) — 案例分析+估算
Day 49: 架构面试模拟 — 端到端系统架构
Day 50: 总结+作品集+求职行动计划

Phase 4核心目标:
  1. 能在45分钟内完成系统设计面试
  2. 能清晰表达自己的稀缺定位
  3. 整理完整作品集(项目+文章+面试集)
  4. 制定求职行动计划(目标公司+投递策略)

学习进度

Phase 1: 模型基础      Day 1-15   ████████████████ 100% ✅
Phase 2: 工程实践      Day 16-30  ████████████████ 100% ✅
Phase 3: 金融零售AI    Day 31-42  ████████████████ 100% ✅ ← 今日完成!
Phase 4: 面试冲刺      Day 43-50  ░░░░░░░░░░░░░░░░   0%

当前进度: Day 42/50 (84% overall)
今日状态: Phase 3完结 — CeFi×DeFi×AI融合(下)+职业定位 ✅

今日金句 (Quote of the Day)

"You don't need to be the best at finance, the best at DeFi, or the best at AI. You need to be the only one who can connect all three — and design products at the intersection."

你不需要是金融最强、DeFi最强或AI最强的人。 你需要成为唯一能把三者串起来的人 — 在交叉点上做产品设计。

上一篇
Day 41
下一篇
Day 43