陈飞扬 · Feiyang Chen
我把对 AI、科学和复杂系统的兴趣做成可以运行、检查与复盘的项目：从团队上下文工作台，到生理信号实验，再到有持续状态的小社会与聚落。这里整理源码、实验记录和作品案例。
| 项目 | 做了什么 | 阶段 |
|---|---|---|
| TeamMind | 把会议、用户反馈和项目进展整理成团队记忆，再连接下一步行动。TeamMind 是我设计并实现的本地工作台，覆盖信息收集、行动简报和结果回流。 | 本地 Alpha |
| Pet VOC → BOM | 把“牵引绳断了”这类宠物商品反馈整理为产品改进工单。这个 Streamlit 原型使用模拟评论，串起缺陷识别、根因假设、材料建议与人工审批。 | 可运行原型 |
| Ironclad Decision Engine | 把任务树、依赖和三点估时连接起来，检查计划中的风险，再用工时分布比较执行的不确定性。 | 规则计算原型 |
| 个人 Agent 工作流工具箱 | 把项目推进、课程练习、简历整理和演示文稿规划封装为可复用的 Codex Skills。每套流程组合任务说明、参考资料、模板与交付检查。 | 本地工具实践 |
| 项目 | 做了什么 | 阶段 |
|---|---|---|
| 读懂身体的压力信号 | 基于 WESAD 的 ECG、EDA、呼吸与温度数据，完成压力识别、跨受试者验证和 LabVIEW 推理集成。项目覆盖从信号处理到仪器接口的完整研究流程。 | 研究原型 |
| Virtual Cell Experiment Triage | 面向细胞扰动研究的实验优先级工作台。导入候选与目标状态后，集中查看排序依据、风险和首轮验证面板，帮助组织下一步实验。 | 工作流 Demo |
| VeriSci | 一个用于检查逻辑网络假设的科研工具。我把模型导入、更新语义、有界搜索和反例输出连成可复现流程，让每个判断都能回到执行条件。 | V0.1 原型 |
| SciChemAgent | 基于 RDKit 和 scikit-learn 的离线分子任务工具箱。实现化学数据预处理与安全筛查任务，保留逐任务输入、计算结果和复核脚本。 | 公开任务本地复现 |
| Sleep-EDF EEG 睡眠分期 | 在按受试者划分的数据上比较频域基线、监督 CNN 和 masked SSL，检查自监督预训练对低标签睡眠分期的影响。 | 课程研究 |
| sRNAdeep 双轨复现 | 把保留原代码行为和修正指标定义分成两条实验路径，追踪标签、序列重叠、训练轮数和评估口径怎样影响结果。 | 公开材料计算复现 |
| scDEvolve | 围绕单细胞差异表达，探索科研 Agent 如何把统计失败整理成可复用方法，并通过结果与统计安全两道检查。 | AI 辅助科研原型 |
| 项目 | 做了什么 | 阶段 |
|---|---|---|
| 成固县小社会模拟器 | 一个围绕长期状态构建的 AI 社会模拟原型。人物的身体、家庭、关系与任务会随着行动持续变化，Web、CLI 和 HTTP API 共用同一套世界状态。 | 早期原型 |
| SettlementCraft | 一个 Minecraft 聚落经营模组。我用 Java / Forge 连接建筑、职业、生产与运输，让食物、材料、装备和仓库库存参与聚落的日常运转。 | 核心循环原型 |
| 盘口实验室 | 在手机上逐步回放隐藏行情，把委托、规则、手续费与滑点放进一次可复盘的交易练习。 | 离线 PWA · 合成行情 |
| 套利机会研究工具 | 用原子输入、公式依赖和情景账本组织机会研究，让报告中的数字可以追溯到原始证据。 | 研究工具 · 合成案例 |
| AlphaGPT Improved | 从合法公式生成到隔离盲测，把符号 Alpha 研究做成可检查的离线流程。基于 AlphaGPT 改造数据处理、公式约束和含成本评估。 | 离线研究工具 · 合成数据演示 |
- AI T-shirt：一个连接 AI 图案生成、在线设计与服装生产的定制 T-shirt 项目。我和伙伴一起把生成的图案做成实物，尝试让用户完成从设计到下单的全过程。
- Direct：一个将自然语言意图组织为链上工作流的双人黑客松项目。我参与需求拆解、产品原型、模块集成、演示和 ETHGlobal 提交。
- 声音、影像与绘本：用 Suno、Runway 和剪映探索音乐、校园宣传片与儿童绘本。从风格和故事出发，完成生成素材的选择、编排与后期。
- 具身智能场景供给调研：探索酒店和民宿能否成为机器人数据采集与测试场景。我分别走访场景供给与潜在需求，梳理开放条件、授权、数据标准与交付方式。
- 在内容与用户之间：在宠物电商 MCN、数字人内容制作与 NTX DAO 社区实践中，参与选题、素材、发布、回复和咨询跟进，观察内容如何影响用户理解与反馈。
- 带着问题走到现场：在创业交流、技术活动、访学和企业参访中积累观察，再把场景、团队阶段与资源需求整理为案例、线索库和后续行动。
- 跨研究模型选择：一次假设检验：从单细胞、多组学和空间转录组文献出发，用公开数据检查跨研究模型选择的假设。我参与选题讨论、数据检查和实验协议设计，并据结果决定是否继续。
- 个人 Agent 工作流工具箱：把项目推进、课程练习、简历整理和演示文稿规划封装为可复用的 Codex Skills。每套流程组合任务说明、参考资料、模板与交付检查。
- 行动保留上下文，执行结果回到后续工作中。
- 实验保留数据划分、指标定义与计算条件。
- 模拟中的规则真正改变状态，让选择可以复盘。
- 产品问题放回用户、渠道与交付条件里检验。
各仓库提供自己的运行或复现说明，并标明示例数据、原型阶段及上游来源。