Ruitong Tang

问题

公司有大量长文章、研究报告和 YouTube 视频，却几乎没有为 TikTok 制作的内容，而很多准留学生正是在那里。

我做了什么

我建立了一套可复用的流程：选定素材，按内容结构决定做视频还是轮播图，写脚本和剪辑单，用 CapCut 和 Canva 制作，并让每条内容的行动号召都落到对应的页面。

结果

六个月 66 条视频与轮播图，每一条都带一个有效链接指向站内具体页面。

问题

每一轮奖学金都有很多环节和很多人参与，一封发错的邮件或一条过早的社交帖子，都会落在一个真实学生的名字上。

我做了什么

我负责整条链路：筛选、通知、与经理共同面试、给导师的评分推荐，然后按固定顺序发布：先拿到书面接受，再通知其他入围者，再发社交媒体，最后发文章。

结果

8 个活动（其中 6 个端到端），合作方包括 IAESTE 和 Girls on Campus；面试了来自 15 个以上国家的 20 多位入围者；发布 12 篇文章；没有一次发布顺序出错。

问题

人工读完每份申请每轮要花大约两周，而且在又长又相似的文书里很容易漏掉东西。

我做了什么

我用 AI 辅助开发写了一个两轮的 Python 工具。第一轮核对资格，每一行都写明理由；第二轮给文书的具体程度打分。不确定的案例交给人看，导师做每一个最终决定。没有任何 AI 替申请人做决定。

结果

在 5 个奖学金中复用。两周的阅读变成几秒钟的运行，之后由人复核。经理公开表示这项工作每周为团队节省数小时。

问题

访谈原本只用来选获奖者，品牌仍然不知道学生为什么选一个国家或一所大学，也不知道什么差点让他们放弃。

我做了什么

我把访谈重建为三个问题（为什么选这个国家、为什么选这所大学、什么差点让你放弃），并写了一个脚本，在公司自己的 Microsoft 365 系统内把申请数据汇总成只有计数的结果，任何个人数据都不会离开系统。

结果

一次访谈现在产出三样东西：获奖者故事、社交内容和周期末的受众简报。个人数据留在原地，只有汇总数字出来。

问题

品牌观察一场争议时通常在数提及量。但在按点赞排序的平台上，少数评论承载了绝大多数人真正读到的内容，所以平均计数描述的是一场没有人经历过的对话。我想知道共识是在这个缝隙里怎么形成的，于是选了一个同时跨越三个市场的案例。

我做了什么

我采集了 219 条微博帖子下的 5,289 条评论，按可见度而不是数量抽样：所有 500 赞以上的评论（246 条，占全部点赞的 86.9%），再加 200 条随机长尾，这样对沉默的大多数也能说点什么。我编码了 446 条，细读 29 条，并把 28 个边界判断全部写进决策日志，方便别人复核。我没有先清洗语料，因为筛掉不相关的评论会把稀少变成我自己制造出来的结果。

结果

2026 年 8 月通过斯德哥尔摩大学公开答辩。两套词汇的走向正好相反：民族类词出现在 260 条评论里，阶级类词只有 98 条，但阶级框架的评论平均每条获赞约为前者的三倍（699 比 231）。只看计数会把这场争论判定为民族主义的。按可见度加权才看得出，它是由阶级话语收场的，而且是靠给这件事改名，不是靠说理。