昵称登录后显示

1、负责公司的AI智能客服系统开发与迭代升级，实现电商客服系统商业化应用
2.主导大模型应用研发及能力，进行汽车点位识别分类200种准确率90%
3.负责开发多个基于 Coze 的智能体，涵盖多种应用场景，包括客服、政务等领域
4.主导开发基于字节大模型、知识库、向量数据库技术底座的知识中台
5、负责大模型的选型，建立代码评审机制，落地CI/CD流水线，部署效率提升60%
6、指导培训公司内部大模型的应用,分享大模型前沿知识并且落地新技术
7、在AI客服项目在知识库检索做集群优化，平均响应时间<50ms
8、负责核心算法项目的规划、实施和交付，保证项目进度和质量

项目名称：基于 LangGraph 的智能 Text-to-SQL 工作流编排系统
项目时间：2025.06 - 至今
项目背景： 在企业数据分析场景中，业务人员需要频繁查询数据库获取业务洞察，但面临技术门槛高、Schema 理解困难、复杂查询易出错等痛点。为解决非技术人员无法直接编写 SQL、需要依赖数据分析师导致响应周期长的问题，设计并实现了一套基于 LangGraph 的智能 Text-to-SQL 工作流编排系统，支持业务人员通过自然语言直接查询数据库，自动生成准确的 SQL 并返回分析结果，显著提升数据分析效率。
项目简介：设计并实现了一套完整的 LLM 工作流编排系统，支持自然语言到 SQL 的智能转换，涵盖多步推理、Agent 协作、RAG 检索优化、自动化评估与质量保障等核心能力。 技术栈*：Python、LangGraph/LangChain、FastAPI、Pydantic、FAISS/Milvus、MySQL、Redis、Docker
工作内容： 1. 工作流编排：基于 LangGraph 设计并实现 3 种工作流架构（V1 并行/V2 简化/V3 迭代规划），支持条件路由、错误恢复、mid-SQL 执行，V3 工作流达到 100% 成功率，平均 22.3s/问题
 2. RAG 优化：实现多路检索融合（TableRAG 向量检索 + BM25 + GraphRAG 知识图谱），通过上下文压缩优化 Token 消耗 80%（从 ~5500 降至 ~800），检索准确率提升 18%
 3. 评估体系：建立自动化评估框架，实现 SQL 语义对比工具、性能指标追踪（延迟/Token/错误率），支持 A/B 测试对比不同检索模式，迭代 9 个版本持续优化
4. 工程化：集成 Logfire（OpenTelemetry）实现端到端可观测性，支持工作流版本管理、Prompt 模板版本化、实验追踪，建立三级缓存机制（内存 TTL → 文件 → 数据库）提升 Schema 加载速度 10x
5. 平台化：提供 FastAPI 微服务 RESTful API、Python SDK（支持同步/异步/流式查询）、8 个 CLI 工具，支持多数据源切换与知识图谱索引
核心成果： V3 迭代规划工作流：100% 成功率（6/6 问题），平均22.3s/问题，21,657 tokens/问题，支持自适应2-5 步规划- RAG 优化：Token消耗减少80%，检索准确率提升 18%，支持50W+文档/实体检索，平均响应延迟<150ms -
评估体系：建立完整基准测试流程，支持自动化评估与性能对比
 工程化：端到端可观测性，支持版本管理、实验追踪、灰度发布
基于字节大模型的AI知识中台（2024.12-2025.03）
技术栈：技术栈：Python、FastAPI、Docker、Kubernetes、Redis、Elasticsearch／Milvus、PyTorch
项目简介：基于字节大模型（LLM），搭建统一的 AI 知识中台，打通多源文档、知识图谱与向量检索能力，为智能客服、舆情分析、内部助手等下游应用提供一站式问答／检索服务。 可以提供小程序、H5等接口。
核心成果：核心成果：
1.支撑知识量级50W+文档／实体，检索平均延迟<150ms；
2.上线后3个月内为客服机器人日均2K+次检索请求提供服务，问答准确率提升18%；
3.与前端协同完成4套页面原型、5个交互接口的灰度联测，系统上线后稳定运行60+天无故障。