硕
NLP算法工程师
北京某大模型公司 · 3年经验
日薪：
￥1000/8h
地点：
北京 海淀
时间：
下班后周六周日
信用行为
0
接单数
0
评价数
2
收藏数
技术能力
NLP算法工程师 | 自然语言处理 | 大模型 | 深度学习
我是一名NLP算法工程师，具备扎实的自然语言处理和深度学习技术基础，在大语言模型、文本生成、语义分析、机器翻译、情感分析、信息抽取等领域有丰富的实践经验。我熟练掌握Python，精通TensorFlow、PyTorch等深度学习框架，能够基于Llama、Qwen、Bert等模型进行微调和优化。
在大语言模型应用方面，我有LLM微调、知识蒸馏、低秩适配（LoRA）、提示工程（Prompt Engineering）等经验，能够根据业务需求定制高效的文本处理方案。同时，我熟悉NLP数据预处理、向量检索（FAISS、ScaNN）、RAG（检索增强生成）技术，并能结合LangChain构建智能对话系统。
此外，我具备扎实的软件工程能力，熟悉Docker、FastAPI等技术，能够将AI模型封装为API服务，并具备一定的MLOps经验，如模型部署、监控与优化。我的目标是利用NLP技术解决实际问题，帮助企业提升文本智能化处理能力。
我是一名NLP算法工程师，具备扎实的自然语言处理和深度学习技术基础，在大语言模型、文本生成、语义分析、机器翻译、情感分析、信息抽取等领域有丰富的实践经验。我熟练掌握Python，精通TensorFlow、PyTorch等深度学习框架，能够基于Llama、Qwen、Bert等模型进行微调和优化。
在大语言模型应用方面，我有LLM微调、知识蒸馏、低秩适配（LoRA）、提示工程（Prompt Engineering）等经验，能够根据业务需求定制高效的文本处理方案。同时，我熟悉NLP数据预处理、向量检索（FAISS、ScaNN）、RAG（检索增强生成）技术，并能结合LangChain构建智能对话系统。
此外，我具备扎实的软件工程能力，熟悉Docker、FastAPI等技术，能够将AI模型封装为API服务，并具备一定的MLOps经验，如模型部署、监控与优化。我的目标是利用NLP技术解决实际问题，帮助企业提升文本智能化处理能力。
项目经验
1. 基于LLM的智能客服系统开发
项目简介：本项目旨在构建一款基于LLM的智能客服系统，支持多轮对话、情感分析、知识库检索等功能，帮助企业优化客户服务体验，提高自动化回复准确率。
技术栈：Python、LLM、LangChain、ScaNN
主要工作：
- 设计并实现RAG（检索增强生成）架构，结合LLM和向量数据库（ScaNN），支持基于企业文档的精准问答。
- 设计Prompt Engineering策略，优化LLM的回答逻辑，提升回答的专业性和一致性。
- 采用LoRA 对 Qwen2.5 进行微调，使其更符合业务需求，提高回复的准确率。
- 通过用户反馈数据进行持续优化，结合情感分析模块，使智能客服能更准确地识别用户情绪并调整回答方式。
项目成果：
- 客服自动回复准确率提升 30%+，大幅降低人工客服成本。
- 处理速度提升5倍，99% 请求在1秒内生成回答，客户满意度提升20%。
2. AI自动化文档摘要与分析系统
项目简介：该项目为某企业开发了一款自动化文档处理系统，利用 NLP 技术生成精准的文档摘要，提高企业在合同审核、政策解读等领域的工作效率。
技术栈：Python、Deepseek API、Spacy、PyTorch
主要工作：
- 采用Deepseek模型进行文本摘要生成，优化摘要质量。
- 结合Deepseek API进行长文本理解，支持文档自动归纳、关键词提取、重要段落标注。
- 采用Spacy + 自然语言规则匹配，构建文本信息提取模块，提高关键信息提取准确率。
- 通过few-shot learning方式优化模型，使其更适应企业文档结构。
项目成果：
- 文档处理效率提升80%+，节省大量人工审核时间。
- 关键信息提取准确率达85%，极大提升企业合规性。
- 成功部署至企业内部，日均处理文档10,000+份，提高业务运转效率。
项目简介：本项目旨在构建一款基于LLM的智能客服系统，支持多轮对话、情感分析、知识库检索等功能，帮助企业优化客户服务体验，提高自动化回复准确率。
技术栈：Python、LLM、LangChain、ScaNN
主要工作：
- 设计并实现RAG（检索增强生成）架构，结合LLM和向量数据库（ScaNN），支持基于企业文档的精准问答。
- 设计Prompt Engineering策略，优化LLM的回答逻辑，提升回答的专业性和一致性。
- 采用LoRA 对 Qwen2.5 进行微调，使其更符合业务需求，提高回复的准确率。
- 通过用户反馈数据进行持续优化，结合情感分析模块，使智能客服能更准确地识别用户情绪并调整回答方式。
项目成果：
- 客服自动回复准确率提升 30%+，大幅降低人工客服成本。
- 处理速度提升5倍，99% 请求在1秒内生成回答，客户满意度提升20%。
2. AI自动化文档摘要与分析系统
项目简介：该项目为某企业开发了一款自动化文档处理系统，利用 NLP 技术生成精准的文档摘要，提高企业在合同审核、政策解读等领域的工作效率。
技术栈：Python、Deepseek API、Spacy、PyTorch
主要工作：
- 采用Deepseek模型进行文本摘要生成，优化摘要质量。
- 结合Deepseek API进行长文本理解，支持文档自动归纳、关键词提取、重要段落标注。
- 采用Spacy + 自然语言规则匹配，构建文本信息提取模块，提高关键信息提取准确率。
- 通过few-shot learning方式优化模型，使其更适应企业文档结构。
项目成果：
- 文档处理效率提升80%+，节省大量人工审核时间。
- 关键信息提取准确率达85%，极大提升企业合规性。
- 成功部署至企业内部，日均处理文档10,000+份，提高业务运转效率。
ID:389155
复制
硕
NLP算法工程师 · 3年经验 · 北京某大模型公司
0
累计接单
0
用户评价
2
被收藏
信用行为
0
接单数
0
评价数
2
收藏数
技术能力
NLP算法工程师 | 自然语言处理 | 大模型 | 深度学习
我是一名NLP算法工程师，具备扎实的自然语言处理和深度学习技术基础，在大语言模型、文本生成、语义分析、机器翻译、情感分析、信息抽取等领域有丰富的实践经验。我熟练掌握Python，精通TensorFlow、PyTorch等深度学习框架，能够基于Llama、Qwen、Bert等模型进行微调和优化。
在大语言模型应用方面，我有LLM微调、知识蒸馏、低秩适配（LoRA）、提示工程（Prompt Engineering）等经验，能够根据业务需求定制高效的文本处理方案。同时，我熟悉NLP数据预处理、向量检索（FAISS、ScaNN）、RAG（检索增强生成）技术，并能结合LangChain构建智能对话系统。
此外，我具备扎实的软件工程能力，熟悉Docker、FastAPI等技术，能够将AI模型封装为API服务，并具备一定的MLOps经验，如模型部署、监控与优化。我的目标是利用NLP技术解决实际问题，帮助企业提升文本智能化处理能力。
我是一名NLP算法工程师，具备扎实的自然语言处理和深度学习技术基础，在大语言模型、文本生成、语义分析、机器翻译、情感分析、信息抽取等领域有丰富的实践经验。我熟练掌握Python，精通TensorFlow、PyTorch等深度学习框架，能够基于Llama、Qwen、Bert等模型进行微调和优化。
在大语言模型应用方面，我有LLM微调、知识蒸馏、低秩适配（LoRA）、提示工程（Prompt Engineering）等经验，能够根据业务需求定制高效的文本处理方案。同时，我熟悉NLP数据预处理、向量检索（FAISS、ScaNN）、RAG（检索增强生成）技术，并能结合LangChain构建智能对话系统。
此外，我具备扎实的软件工程能力，熟悉Docker、FastAPI等技术，能够将AI模型封装为API服务，并具备一定的MLOps经验，如模型部署、监控与优化。我的目标是利用NLP技术解决实际问题，帮助企业提升文本智能化处理能力。
项目经验
1. 基于LLM的智能客服系统开发
项目简介：本项目旨在构建一款基于LLM的智能客服系统，支持多轮对话、情感分析、知识库检索等功能，帮助企业优化客户服务体验，提高自动化回复准确率。
技术栈：Python、LLM、LangChain、ScaNN
主要工作：
- 设计并实现RAG（检索增强生成）架构，结合LLM和向量数据库（ScaNN），支持基于企业文档的精准问答。
- 设计Prompt Engineering策略，优化LLM的回答逻辑，提升回答的专业性和一致性。
- 采用LoRA 对 Qwen2.5 进行微调，使其更符合业务需求，提高回复的准确率。
- 通过用户反馈数据进行持续优化，结合情感分析模块，使智能客服能更准确地识别用户情绪并调整回答方式。
项目成果：
- 客服自动回复准确率提升 30%+，大幅降低人工客服成本。
- 处理速度提升5倍，99% 请求在1秒内生成回答，客户满意度提升20%。
2. AI自动化文档摘要与分析系统
项目简介：该项目为某企业开发了一款自动化文档处理系统，利用 NLP 技术生成精准的文档摘要，提高企业在合同审核、政策解读等领域的工作效率。
技术栈：Python、Deepseek API、Spacy、PyTorch
主要工作：
- 采用Deepseek模型进行文本摘要生成，优化摘要质量。
- 结合Deepseek API进行长文本理解，支持文档自动归纳、关键词提取、重要段落标注。
- 采用Spacy + 自然语言规则匹配，构建文本信息提取模块，提高关键信息提取准确率。
- 通过few-shot learning方式优化模型，使其更适应企业文档结构。
项目成果：
- 文档处理效率提升80%+，节省大量人工审核时间。
- 关键信息提取准确率达85%，极大提升企业合规性。
- 成功部署至企业内部，日均处理文档10,000+份，提高业务运转效率。
项目简介：本项目旨在构建一款基于LLM的智能客服系统，支持多轮对话、情感分析、知识库检索等功能，帮助企业优化客户服务体验，提高自动化回复准确率。
技术栈：Python、LLM、LangChain、ScaNN
主要工作：
- 设计并实现RAG（检索增强生成）架构，结合LLM和向量数据库（ScaNN），支持基于企业文档的精准问答。
- 设计Prompt Engineering策略，优化LLM的回答逻辑，提升回答的专业性和一致性。
- 采用LoRA 对 Qwen2.5 进行微调，使其更符合业务需求，提高回复的准确率。
- 通过用户反馈数据进行持续优化，结合情感分析模块，使智能客服能更准确地识别用户情绪并调整回答方式。
项目成果：
- 客服自动回复准确率提升 30%+，大幅降低人工客服成本。
- 处理速度提升5倍，99% 请求在1秒内生成回答，客户满意度提升20%。
2. AI自动化文档摘要与分析系统
项目简介：该项目为某企业开发了一款自动化文档处理系统，利用 NLP 技术生成精准的文档摘要，提高企业在合同审核、政策解读等领域的工作效率。
技术栈：Python、Deepseek API、Spacy、PyTorch
主要工作：
- 采用Deepseek模型进行文本摘要生成，优化摘要质量。
- 结合Deepseek API进行长文本理解，支持文档自动归纳、关键词提取、重要段落标注。
- 采用Spacy + 自然语言规则匹配，构建文本信息提取模块，提高关键信息提取准确率。
- 通过few-shot learning方式优化模型，使其更适应企业文档结构。
项目成果：
- 文档处理效率提升80%+，节省大量人工审核时间。
- 关键信息提取准确率达85%，极大提升企业合规性。
- 成功部署至企业内部，日均处理文档10,000+份，提高业务运转效率。
案例展示
智能客服AI助手Demo
智能客服AI助手 作品介绍： 智能客服AI助手是一款基于自然语言处理（NLP）+大模型（LLM）的自动化客服系统，旨在帮助企业降低客服成本，提高客户满意度。该系统能够理解用户意图，进行多轮对话，并结合企业知识库提供精准、高效的客服支持。 主要功能： 智能问答：基于
AI自动化文档摘要与分析系统Demo
AI自动化文档摘要与分析系统 作品介绍： AI自动化文档摘要与分析系统是一款基于自然语言处理（NLP）+大模型（LLM）的智能文档处理工具，能够高效解析各类文档内容，自动生成摘要，并提供深入的数据分析。该系统适用于企业报告处理、法律文书解析、科研论文分析、市场调研等场景，
立即沟通
