技术能力

编程语言: Python, Shell
Web框架: Django, Flask, Fastapi
python 第三方库：langchain，transformers，vllm
Transformer架构: 深入理解Transformer, BERT, GPT系列 (如GPT-3/4) 的网络结构、训练方法及注意力机制。
大模型高效微调 (PEFT): Adapter Tuning, Prefix Tuning, Prompt Tuning, P-Tuning v1/v2, LoRA, QLoRA, AdaLoRA , Freeze, Full-tuning对比及选型。
模型量化与压缩: GPTQ, AWQ, BNB, 知识蒸馏 (Knowledge Distillation), 剪枝 (Pruning) 。
多模态模型理解: CLIP, VAE, UNet
分布式训练与推理: DeepSpeed, vLLM, llamafactory
开源大模型: Whisper, ChatGLM系列, Qwen等国内优秀模型 。
提示工程 : 思维链 (CoT), ReAct, Few-shot/Zero-shot prompting, 指令调优 。
RAG架构: 深入理解RAG流程，包括文档处理、Embedding模型选型、向量数据库、检索增强策略。
LangChain/LlamaIndex: 熟练使用LangChain进行RAG、Agent应用开发, Prompt设计, REACT范式
Agent开发: 基于LLM的Agent框架设计与实现，工具调用，记忆机制，规划能力。
向量数据库: Milvus, Elasticsearch
数据处理与分析: 大规模文本数据清洗、预处理、增强、标注，熟悉数据迭代对模型性能的影响。
LLM系统架构设计: 具备面向特定领域（如专利）的大模型应用系统架构设计能力。
模型评估与选型: 熟悉各类基座模型特性，能够针对专利领域任务进行有效评估和选型。
大模型安全与合规: 熟悉大模型内容安全、数据隐私保护要求，具备大模型上线备案经验与流程管理能力。
领域知识融合: 擅长将专利领域知识与LLM技术深度融合
MLOps : 模型版本管理、实验跟踪、自动化部署流水线。
数据库和缓存: M

项目经验

项目背景
专利撰写专业性强、耗时长，对撰写人的经验要求高。本项目旨在开发一款智能专利撰写辅助系统，帮助专利代理师提升撰写效率和初稿质量。 我主导了该系统中大模型相关的算法设计、模型定制与优化工作，并对整体AI方案负责。
核心职责与贡献
1.需求分析与模块设计
与资深专利代理师合作，深度剖析专利撰写流程（技术交底书解读、权利要求构建、说明书扩展、附图描述等）。
设计了覆盖专利申请全流程的模块化辅助功能，包括：权利要求智能生成与优化、说明书段落自动扩展、实施例推荐、现有技术对比分析等。
2.模型定制与RAG集成
针对不同撰写任务（如权利要求生成、背景技术描述）对大模型进行多任务指令微调。
构建并集成RAG系统，连接海量专利数据库与技术文献库，为模型提供实时、准确的背景知识与现有技术参考，提升撰写内容的创新性和规避风险能力。
设计复杂的Prompt链和思维树（ToT）逻辑，引导模型进行结构化、有逻辑的文本生成。
3.核心功能实现于优化
主导实现从技术交底书关键信息提取到权利要求书初稿的自动生成模型
主导开发说明书背景技术、具体实施方式等章节的智能填充与改写模型。
集成了相似专利检索与对比功能，辅助用户进行新颖性、创造性判断。
4.模型性能评估与迭代
建立并负责专利撰写任务的模型评估体系，从生成质量、合规性、效率等多个维度进行评测和持续优化。
5.技术支持与协作
作为模型负责人，为产品和工程团队提供全面的技术支持与指导，确保模型成功集成与部署。
6.落地与验证
将系统部署为Web应用，供内部代理师团队试用，并根据反馈进行迭代优化。
7.初步成果
辅助撰写初稿时间平均缩短X%，关键技术特征覆盖率提升Y%，有效降低了低级错误率。

团队情况