刘星星不爱笑
资深Python开发工程师 · 8年经验 · 联众智慧
0
累计接单
0
用户评价
0
被收藏
技术能力
熟练使用 PyCharm 和 Jupyter Notebook 等主流开发工具
熟悉常用的 Linux 命令，具备高效的服务器操作能力
掌握 MySQL、Oracle、Neo4j、Milvus 等数据库的使用
熟悉 Python 编程语言，具备良好的代码规范和开发习惯
熟悉 大模型微调技术、RAG 技术及 LangChain 开发框架，能够灵活应用于实际场景
熟悉主流预训练大模型的架构与原理（如 BERT、ChatGLM 等），能够结合业务需求进行深入优化
掌握 提示词微调技术（如 PET、P-Tuning）
熟练使用 PyTorch 框架，以及 NumPy、Pandas、Scikit-learn 等常用库，具备扎实的开发基础
深入理解 RNN、LSTM、Transformer、TextCNN 等深度学习模型的原理及实际应用
熟悉文本分类、命名实体识别（NER）和关系抽取的方法，掌握 Pipeline 和 Joint 方法的应用技巧
掌握 Flask 和 Docker 等框架的使用，熟悉模型部署及上线流程
熟悉 vLLM 和 Transformers 等大模型推理加速框架，能够优化推理效率
深入掌握大模型应用技术，具备 Function Call 功能开发与 Agent 设计能力，能够通过任务分解与执行实现高效自动化
熟悉Model Context Protocol(MCP)原理及应用
熟练使用Dify、Coze构建智能体、工作流、RAG
熟悉常用的 Linux 命令，具备高效的服务器操作能力
掌握 MySQL、Oracle、Neo4j、Milvus 等数据库的使用
熟悉 Python 编程语言，具备良好的代码规范和开发习惯
熟悉 大模型微调技术、RAG 技术及 LangChain 开发框架，能够灵活应用于实际场景
熟悉主流预训练大模型的架构与原理（如 BERT、ChatGLM 等），能够结合业务需求进行深入优化
掌握 提示词微调技术（如 PET、P-Tuning）
熟练使用 PyTorch 框架，以及 NumPy、Pandas、Scikit-learn 等常用库，具备扎实的开发基础
深入理解 RNN、LSTM、Transformer、TextCNN 等深度学习模型的原理及实际应用
熟悉文本分类、命名实体识别（NER）和关系抽取的方法，掌握 Pipeline 和 Joint 方法的应用技巧
掌握 Flask 和 Docker 等框架的使用，熟悉模型部署及上线流程
熟悉 vLLM 和 Transformers 等大模型推理加速框架，能够优化推理效率
深入掌握大模型应用技术，具备 Function Call 功能开发与 Agent 设计能力，能够通过任务分解与执行实现高效自动化
熟悉Model Context Protocol(MCP)原理及应用
熟练使用Dify、Coze构建智能体、工作流、RAG
项目经验
医疗知识智能问答
项目背景
医疗知识智能问答项目通过结合大模型技术和检索增强生成(RAG),整合医学文献和权威知识库,为医疗从业者和患者提供实时,精准,可靠的问答服务,提升诊疗效率和用户体验,助力医疗行业数字化转型与智能化发展。
工作内容
1.数据收集
负责构建RAG知识库,包括整理和集成医疗知识相关文献、健康教育资料、药品说明书及护理手册等多类型文档
2.数据处理实现文档的自动加载和预处理工作,包括数据清洗、内容分块以及向量化表示的生成
3.向量数据库构建
构建包含3.256.492条数据的Milyus向量数据库,并搭建支持三类集合(基础医疗知识、临床评估工具、管理与决策支持)的高效检索结构
4.用户意图识别
基于BERT模型开发用户意图识别功能,支持四种类型分类(健康知识咨询、心理与情感支持
系统与技术交互、闲聊互动),实现F1-score达到90.73%
5.智能问答
完成对用户查询(query)的多维度检索处理,包括设计和优化prompt,并基于开源Qwen-2.5-7B模型构建智能问答功能
优化方向
1.表格文档的处理针对表格类型文档的数据处理,采用开源QCR(PaddleOCR)工具,实现结构化数据提取
2.查询与文档优化
在用户查询端引入query改写机制,并对知识文档构建多级索引结构
3.检索与排序优化
针对文档检索过程,采用BM25与Embedding的混合向量检索,并通过Rerank进一步优化查询结果的相关性
4.模型微调
对Qwen2.5-7b模型通过LoRA技术进行微调
5.RAG系统评估
基于RagAS工具对RAG系统进行性能评估,确保答案相关性评分达到0.85以上。同时通过1000条测试集进行人工评估,系统准确率(ACC)达到90.58%
OPERAG
项目背景
聚焦企业级智能应用需求，搭建高扩展性多租户 RAG 系统，提供低代码接入能力，用户凭借 API 及密钥即可快速部署个性化 RAG 解决方案。系统深度集成文档全生命周期管理、智能文档解析、多轮会话管理等核心功能，赋能企业高效实现知识检索与生成的智能化升级。
工作内容
1. 系统架构设计与实现
FastAPI 应用服务：设计并实现基于 FastAPI 的高效应用服务，提供 RESTful API 接口，支持文件上传、文档管理、智能问答功能及会话管理模块，确保系统的高扩展性与稳定性。
Milvus 向量数据库：搭建并优化 Milvus 向量数据库，负责文档向量的存储与相似度检索，确保高效的数据查询与管理。实现多租户数据隔离，确保不同租户的数据安全和独立性。
文档处理服务：设计文档处理服务，涵盖文档分块、文本向量化、元数据管理等功能，确保文档上传、处理进度实时反馈，并实现自动化的资源清理功能。
2. 文档管理模块设计与实现
完成 批量上传与自动分块 处理，通过 LangChain 的递归分块器（RecursiveCharacterTextSplitter）实现高效的文档分块，确保大文档的拆解与处理。
集成 BGE-M3 模型进行文档向量化处理，实现基于语义的检索与问答功能。
支持多种文档类型的处理，包括 PDF、TXT、WORD、CSV、JSON 格式，并提供 实时上传进度反馈。
实现文档删除与资源清理功能，并确保多租户文档隔离，保障不同用户数据的安全和隐私。
3. 智能问答模块设计与实现
设计并实现基于 Milvus 向量数据库的混合检索，结合BM25与相似度匹配方法，提高问答的精准度与相关性。
引入RRF（Ranked Retrieval Fusion）算法 进行结果排序优化，确保查询结果的质量与准确性。
构建高效的基于知识库的问答功能，支持用户的智能查询，提升了问答系统的响应速度和准确性。
项目背景
医疗知识智能问答项目通过结合大模型技术和检索增强生成(RAG),整合医学文献和权威知识库,为医疗从业者和患者提供实时,精准,可靠的问答服务,提升诊疗效率和用户体验,助力医疗行业数字化转型与智能化发展。
工作内容
1.数据收集
负责构建RAG知识库,包括整理和集成医疗知识相关文献、健康教育资料、药品说明书及护理手册等多类型文档
2.数据处理实现文档的自动加载和预处理工作,包括数据清洗、内容分块以及向量化表示的生成
3.向量数据库构建
构建包含3.256.492条数据的Milyus向量数据库,并搭建支持三类集合(基础医疗知识、临床评估工具、管理与决策支持)的高效检索结构
4.用户意图识别
基于BERT模型开发用户意图识别功能,支持四种类型分类(健康知识咨询、心理与情感支持
系统与技术交互、闲聊互动),实现F1-score达到90.73%
5.智能问答
完成对用户查询(query)的多维度检索处理,包括设计和优化prompt,并基于开源Qwen-2.5-7B模型构建智能问答功能
优化方向
1.表格文档的处理针对表格类型文档的数据处理,采用开源QCR(PaddleOCR)工具,实现结构化数据提取
2.查询与文档优化
在用户查询端引入query改写机制,并对知识文档构建多级索引结构
3.检索与排序优化
针对文档检索过程,采用BM25与Embedding的混合向量检索,并通过Rerank进一步优化查询结果的相关性
4.模型微调
对Qwen2.5-7b模型通过LoRA技术进行微调
5.RAG系统评估
基于RagAS工具对RAG系统进行性能评估,确保答案相关性评分达到0.85以上。同时通过1000条测试集进行人工评估,系统准确率(ACC)达到90.58%
OPERAG
项目背景
聚焦企业级智能应用需求，搭建高扩展性多租户 RAG 系统，提供低代码接入能力，用户凭借 API 及密钥即可快速部署个性化 RAG 解决方案。系统深度集成文档全生命周期管理、智能文档解析、多轮会话管理等核心功能，赋能企业高效实现知识检索与生成的智能化升级。
工作内容
1. 系统架构设计与实现
FastAPI 应用服务：设计并实现基于 FastAPI 的高效应用服务，提供 RESTful API 接口，支持文件上传、文档管理、智能问答功能及会话管理模块，确保系统的高扩展性与稳定性。
Milvus 向量数据库：搭建并优化 Milvus 向量数据库，负责文档向量的存储与相似度检索，确保高效的数据查询与管理。实现多租户数据隔离，确保不同租户的数据安全和独立性。
文档处理服务：设计文档处理服务，涵盖文档分块、文本向量化、元数据管理等功能，确保文档上传、处理进度实时反馈，并实现自动化的资源清理功能。
2. 文档管理模块设计与实现
完成 批量上传与自动分块 处理，通过 LangChain 的递归分块器（RecursiveCharacterTextSplitter）实现高效的文档分块，确保大文档的拆解与处理。
集成 BGE-M3 模型进行文档向量化处理，实现基于语义的检索与问答功能。
支持多种文档类型的处理，包括 PDF、TXT、WORD、CSV、JSON 格式，并提供 实时上传进度反馈。
实现文档删除与资源清理功能，并确保多租户文档隔离，保障不同用户数据的安全和隐私。
3. 智能问答模块设计与实现
设计并实现基于 Milvus 向量数据库的混合检索，结合BM25与相似度匹配方法，提高问答的精准度与相关性。
引入RRF（Ranked Retrieval Fusion）算法 进行结果排序优化，确保查询结果的质量与准确性。
构建高效的基于知识库的问答功能，支持用户的智能查询，提升了问答系统的响应速度和准确性。
立即沟通
