技术能力

作为一名专注于CV（计算机视觉）、NLP（自然语言处理）、推荐系统和大模型Agent的算法开发顾问，熟悉各类前沿技术栈，能够为企业提供高效的AI解决方案。在计算机视觉领域，我熟练运用YOLOv8和YOLOv5系列进行实时目标检测，结合Vision Transformer (ViT) 和DETR模型实现端到端物体检测与分割；此外，我精通Segment Anything Model (SAM) 和CLIP多模态模型，用于图像语义分割和零样本学习，支持Stable Diffusion和ControlNet在生成式AI中的应用，如图像编辑和风格迁移。在自然语言处理方面，我深度应用BERT变体（如RoBERTa和DistilBERT）、T5和BART模型进行文本生成、摘要和翻译任务；同时，集成GPT-3.5/4系列和LLaMA2/Mistral大语言模型，实现高效的提示工程（Prompt Engineering）和微调（Fine-Tuning），包括PEFT（Parameter-Efficient Fine-Tuning）技术如LoRA和QLoRA，以降低计算成本。在推荐系统方向，我擅长构建Transformer-based模型如BERT4Rec和SASRec，用于序列推荐和点击率预估（CTR），结合DeepFM和DIN模型优化用户行为建模，支持A/B测试和实时在线学习；在多模态推荐中，我使用CLIP和BLIP融合文本-图像特征，提升电商和内容平台的个性化体验。对于大模型Agent开发，我精通LangChain和LlamaIndex框架，构建RAG（Retrieval-Augmented Generation）管道和多Agent系统，如CrewAI和Auto-GPT变体，实现自主任务分解、工具调用和决策链；此外，我熟练使用Hugging Face Transformers库进行模型部署（ONNX/TensorRT优化），并集成Gradio或Streamlit快速原型开发。这些技术栈均基于PyTorch 2.0+和TensorFlow 2.x框架，支持云端部署（如AWS SageMaker或阿里云PAI），帮助客户从数据预处理到生产级上线全流程落地，累计处理过多个实际项目，确保模型高效、可扩展且鲁棒。

项目经验

1、为短视频创业公司开发CV+NLP联合审核引擎：前端使用YOLOv11实时检测违规物体/场景（暴力、涉黄等），后端结合DistilBERT + T5进行文本情感/敏感词多标签分类；集成CLIP零样本分类提升新内容覆盖。整体F1分数达0.91，支持每秒数百帧处理。通过Hugging Face Transformers + TorchServe部署，实现低延迟云边协同。该项目从数据集构建（自标注+公开数据）、模型蒸馏到A/B灰度上线，显著降低平台违规率25%。
2、为公司“法律人工智能+”战略核心产品开发内部+外部双Agent系统：主Agent基于CrewAI + LangGraph负责任务分解与协调（如“分析上季度法院执行风险并生成合规建议”），子Agent包括知识检索Agent（LlamaIndex + Qwen-7B RAG管道，融合公司25年法律知识图谱）、意图识别Agent（fine-tuned Mistral-7B针对司法术语优化）和执行Agent（工具调用法院数据库/API）。结合PEFT微调（LoRA/QLoRA）和长上下文优化，处理多轮复杂对话准确率达89%，显著减少人工客服/法官介入70%以上。系统集成Streamlit快速原型 + Supabase向量存储，实现从PoC验证到生产级上线的全流程。该项目体现了大模型Agent在司法长任务自主规划、工具调用与稳定性上的深度应用，已覆盖公司智慧审判/执行/诉服等多模块。
3、参与公司面向纪检监察业务的“数据+算法+工作流”核心架构开发，构建监督办案智能Agent，支持案件电子数据分析、风险防控与异常行为检测。CV模块使用YOLOv8 + SAM实现视频/图像轨迹追踪与违规场景分割；NLP模块fine-tune T5/BART变体进行文本情感分析与敏感词多标签分类；Agent层集成LangChain框架，实现自主任务分解（如“筛查廉政风险并生成报告”）。整体F1分数达0.92，支持边缘部署与云边协同。通过Hugging Face Transformers + TorchServe优化，实现低延迟处理。该项目显著降低纪检监察违规率约20%，并推动公司向执法监督智能化转型，体现了CV+NLP+Agent在政法高安全场景的鲁棒性和实时性。

团队情况