高源芳
软件开发工程师
- 公司信息：
- 锐捷网络
- 工作经验：
- 1年
- 兼职日薪：
- 500元/8小时
- 兼职时间：
- 可工作日远程
- 所在区域：
- 南京
- 全区
技术能力
1. AI Agent 与 LLM 应用开发：熟练使用 LangChain / LangGraph 构建复杂 Multi-Agent 协作拓扑（规划-执行-反思三层架构）；掌握 Dify、AutoGen 等编排框架；熟练设计 ReAct、CoT、Self-Reflection 等 Prompt 范式；具备端到端 Agent 工作流设计与落地能力。
2. RAG 全链路：深入掌握 RAG 完整流程——文档解析（PDF/Word/HTML）、语义切片策略、Embedding 向量化（BGE / text-embedding-3）；熟练使用 Milvus 向量数据库（Collection 设计、IVF_FLAT/HNSW 索引调优、ANN 检索）；掌握混合检索（稠密+稀疏 BM25）、元数据过滤、Rerank（Cohere / BGE-reranker）等优化手段。
3. 后端工程：熟练使用 FastAPI / Python 构建 RESTful 及 Streaming 接口；掌握 Docker 容器化、Docker Compose 服务编排；熟悉 Git 版本控制与 CI/CD 流程；了解微服务架构设计，具备项目独立部署与线上排障能力。
4. 模型微调与推理加速：熟练掌握 LoRA / QLoRA 高效微调技术，具备在 Qwen / LLaMA 系列模型上的 SFT 实战经验；熟悉 vLLM 推理加速框架，了解 PagedAttention 及张量并行（TP）分布式加速方案；理解 Transformer 底层架构与注意力机制。
5. 数理与算法基础：数学与数据结构基础扎实（考研初试专业第一）；熟悉常见检索算法与向量相似度计算原理；英语四级，具备阅读英文技术文档能力。
项目经验
中医药领域 LLM Benchmark 构建与多模型性能对比研究 2025.9 – 2026.1
第一作者 | Python · LangChain · RAG · NLP 数据工程
•基准构建：设计 NLP 提取管道（正则匹配 + LLM 校验双层过滤）对中医古籍进行数据清洗，构建含 600+ 高难度 Q&A 基准，覆盖诊断、药方及古籍理解三大类别，数据噪声率低于 3%。
•RAG 优化：针对300c同源异质300d古籍数据难题，设计带元数据过滤（朝代、文献类型）与 BGE-Reranker 语义重排的两阶段检索方案；构建 Milvus 专业知识库（10 万+ 文本块），Top-5 召回率提升 28%，通过 RAG 使模型综合评测得分提升 20%。
•评测体系：设计涵盖【事实准确性、逻辑推理、安全合规】三维评测指标，系统对比 GPT-4o、Qwen2.5-72B 等 6 款前沿模型，产出评测报告并撰写一作学术论文（在投）。
高难度数学推理任务的 LLM 测试时扩展优化与评测 2025.7 – 2025.9
第一作者 | Python · vLLM · LoRA/QLoRA · LangChain
•模型微调：使用高质量数学推理数据集（MATH / NuminaMath），采用 QLoRA（4-bit 量化）对 Qwen3-8B 进行 SFT 训练，在 A100×4 环境下完成训练，MATH 基准得分提升 4.2 个百分点。
•评测管线：基于 vLLM 在 8×24GB 显卡集群搭建高吞吐自动化评测管线（吞吐量 180 req/s），量化 Scaling 性能边界；设计多路径采样（Best-of-N）与自我验证策略，推理准确率最高提升 3%，总 Token 消耗减少 80%。
产出一作学术论文（在投），相关代码已整理为可复现实验框架。
锐捷网络——多模态 AI 互动式教学智能体 2026.2 – 至今
核心成员 | LangGraph · Dify · RAG · Vision LLM
•Agent 编排：基于 LangGraph 设计「规划-答疑-评估」多角色 Multi-Agent 协作拓扑，通过状态流转实现任务拆解与闭环交互，支持 100+ 并发学生会话。
•RAG 与多模态：基于 Dify 部署 RAG 链路，实现教材文档切片（按知识点边界分块）与混合检索，答题幻觉率下降 55%；设计基于意图路由的 Vision/Text 模型联合调度，支持图形题自动解析。
•逻辑强化：构建深度 Prompt Pipeline，引入多步 CoT + Self-Reflection 机制，模型解题拆分正确率提升 30%。
案例展示
-
多模态AI教学智能体系统
基于 LangChain 的 Multi-Agent 核心编排与开发（Python）： 使用 Python 结合 LangChain/LangGraph 框架，从零主导开发「规划-答疑-评估」多角色 Multi-Agent 协作拓扑。摒弃轻量级可视化工具，通过底层代码构建复杂的
-
多模态报告自动化生成系统
本项目以数字金融科技为背景，针对当前金融研报生成的复杂性与高专业性，提出了一种基于多模态技术的智能研报生成方案。通过融合大模型技术与金融领域数据，项目实现了从数据采集到报告生成的全流程创新设计，旨在提升智能投研和投顾服务的效率与质量。 多模态数据处理：集成文本、表格和图像数
