• 编程语言:熟悉 Python,具备扎实的 Java 编程基础,熟悉 Linux 开发环境及 Git、Conda 等工程化工具
• AI/大模型:熟悉RAG(检索增强生成)全链路搭建与优化,包括文档版面感知解析、文本动态切分、向量检索、混合检索、重排序(Rerank)及生成优化,掌握 RAG 自动化评测框架(Ragas);深入掌握 Multi-Agent 多智能体系统设计,熟悉 MCP 协议与工具集成;掌握 Prompt Engineering、LoRA/QLoRA 微调、BERT/Transformer 系列模型;熟悉大模型高性能推理部署框架(vLLM、Ollama)
• 框架与工具:熟练使用 LangChain 构建 LLM 应用,熟悉 FastAPI 接口部署,掌握 Milvus 向量数据库、BM25 关键词检索与语义向量匹配技术;熟练使用 Cursor/Claude Code 等 AI 辅助开发工具进行代码生成与优化
• 数据库:熟练使用 MySQL、Oracle 等关系型数据库,熟悉 Redis 缓存技术
• 机器学习:掌握传统机器学习算法(KNN、RF、GBDT、XGBoost)及深度学习核心原理(RNN、LSTM、Transformer),熟悉 NLP 领域文本分类、命名实体识别(NER)、文本生成等任务
项目名称:AI Agent任务自驱动调度系统(2025.01 ~ 至今,项目负责人)
项目背景:企业内部存在大量重复性的数据处理、报表生成、跨系统数据同步等任务,传统方案依赖定时脚本或人工触发,灵活性和可扩展性不足。为探索 AI Agent 在任务自动化场景中的深度应用,主导设计并开发了基于 Agent 的任务自驱动调度系统。
技术栈:Python、LangChain、DeepSeek R1/V3、MCP 协议、FastAPI、MySQL、Redis、Docker
核心职责与技术实现:
1. Agent 任务编排引擎:设计大模型规划与状态机强约束结合的动态 DAG 编排引擎,Agent 接收自然语言任务描述后,将其转化为包含显式依赖关系的结构化 DAG 拓扑网;在节点执行失败时引入微观回溯机制,基于当前节点状态快照局部重构子拓扑,无需全量重规划,使复杂长序列任务的自动执行成功率稳定在 90% 以上
2. 工具链集成与 MCP 封装:基于 MCP 协议构建具备高可用治理能力的智能工具网关,统一封装企业内部系统(数据库查询、报表引擎、消息通知、文件处理等)为标准化工具接口;在网关层实现基于 Redis 滑动窗口的动态限流与熔断机制,将工具执行状态(并发数、响应耗时)作为环境感知数据实时反馈至 Agent;在 LLM Function Calling 前置加入语义相似度参数初筛与硬性类型校验,消除因模型幻觉生成的无效调用
3. 任务执行与自愈机制:实现任务执行的实时监控与异常检测,Agent 在遇到执行失败时自动分析错误原因、调整执行策略或触发人工介入;支持最大重试次数与 fallback 路径配置
4. 知识积累与持续优化:将历史任务执行记录(成功/失败路径、工具调用链路)沉淀为经验知识库,Agent 在规划新任务时参考历史模式,持续优化任务拆解和执行策略
项目成果:
• 覆盖 20+ 类企业内部常规自动化任务场景,长期运行稳定性良好
• 重复性任务的人工介入频率降低约 60%,报表生成类任务从平均 30 分钟缩短至 3 分钟内 自动完成
• 新任务接入成本显著降低,通过自然语言描述即可快速配置,无需编写定制脚本