廾匸
AI预训练开发工程师
湖南由创科技 · 4年经验
日薪：
￥600/8h
地点：
长沙 全区
时间：
下班后周六周日可工作日远程
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
具备Python后端开发、NLP数据处理及大模型工程化实践经验。熟悉Python 3.11基础语法、函数与模块拆分、文件读写、JSON/YAML配置管理、异常处理、日志记录、命令行工具开发及第三方API调用，能够按照职责分离、配置驱动和低耦合原则组织代码，完成数据处理脚本、模型调用工具、配置校验程序和自动化任务开发。
熟悉Conda虚拟环境、PyCharm、pip、Git、Gitee及分支协作流程，能够完成开发环境搭建、依赖管理、代码版本控制、分支创建与合并、远程仓库推送、变更检查及基础问题排查；具备Windows PowerShell操作经验，掌握基础Linux、Shell和终端命令。
具备NLP及AI训练流程相关经验，参与过外呼意图识别项目中的业务意图梳理、训练数据清洗、数据标注、样本质量检查、训练参数配置、模型效果测试、错误案例分析和真实业务验证，能够根据模型输出识别误判、漏判及边界样本问题，并结合业务场景持续优化训练数据和评测标准。
具备大语言模型API接入与评测实践，能够完成模型注册、接口连通测试、请求参数配置、候选答案生成、多模型对比、多评委评分、评分结果提取、错误记录、成本与稳定性分析。了解Top1、Top3、Top5模型路由、模型降级、超时处理、失败回退、人工审批、操作审计等工程机制。
熟悉大模型应用中的Prompt设计、结构化输出、模型评测、角色画像、技能画像、知识库和智能体工作流基本原理，长期使用ChatGPT、Codex等AI开发工具辅助进行需求分析、代码生成、问题定位、测试补充和技术文档整理。能够对AI生成代码进行本地运行、结果验证、Git差异检查和人工验收，不将模型生成结果直接等同于最终交付结果。
熟悉Conda虚拟环境、PyCharm、pip、Git、Gitee及分支协作流程，能够完成开发环境搭建、依赖管理、代码版本控制、分支创建与合并、远程仓库推送、变更检查及基础问题排查；具备Windows PowerShell操作经验，掌握基础Linux、Shell和终端命令。
具备NLP及AI训练流程相关经验，参与过外呼意图识别项目中的业务意图梳理、训练数据清洗、数据标注、样本质量检查、训练参数配置、模型效果测试、错误案例分析和真实业务验证，能够根据模型输出识别误判、漏判及边界样本问题，并结合业务场景持续优化训练数据和评测标准。
具备大语言模型API接入与评测实践，能够完成模型注册、接口连通测试、请求参数配置、候选答案生成、多模型对比、多评委评分、评分结果提取、错误记录、成本与稳定性分析。了解Top1、Top3、Top5模型路由、模型降级、超时处理、失败回退、人工审批、操作审计等工程机制。
熟悉大模型应用中的Prompt设计、结构化输出、模型评测、角色画像、技能画像、知识库和智能体工作流基本原理，长期使用ChatGPT、Codex等AI开发工具辅助进行需求分析、代码生成、问题定位、测试补充和技术文档整理。能够对AI生成代码进行本地运行、结果验证、Git差异检查和人工验收，不将模型生成结果直接等同于最终交付结果。
项目经验
项目一：外呼业务意图识别模型训练与效果评测
项目背景：
参与面向真实外呼业务场景的意图识别项目，通过对用户对话文本进行数据清洗、标注和模型评测，提升模型对不同用户表达方式及业务意图的识别能力。
主要工作：
1. 根据实际业务流程梳理用户意图分类，协助完善意图标签、标注规范及边界样本处理规则。
2. 对原始对话数据进行清洗、去重、无效数据过滤及格式整理，检查样本内容和标签是否一致。
3. 参与训练数据标注与质量检查，分析容易混淆的相近意图、口语化表达及上下文不完整等问题。
4. 根据项目要求配置模型训练相关参数，配合完成训练任务准备、模型版本记录和效果验证。
5. 对模型输出进行人工评测，整理误判、漏判、低置信度和边界案例，并反馈至数据及训练环节进行迭代。
6. 结合真实外呼业务结果开展模型验证，分析意图识别效果与业务漏斗、用户响应及后续转化之间的关系。
项目成果：
积累了从业务意图定义、训练数据准备、数据质量控制、模型评测到真实业务验证的完整实践经验，能够从数据和业务两个角度定位模型效果问题，而不是仅关注单一离线评分。
项目二：多模型评测、路由与审计平台
项目背景：
为解决多个大语言模型在不同任务上的能力差异、调用成本和稳定性问题，设计并实现一套配置驱动的多模型注册、调用、评测、路由和审计流程。
技术与工具：
Python、JSON、YAML、命令行工具、模型API、Conda、Git、PowerShell。
主要工作：
1. 对Qwen、DeepSeek、Kimi等多个模型进行统一注册和配置管理，记录模型名称、接口参数、调用状态及适用任务。
2. 编写模型连通性验证和冒烟测试流程，检查接口地址、鉴权信息、请求参数、返回结构及异常信息。
3. 构建候选答案生成流程，使多个模型能够针对同一评测任务分别输出结果，并按照统一目录保存。
4. 设计多评委评分机制，从准确性、完整性、相关性、风险、稳定性等维度对模型答案进行评估。
5. 实现评分结果提取、汇总和异常检查，避免评分缺失、返回格式不一致和无效结果直接进入后续流程。
6. 设计Top1、Top3和Top5模型路由机制，综合考虑技能匹配度、历史成功率、稳定性、置信度和调用成本。
7. 增加人工审核、CEO确认、预算限制、失败降级和操作审计机制，使高风险模型操作保留人工控制入口。
8. 使用Git管理配置和代码版本，通过配置校验、运行日志及变更检查保证不同模型和不同任务之间可追踪。
项目成果：
完成多个模型的真实接口连通和基础冒烟测试，跑通候选生成、多评委评分、评分提取、人工复核和技能分更新草案等流程；形成了对大模型评测、模型路由、成本治理和工程审计的系统理解。
项目三：Python学习日志管理与模块化后端工具
项目背景：
为记录个人AI学习进度和每日学习数据，使用Python开发本地学习日志管理工具，实现数据录入、持久化保存、查询和统计。
技术与工具：
Python 3.11、JSON、模块化开发、文件读写、异常处理、Conda、PyCharm、Git、Gitee。
主要工作：
1. 将程序拆分为主程序、输入处理、计算逻辑和报告输出等模块，降低代码耦合。
2. 设计学习记录的数据结构，保存学习日期、学习内容、学习时长和完成情况等信息。
3. 使用JSON文件实现数据持久化，使程序关闭并重新运行后仍能读取历史记录。
4. 开发菜单循环和用户输入处理，对无效选项、数字转换和空内容进行基础校验。
5. 在新增记录后立即保存文件，降低程序异常退出导致的数据丢失风险。
6. 使用Git分支完成代码管理、提交和远程仓库同步，并处理开发工具配置文件误提交问题。
7. 对变量传递、函数返回值、模块导入和代码格式问题进行检查和修正。
项目成果：
完成从单文件脚本向模块化Python程序的改造，掌握了JSON持久化、模块职责划分、输入校验、Git版本管理和本地运行验证等后端开发基础。
项目背景：
参与面向真实外呼业务场景的意图识别项目，通过对用户对话文本进行数据清洗、标注和模型评测，提升模型对不同用户表达方式及业务意图的识别能力。
主要工作：
1. 根据实际业务流程梳理用户意图分类，协助完善意图标签、标注规范及边界样本处理规则。
2. 对原始对话数据进行清洗、去重、无效数据过滤及格式整理，检查样本内容和标签是否一致。
3. 参与训练数据标注与质量检查，分析容易混淆的相近意图、口语化表达及上下文不完整等问题。
4. 根据项目要求配置模型训练相关参数，配合完成训练任务准备、模型版本记录和效果验证。
5. 对模型输出进行人工评测，整理误判、漏判、低置信度和边界案例，并反馈至数据及训练环节进行迭代。
6. 结合真实外呼业务结果开展模型验证，分析意图识别效果与业务漏斗、用户响应及后续转化之间的关系。
项目成果：
积累了从业务意图定义、训练数据准备、数据质量控制、模型评测到真实业务验证的完整实践经验，能够从数据和业务两个角度定位模型效果问题，而不是仅关注单一离线评分。
项目二：多模型评测、路由与审计平台
项目背景：
为解决多个大语言模型在不同任务上的能力差异、调用成本和稳定性问题，设计并实现一套配置驱动的多模型注册、调用、评测、路由和审计流程。
技术与工具：
Python、JSON、YAML、命令行工具、模型API、Conda、Git、PowerShell。
主要工作：
1. 对Qwen、DeepSeek、Kimi等多个模型进行统一注册和配置管理，记录模型名称、接口参数、调用状态及适用任务。
2. 编写模型连通性验证和冒烟测试流程，检查接口地址、鉴权信息、请求参数、返回结构及异常信息。
3. 构建候选答案生成流程，使多个模型能够针对同一评测任务分别输出结果，并按照统一目录保存。
4. 设计多评委评分机制，从准确性、完整性、相关性、风险、稳定性等维度对模型答案进行评估。
5. 实现评分结果提取、汇总和异常检查，避免评分缺失、返回格式不一致和无效结果直接进入后续流程。
6. 设计Top1、Top3和Top5模型路由机制，综合考虑技能匹配度、历史成功率、稳定性、置信度和调用成本。
7. 增加人工审核、CEO确认、预算限制、失败降级和操作审计机制，使高风险模型操作保留人工控制入口。
8. 使用Git管理配置和代码版本，通过配置校验、运行日志及变更检查保证不同模型和不同任务之间可追踪。
项目成果：
完成多个模型的真实接口连通和基础冒烟测试，跑通候选生成、多评委评分、评分提取、人工复核和技能分更新草案等流程；形成了对大模型评测、模型路由、成本治理和工程审计的系统理解。
项目三：Python学习日志管理与模块化后端工具
项目背景：
为记录个人AI学习进度和每日学习数据，使用Python开发本地学习日志管理工具，实现数据录入、持久化保存、查询和统计。
技术与工具：
Python 3.11、JSON、模块化开发、文件读写、异常处理、Conda、PyCharm、Git、Gitee。
主要工作：
1. 将程序拆分为主程序、输入处理、计算逻辑和报告输出等模块，降低代码耦合。
2. 设计学习记录的数据结构，保存学习日期、学习内容、学习时长和完成情况等信息。
3. 使用JSON文件实现数据持久化，使程序关闭并重新运行后仍能读取历史记录。
4. 开发菜单循环和用户输入处理，对无效选项、数字转换和空内容进行基础校验。
5. 在新增记录后立即保存文件，降低程序异常退出导致的数据丢失风险。
6. 使用Git分支完成代码管理、提交和远程仓库同步，并处理开发工具配置文件误提交问题。
7. 对变量传递、函数返回值、模块导入和代码格式问题进行检查和修正。
项目成果：
完成从单文件脚本向模块化Python程序的改造，掌握了JSON持久化、模块职责划分、输入校验、Git版本管理和本地运行验证等后端开发基础。
案例展示 全部案例 >
廾匸
AI预训练开发工程师 · 4年经验 · 湖南由创科技
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
具备Python后端开发、NLP数据处理及大模型工程化实践经验。熟悉Python 3.11基础语法、函数与模块拆分、文件读写、JSON/YAML配置管理、异常处理、日志记录、命令行工具开发及第三方API调用，能够按照职责分离、配置驱动和低耦合原则组织代码，完成数据处理脚本、模型调用工具、配置校验程序和自动化任务开发。
熟悉Conda虚拟环境、PyCharm、pip、Git、Gitee及分支协作流程，能够完成开发环境搭建、依赖管理、代码版本控制、分支创建与合并、远程仓库推送、变更检查及基础问题排查；具备Windows PowerShell操作经验，掌握基础Linux、Shell和终端命令。
具备NLP及AI训练流程相关经验，参与过外呼意图识别项目中的业务意图梳理、训练数据清洗、数据标注、样本质量检查、训练参数配置、模型效果测试、错误案例分析和真实业务验证，能够根据模型输出识别误判、漏判及边界样本问题，并结合业务场景持续优化训练数据和评测标准。
具备大语言模型API接入与评测实践，能够完成模型注册、接口连通测试、请求参数配置、候选答案生成、多模型对比、多评委评分、评分结果提取、错误记录、成本与稳定性分析。了解Top1、Top3、Top5模型路由、模型降级、超时处理、失败回退、人工审批、操作审计等工程机制。
熟悉大模型应用中的Prompt设计、结构化输出、模型评测、角色画像、技能画像、知识库和智能体工作流基本原理，长期使用ChatGPT、Codex等AI开发工具辅助进行需求分析、代码生成、问题定位、测试补充和技术文档整理。能够对AI生成代码进行本地运行、结果验证、Git差异检查和人工验收，不将模型生成结果直接等同于最终交付结果。
熟悉Conda虚拟环境、PyCharm、pip、Git、Gitee及分支协作流程，能够完成开发环境搭建、依赖管理、代码版本控制、分支创建与合并、远程仓库推送、变更检查及基础问题排查；具备Windows PowerShell操作经验，掌握基础Linux、Shell和终端命令。
具备NLP及AI训练流程相关经验，参与过外呼意图识别项目中的业务意图梳理、训练数据清洗、数据标注、样本质量检查、训练参数配置、模型效果测试、错误案例分析和真实业务验证，能够根据模型输出识别误判、漏判及边界样本问题，并结合业务场景持续优化训练数据和评测标准。
具备大语言模型API接入与评测实践，能够完成模型注册、接口连通测试、请求参数配置、候选答案生成、多模型对比、多评委评分、评分结果提取、错误记录、成本与稳定性分析。了解Top1、Top3、Top5模型路由、模型降级、超时处理、失败回退、人工审批、操作审计等工程机制。
熟悉大模型应用中的Prompt设计、结构化输出、模型评测、角色画像、技能画像、知识库和智能体工作流基本原理，长期使用ChatGPT、Codex等AI开发工具辅助进行需求分析、代码生成、问题定位、测试补充和技术文档整理。能够对AI生成代码进行本地运行、结果验证、Git差异检查和人工验收，不将模型生成结果直接等同于最终交付结果。
项目经验
项目一：外呼业务意图识别模型训练与效果评测
项目背景：
参与面向真实外呼业务场景的意图识别项目，通过对用户对话文本进行数据清洗、标注和模型评测，提升模型对不同用户表达方式及业务意图的识别能力。
主要工作：
1. 根据实际业务流程梳理用户意图分类，协助完善意图标签、标注规范及边界样本处理规则。
2. 对原始对话数据进行清洗、去重、无效数据过滤及格式整理，检查样本内容和标签是否一致。
3. 参与训练数据标注与质量检查，分析容易混淆的相近意图、口语化表达及上下文不完整等问题。
4. 根据项目要求配置模型训练相关参数，配合完成训练任务准备、模型版本记录和效果验证。
5. 对模型输出进行人工评测，整理误判、漏判、低置信度和边界案例，并反馈至数据及训练环节进行迭代。
6. 结合真实外呼业务结果开展模型验证，分析意图识别效果与业务漏斗、用户响应及后续转化之间的关系。
项目成果：
积累了从业务意图定义、训练数据准备、数据质量控制、模型评测到真实业务验证的完整实践经验，能够从数据和业务两个角度定位模型效果问题，而不是仅关注单一离线评分。
项目二：多模型评测、路由与审计平台
项目背景：
为解决多个大语言模型在不同任务上的能力差异、调用成本和稳定性问题，设计并实现一套配置驱动的多模型注册、调用、评测、路由和审计流程。
技术与工具：
Python、JSON、YAML、命令行工具、模型API、Conda、Git、PowerShell。
主要工作：
1. 对Qwen、DeepSeek、Kimi等多个模型进行统一注册和配置管理，记录模型名称、接口参数、调用状态及适用任务。
2. 编写模型连通性验证和冒烟测试流程，检查接口地址、鉴权信息、请求参数、返回结构及异常信息。
3. 构建候选答案生成流程，使多个模型能够针对同一评测任务分别输出结果，并按照统一目录保存。
4. 设计多评委评分机制，从准确性、完整性、相关性、风险、稳定性等维度对模型答案进行评估。
5. 实现评分结果提取、汇总和异常检查，避免评分缺失、返回格式不一致和无效结果直接进入后续流程。
6. 设计Top1、Top3和Top5模型路由机制，综合考虑技能匹配度、历史成功率、稳定性、置信度和调用成本。
7. 增加人工审核、CEO确认、预算限制、失败降级和操作审计机制，使高风险模型操作保留人工控制入口。
8. 使用Git管理配置和代码版本，通过配置校验、运行日志及变更检查保证不同模型和不同任务之间可追踪。
项目成果：
完成多个模型的真实接口连通和基础冒烟测试，跑通候选生成、多评委评分、评分提取、人工复核和技能分更新草案等流程；形成了对大模型评测、模型路由、成本治理和工程审计的系统理解。
项目三：Python学习日志管理与模块化后端工具
项目背景：
为记录个人AI学习进度和每日学习数据，使用Python开发本地学习日志管理工具，实现数据录入、持久化保存、查询和统计。
技术与工具：
Python 3.11、JSON、模块化开发、文件读写、异常处理、Conda、PyCharm、Git、Gitee。
主要工作：
1. 将程序拆分为主程序、输入处理、计算逻辑和报告输出等模块，降低代码耦合。
2. 设计学习记录的数据结构，保存学习日期、学习内容、学习时长和完成情况等信息。
3. 使用JSON文件实现数据持久化，使程序关闭并重新运行后仍能读取历史记录。
4. 开发菜单循环和用户输入处理，对无效选项、数字转换和空内容进行基础校验。
5. 在新增记录后立即保存文件，降低程序异常退出导致的数据丢失风险。
6. 使用Git分支完成代码管理、提交和远程仓库同步，并处理开发工具配置文件误提交问题。
7. 对变量传递、函数返回值、模块导入和代码格式问题进行检查和修正。
项目成果：
完成从单文件脚本向模块化Python程序的改造，掌握了JSON持久化、模块职责划分、输入校验、Git版本管理和本地运行验证等后端开发基础。
项目背景：
参与面向真实外呼业务场景的意图识别项目，通过对用户对话文本进行数据清洗、标注和模型评测，提升模型对不同用户表达方式及业务意图的识别能力。
主要工作：
1. 根据实际业务流程梳理用户意图分类，协助完善意图标签、标注规范及边界样本处理规则。
2. 对原始对话数据进行清洗、去重、无效数据过滤及格式整理，检查样本内容和标签是否一致。
3. 参与训练数据标注与质量检查，分析容易混淆的相近意图、口语化表达及上下文不完整等问题。
4. 根据项目要求配置模型训练相关参数，配合完成训练任务准备、模型版本记录和效果验证。
5. 对模型输出进行人工评测，整理误判、漏判、低置信度和边界案例，并反馈至数据及训练环节进行迭代。
6. 结合真实外呼业务结果开展模型验证，分析意图识别效果与业务漏斗、用户响应及后续转化之间的关系。
项目成果：
积累了从业务意图定义、训练数据准备、数据质量控制、模型评测到真实业务验证的完整实践经验，能够从数据和业务两个角度定位模型效果问题，而不是仅关注单一离线评分。
项目二：多模型评测、路由与审计平台
项目背景：
为解决多个大语言模型在不同任务上的能力差异、调用成本和稳定性问题，设计并实现一套配置驱动的多模型注册、调用、评测、路由和审计流程。
技术与工具：
Python、JSON、YAML、命令行工具、模型API、Conda、Git、PowerShell。
主要工作：
1. 对Qwen、DeepSeek、Kimi等多个模型进行统一注册和配置管理，记录模型名称、接口参数、调用状态及适用任务。
2. 编写模型连通性验证和冒烟测试流程，检查接口地址、鉴权信息、请求参数、返回结构及异常信息。
3. 构建候选答案生成流程，使多个模型能够针对同一评测任务分别输出结果，并按照统一目录保存。
4. 设计多评委评分机制，从准确性、完整性、相关性、风险、稳定性等维度对模型答案进行评估。
5. 实现评分结果提取、汇总和异常检查，避免评分缺失、返回格式不一致和无效结果直接进入后续流程。
6. 设计Top1、Top3和Top5模型路由机制，综合考虑技能匹配度、历史成功率、稳定性、置信度和调用成本。
7. 增加人工审核、CEO确认、预算限制、失败降级和操作审计机制，使高风险模型操作保留人工控制入口。
8. 使用Git管理配置和代码版本，通过配置校验、运行日志及变更检查保证不同模型和不同任务之间可追踪。
项目成果：
完成多个模型的真实接口连通和基础冒烟测试，跑通候选生成、多评委评分、评分提取、人工复核和技能分更新草案等流程；形成了对大模型评测、模型路由、成本治理和工程审计的系统理解。
项目三：Python学习日志管理与模块化后端工具
项目背景：
为记录个人AI学习进度和每日学习数据，使用Python开发本地学习日志管理工具，实现数据录入、持久化保存、查询和统计。
技术与工具：
Python 3.11、JSON、模块化开发、文件读写、异常处理、Conda、PyCharm、Git、Gitee。
主要工作：
1. 将程序拆分为主程序、输入处理、计算逻辑和报告输出等模块，降低代码耦合。
2. 设计学习记录的数据结构，保存学习日期、学习内容、学习时长和完成情况等信息。
3. 使用JSON文件实现数据持久化，使程序关闭并重新运行后仍能读取历史记录。
4. 开发菜单循环和用户输入处理，对无效选项、数字转换和空内容进行基础校验。
5. 在新增记录后立即保存文件，降低程序异常退出导致的数据丢失风险。
6. 使用Git分支完成代码管理、提交和远程仓库同步，并处理开发工具配置文件误提交问题。
7. 对变量传递、函数返回值、模块导入和代码格式问题进行检查和修正。
项目成果：
完成从单文件脚本向模块化Python程序的改造，掌握了JSON持久化、模块职责划分、输入校验、Git版本管理和本地运行验证等后端开发基础。
立即沟通
