技术能力

熟练使用 Python 进行日常开发，熟悉 PyTorch / TensorFlow 深度学习框架，能够完成模型训练、微调与推理部署。了解 Transformer、BERT、GPT 等主流 NLP 模型架构，有基于 LangChain 等工具搭建 RAG 问答系统和 AI Agent 的实践经验。熟悉常见机器学习算法（分类、回归、聚类）及其在业务场景中的应用。具备基础的 Web 开发能力，可使用 Flask / FastAPI 搭建简单的 API 服务，配合前端页面完成 AI 功能的上线展示。了解 Docker 基础用法和 Linux 常用命令，能将模型打包部署到服务器。对 Prompt Engineering 和大模型应用落地有一定研究，关注 AI 前沿技术动态，学习能力强，能快速上手新工具和新框架。

项目经验

一、基于RAG的本地知识库问答系统 独立搭建了一个本地知识库问答系统，后端使用 LangChain 框架整合向量数据库（Chroma），支持上传 PDF、TXT 等文档后自动分段、向量化存储，前端通过 FastAPI 提供接口，实现了基于文档内容的检索增强生成问答功能。项目采用 Docker 容器化部署，方便快速在服务器上运行。通过这个项目熟悉了 RAG 技术栈的完整链路，包括文档解析、Embedding 生成、语义检索和提示词工程等环节。

二、文本分类模型训练与应用 使用 Python 和 PyTorch 完成了一个中文文本分类任务，基于预训练的 BERT 模型进行微调，处理了数据清洗、标注、训练、评估的完整流程，最终模型准确率达到可用水平。将训练好的模型封装为 Flask API 服务，支持输入文本实时返回分类结果。通过该项目掌握了深度学习模型的训练流程、常见调参技巧以及模型部署的基本方法。

三、AI小程序开发 使用微信小程序框架配合后端 AI 接口，开发了一款简单的智能工具小程序。前端负责用户交互和结果展示，后端调用封装好的大模型接口完成具体功能。项目涉及前后端联调、接口鉴权、异步请求处理等常见问题，积累了一定的全栈开发经验。

团队情况