AI 应用与大模型工程：
Agent 架构设计：掌握基于 LangChain / Spring AI 的智能体框架设计，擅长利用 ReAct / CoT (思维链) 模式拆解复杂业务任务；具备从0到1构建自主规划型Agent的实战经验（如BI数据分析助手）。
RAG 全链路开发：深入掌握检索增强生成（RAG）核心技术栈。掌握混合检索策略（向量+关键词），熟练运用 BGE/M3 等Embedding模型及 Rerank 重排序机制；通过优化文本分片（Chunking）策略与索引结构提高检索准确率。
LLM 应用落地：熟练掌握 Prompt Engineering 技术，有效解决大模型幻觉与指令遵循问题；熟悉 Function Calling 机制，能高效对接内部API与数据库工具。

数据工程与知识图谱：
数仓与数据治理：拥有数据研发经验，掌握MySQL、PostgreSQL；用于搭建离线数据仓库经验，具备复杂 ETL 链路开发与性能调优 能力。为AI应用提供高质量数据底座。
指标体系与血缘：深刻理解企业级指标体系构建方法论，熟练掌握 DataHub 等数据血缘技术；能利用血缘关系构建指标知识图谱，为Text2SQL和Agent决策提供结构化语义支持。
图数据库应用：掌握并使用Neo4j构建知识图谱，构建动态查询链路；

后端应用工程：
具备 Python + Java 双语言开发能力，熟悉对应的 FastAPI、Flask、SpringBoot等开发框架；
熟悉并掌握 MySQL、PostgreSQL等关系型数据库的使用和性能调优；
熟悉 Redis 的缓存机制，熟悉MQ、Kafka 消息队列的削峰填谷机制；

项目角色：RAG 知识库设计构建及检索召回逻辑开发
项目背景：针对人工客服响应时效性，且重复问题占比过高的痛点，构建基于大模型的智能客服系统，实现AI自动应答，拦截率 >70%。
核心问题与解决：
1. 长文本检索精度低：产品手册数据文本过长，固定长度分块导致上下文缺失，召回率过低；
方案：采用滑动窗口方式做 chunking，设置窗口重叠保证语义衔接；设计并构建层级索引 + 父子索引混合方式，提升知识库检索效率并提高关键信息的召回率，有效减低模型幻觉；
2. 复杂意图识别：用户提问的口语化以及实体模糊问影响RAG检索质量；
方案：构建分层意图识别机制。针对query进行预处理（口语规范化、实体替换），使用小模型进行意图分类（QA类、查询类、业务操作类、闲聊类），然后使用LLM进行更细粒度的意图识别（槽位填充 + 多意图）；最后根据LLM给出的规范化结果进行RAG检索/Tool调用等。
项目成果：系统成功上线，问题拦截率达到70%，有效降低人工咨询成本。