梅花村卖火柴
AI Agent开发工程师 · 2年经验 · 中国通信服务上海公司
0
累计接单
0
用户评价
0
被收藏
技术能力
具备企业级大模型应用、智能体及数据应用的完整开发与落地能力，能够独立完成需求分析、技术方案设计、后端开发、数据库接入、模型调用、Docker部署及线上问题排查。熟练使用 Python、FastAPI、SQLAlchemy、Pandas、PyArrow、DuckDB 等技术，能够开发 RESTful API、数据处理脚本、批量任务和自动化工具。熟悉 Oracle、MySQL、PostgreSQL、SQLite、MongoDB、Redis 等数据库，具备复杂 SQL 编写、数据库元数据分析、表关系梳理、数据脱敏和业务口径治理经验。
熟悉大模型 API 接入、Prompt 设计、RAG、Agent、ReAct、NL2SQL、Schema Linking、向量检索、关键词召回、Rerank、SQL 自动纠错、长期记忆和经验复用机制，使用过 Milvus、Qdrant 等向量数据库。具备 Linux、Docker、Docker Compose、Nginx、Git、服务器部署、容器日志分析和 Oracle 客户端兼容改造经验。能够使用 HTML、CSS、JavaScript、Streamlit、Electron、PowerShell 等技术开发管理页面、桌面工具和 Windows 自动化程序。
擅长将业务需求转化为可交付的 AI 应用，能够处理企业知识库、数据库智能问答、表字段语义治理、办公数据自动化、开源 AI 项目部署、接口联调及线上故障排查等任务。重视数据安全、代码可维护性、异常处理、任务恢复、测试验证和交付文档编写。
熟悉大模型 API 接入、Prompt 设计、RAG、Agent、ReAct、NL2SQL、Schema Linking、向量检索、关键词召回、Rerank、SQL 自动纠错、长期记忆和经验复用机制，使用过 Milvus、Qdrant 等向量数据库。具备 Linux、Docker、Docker Compose、Nginx、Git、服务器部署、容器日志分析和 Oracle 客户端兼容改造经验。能够使用 HTML、CSS、JavaScript、Streamlit、Electron、PowerShell 等技术开发管理页面、桌面工具和 Windows 自动化程序。
擅长将业务需求转化为可交付的 AI 应用，能够处理企业知识库、数据库智能问答、表字段语义治理、办公数据自动化、开源 AI 项目部署、接口联调及线上故障排查等任务。重视数据安全、代码可维护性、异常处理、任务恢复、测试验证和交付文档编写。
项目经验
1. 企业级 DataAgent 数据智能问答系统
参与企业级数据库智能问答系统的研发和落地，面向高校一卡通、缴费、门禁等复杂业务数据库，实现用户自然语言问题到业务数据结果的完整执行链路。主要负责意图识别、问题改写、候选表召回、Schema Linking、表字段选择、SQL 生成、数据库执行、失败纠错及结果解释等模块。
针对传统 ReAct 多步骤执行速度慢、模型调用成本高和结果不稳定的问题，参与设计 NL2SQL 短链路和任务经验复用机制。通过向量召回、关键词召回、Rerank 和大模型选表提升候选表准确率；对高置信度历史任务复用 SQL 模板、字段合同和执行路径，对人物、日期等历史参数进行动态替换。建立 SQL 执行失败后的定向修正机制，并通过评测集持续分析错误类型、补充表字段描述和业务枚举，提高系统在真实业务问题中的准确率与稳定性。
技术栈：Python、FastAPI、Oracle、MySQL、PostgreSQL、Milvus、MongoDB、Pandas、LLM API、Docker。
2. 数据库语义理解与表描述生成平台
开发面向数据智能体的数据库语义理解和元数据治理工具，支持 Oracle、MySQL 等数据源。系统可自动读取表、字段、主键、唯一索引、普通索引、外键、记录数量及少量样例数据，并在脱敏后调用大模型生成表级描述、字段描述、数据粒度、业务标识、时间字段和关联关系。
设计全库目录图和邻居上下文机制，避免模型逐表孤立分析；支持数据源级关系语义模型，对候选关系进行人工确认、拒绝、发布、版本管理和回滚。实现批量生成任务、单表失败隔离、任务状态持久化、中断恢复、调用重试、限流、内容复用及 DataAgent 元数据导出。针对敏感数据场景增加隐私模式，可关闭业务数据采样、清除默认值并对用户输入中的数据字面量进行替换。
该项目能够用于数据库文档补全、数据资产梳理、数据智能体建设前的元数据治理，以及自然语言查询数据库项目的前期准备。
技术栈：Python、FastAPI、SQLAlchemy、Oracle、MySQL、SQLite、LLM API、HTML、JavaScript、Pytest。
3. RAG 与智能体长期记忆系统
参与设计和重构智能体长期记忆系统，将原有简单向量记忆升级为结构化 Wiki 记忆。系统包含事实抽取、待处理队列、文档归类、知识块生成、原始事实留存、写入事件记录和查询召回等完整流程。
在写入阶段，将对话或执行结果抽取为原子事实，并由大模型判断其所属文档和章节；在召回阶段，根据用户问题选择候选知识文档，按章节或全文检索，再通过评分过滤和重排序返回上下文。针对大体量文档合并失败、知识写入成功但召回为空等线上问题，完成日志分析、MongoDB 集合检查、召回链路定位和分块策略优化，并设计可回溯目录和禁用高风险合并的降级方案。
该系统用于沉淀用户偏好、业务口径、数据库知识、历史任务经验和执行结论，为后续回答、SQL 生成和报告生成提供长期上下文。
技术栈：Python、MongoDB、SQLite、向量检索、Rerank、LLM API、Docker。
4. 数据处理、数据库兼容与部署运维
负责多个 AI 数据应用的服务器部署、容器化和线上排障工作。处理过旧版本 Oracle 数据库驱动不兼容问题，将连接模式由 Thin 改造为 Thick，统一 Agent 查询、连接测试和 NL2SQL 等多个数据库入口，并将 Oracle Instant Client 集成至 Docker 镜像，通过环境变量控制不同运行模式。
搭建并维护 Docker Compose 环境，涉及应用服务、MongoDB、Qdrant 等组件；能够完成镜像构建、推送、服务器部署、环境变量挂载、容器健康检查和日志定位。针对大结果集查询设计 DuckDB、Parquet、Zstd 流式落盘方案，在扩展不可用时自动降级至 Pandas 与 PyArrow，并通过结果行数、JOIN 和子查询复杂度限制降低内存溢出风险。
同时具备服务器网络、Tailscale 异地组网、DERP 中继诊断、远程访问和 Windows 服务排查经验，可承接开源 AI 项目部署、模型 API 接入、数据库连接故障和容器运行异常等任务。
技术栈：Linux、Docker、Docker Compose、Oracle Instant Client、Nginx、Git、MongoDB、Qdrant、DuckDB、Pandas、PyArrow。
5. 独立工具与轻量应用开发
独立开发过多款 Windows 桌面工具和轻量 Web 应用。其中包括 W
参与企业级数据库智能问答系统的研发和落地，面向高校一卡通、缴费、门禁等复杂业务数据库，实现用户自然语言问题到业务数据结果的完整执行链路。主要负责意图识别、问题改写、候选表召回、Schema Linking、表字段选择、SQL 生成、数据库执行、失败纠错及结果解释等模块。
针对传统 ReAct 多步骤执行速度慢、模型调用成本高和结果不稳定的问题，参与设计 NL2SQL 短链路和任务经验复用机制。通过向量召回、关键词召回、Rerank 和大模型选表提升候选表准确率；对高置信度历史任务复用 SQL 模板、字段合同和执行路径，对人物、日期等历史参数进行动态替换。建立 SQL 执行失败后的定向修正机制，并通过评测集持续分析错误类型、补充表字段描述和业务枚举，提高系统在真实业务问题中的准确率与稳定性。
技术栈：Python、FastAPI、Oracle、MySQL、PostgreSQL、Milvus、MongoDB、Pandas、LLM API、Docker。
2. 数据库语义理解与表描述生成平台
开发面向数据智能体的数据库语义理解和元数据治理工具，支持 Oracle、MySQL 等数据源。系统可自动读取表、字段、主键、唯一索引、普通索引、外键、记录数量及少量样例数据，并在脱敏后调用大模型生成表级描述、字段描述、数据粒度、业务标识、时间字段和关联关系。
设计全库目录图和邻居上下文机制，避免模型逐表孤立分析；支持数据源级关系语义模型，对候选关系进行人工确认、拒绝、发布、版本管理和回滚。实现批量生成任务、单表失败隔离、任务状态持久化、中断恢复、调用重试、限流、内容复用及 DataAgent 元数据导出。针对敏感数据场景增加隐私模式，可关闭业务数据采样、清除默认值并对用户输入中的数据字面量进行替换。
该项目能够用于数据库文档补全、数据资产梳理、数据智能体建设前的元数据治理，以及自然语言查询数据库项目的前期准备。
技术栈：Python、FastAPI、SQLAlchemy、Oracle、MySQL、SQLite、LLM API、HTML、JavaScript、Pytest。
3. RAG 与智能体长期记忆系统
参与设计和重构智能体长期记忆系统，将原有简单向量记忆升级为结构化 Wiki 记忆。系统包含事实抽取、待处理队列、文档归类、知识块生成、原始事实留存、写入事件记录和查询召回等完整流程。
在写入阶段，将对话或执行结果抽取为原子事实，并由大模型判断其所属文档和章节；在召回阶段，根据用户问题选择候选知识文档，按章节或全文检索，再通过评分过滤和重排序返回上下文。针对大体量文档合并失败、知识写入成功但召回为空等线上问题，完成日志分析、MongoDB 集合检查、召回链路定位和分块策略优化，并设计可回溯目录和禁用高风险合并的降级方案。
该系统用于沉淀用户偏好、业务口径、数据库知识、历史任务经验和执行结论，为后续回答、SQL 生成和报告生成提供长期上下文。
技术栈：Python、MongoDB、SQLite、向量检索、Rerank、LLM API、Docker。
4. 数据处理、数据库兼容与部署运维
负责多个 AI 数据应用的服务器部署、容器化和线上排障工作。处理过旧版本 Oracle 数据库驱动不兼容问题，将连接模式由 Thin 改造为 Thick，统一 Agent 查询、连接测试和 NL2SQL 等多个数据库入口，并将 Oracle Instant Client 集成至 Docker 镜像，通过环境变量控制不同运行模式。
搭建并维护 Docker Compose 环境，涉及应用服务、MongoDB、Qdrant 等组件；能够完成镜像构建、推送、服务器部署、环境变量挂载、容器健康检查和日志定位。针对大结果集查询设计 DuckDB、Parquet、Zstd 流式落盘方案，在扩展不可用时自动降级至 Pandas 与 PyArrow，并通过结果行数、JOIN 和子查询复杂度限制降低内存溢出风险。
同时具备服务器网络、Tailscale 异地组网、DERP 中继诊断、远程访问和 Windows 服务排查经验，可承接开源 AI 项目部署、模型 API 接入、数据库连接故障和容器运行异常等任务。
技术栈：Linux、Docker、Docker Compose、Oracle Instant Client、Nginx、Git、MongoDB、Qdrant、DuckDB、Pandas、PyArrow。
5. 独立工具与轻量应用开发
独立开发过多款 Windows 桌面工具和轻量 Web 应用。其中包括 W
案例展示
数据智能体元数据治理平台
将缺乏业务注释的数据库，自动整理成数据智能体能够理解、业务人员能够审核的结构化知识。 本项目是一套面向数据智能体、自然语言查询数据库和数据资产治理场景的数据库元数据理解平台，支持接入Oracle、MySQL等关系型数据库，自动采集表、字段、主键、唯一索引、普通索引、外键、表注释
AI多模态个人知识库
本项目是一套本地优先的AI多模态个人知识库系统，用于统一记录和管理日常工作、生活、学习与灵感内容。系统提供统一录入入口，支持文本、图片、音频和文本文件：文本内容可直接分析，图片通过视觉模型生成内容描述，音频通过ASR模型完成语音转写，随后由大模型自动生成摘要和分类标签。 处
立即沟通
