Jay
PYTHON开发工程师
浩鲸云计算科技股份有限公司 · 3年经验
日薪：
￥500/8h
地点：
上海
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
一：熟练使用Langchain,vLLm,FastAPI,PostgreSQL,Redis,MQ,Docker/K8s,CI/CD技术栈作为agen应用开发。
二：熟练使用ROS，MUJOCU，Pytorch等在机器狗上进行业务应用开发与模型训练。
二：熟练使用ROS，MUJOCU，Pytorch等在机器狗上进行业务应用开发与模型训练。
项目经验
一：机器狗Yolo视觉处理（目标检测+深度）:
在机器狗处理器rk3588端侧上部署yolo11n作为目标检测模型，yolo26作为深度估计模型，目标检测模型经过上万真实数据集微调后（使用5090训练），在自定义的18类标签上mAP50从39.3涨到78.4，在特别关注的人，垃圾，井盖，路障，电动车等标签上精确率与召回率分别能达到90%以上，经过量化压缩为8bit的rknn版本后，精确率与召回率平均只掉10个点，依然处于商业高可用单帧F和P中。深度模型经过校准后误差低于0.3m,保持高可用。双模型在rk3588端侧NPU上并行推理，单帧处理速度均值为100ms左右，最大可支持10FPS推理，CPU占用率15%，内存占用300MB左右，作为进程常驻。使用http本地端拉rtsp视频流，以json和图片格式回传给调用方，根据业务需要配置断流容错，多帧融合逻辑等，已部署运行在真实环境中。
二：使用langchain构建RAG模块：
项目亮点：
检索优化：“BM25+向量检索+HyDE”混合检索三路召回粗排，RRF合并，CrossEncoder精排，将Top-5命中率从52.6%提升至89.6%。
防幻觉设计：设计基于置信度的拒答Prompt策略，有效控制幻觉发生及输出。
查询重写：多轮对话中自动将指代消解为完整查询，垂直领域用微调小模型负责此模块。
增量索引：自动检测 PDF 新增/修改/删除，按需增量更新向量库。
知识图谱： RAG 基础上加了知识图谱层做 GraphRAG。管道是：非结构化文档 → LLM 三元组提取 → 嵌 LLM 混合消歧 → Neo4j。查 时用 LLM分类器决定走向量检索还是图检索—简单事实走 RAG，多跳推理走Neo4j。
在机器狗处理器rk3588端侧上部署yolo11n作为目标检测模型，yolo26作为深度估计模型，目标检测模型经过上万真实数据集微调后（使用5090训练），在自定义的18类标签上mAP50从39.3涨到78.4，在特别关注的人，垃圾，井盖，路障，电动车等标签上精确率与召回率分别能达到90%以上，经过量化压缩为8bit的rknn版本后，精确率与召回率平均只掉10个点，依然处于商业高可用单帧F和P中。深度模型经过校准后误差低于0.3m,保持高可用。双模型在rk3588端侧NPU上并行推理，单帧处理速度均值为100ms左右，最大可支持10FPS推理，CPU占用率15%，内存占用300MB左右，作为进程常驻。使用http本地端拉rtsp视频流，以json和图片格式回传给调用方，根据业务需要配置断流容错，多帧融合逻辑等，已部署运行在真实环境中。
二：使用langchain构建RAG模块：
项目亮点：
检索优化：“BM25+向量检索+HyDE”混合检索三路召回粗排，RRF合并，CrossEncoder精排，将Top-5命中率从52.6%提升至89.6%。
防幻觉设计：设计基于置信度的拒答Prompt策略，有效控制幻觉发生及输出。
查询重写：多轮对话中自动将指代消解为完整查询，垂直领域用微调小模型负责此模块。
增量索引：自动检测 PDF 新增/修改/删除，按需增量更新向量库。
知识图谱： RAG 基础上加了知识图谱层做 GraphRAG。管道是：非结构化文档 → LLM 三元组提取 → 嵌 LLM 混合消歧 → Neo4j。查 时用 LLM分类器决定走向量检索还是图检索—简单事实走 RAG，多跳推理走Neo4j。
Jay
PYTHON开发工程师 · 3年经验 · 浩鲸云计算科技股份有限公司
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
一：熟练使用Langchain,vLLm,FastAPI,PostgreSQL,Redis,MQ,Docker/K8s,CI/CD技术栈作为agen应用开发。
二：熟练使用ROS，MUJOCU，Pytorch等在机器狗上进行业务应用开发与模型训练。
二：熟练使用ROS，MUJOCU，Pytorch等在机器狗上进行业务应用开发与模型训练。
项目经验
一：机器狗Yolo视觉处理（目标检测+深度）:
在机器狗处理器rk3588端侧上部署yolo11n作为目标检测模型，yolo26作为深度估计模型，目标检测模型经过上万真实数据集微调后（使用5090训练），在自定义的18类标签上mAP50从39.3涨到78.4，在特别关注的人，垃圾，井盖，路障，电动车等标签上精确率与召回率分别能达到90%以上，经过量化压缩为8bit的rknn版本后，精确率与召回率平均只掉10个点，依然处于商业高可用单帧F和P中。深度模型经过校准后误差低于0.3m,保持高可用。双模型在rk3588端侧NPU上并行推理，单帧处理速度均值为100ms左右，最大可支持10FPS推理，CPU占用率15%，内存占用300MB左右，作为进程常驻。使用http本地端拉rtsp视频流，以json和图片格式回传给调用方，根据业务需要配置断流容错，多帧融合逻辑等，已部署运行在真实环境中。
二：使用langchain构建RAG模块：
项目亮点：
检索优化：“BM25+向量检索+HyDE”混合检索三路召回粗排，RRF合并，CrossEncoder精排，将Top-5命中率从52.6%提升至89.6%。
防幻觉设计：设计基于置信度的拒答Prompt策略，有效控制幻觉发生及输出。
查询重写：多轮对话中自动将指代消解为完整查询，垂直领域用微调小模型负责此模块。
增量索引：自动检测 PDF 新增/修改/删除，按需增量更新向量库。
知识图谱： RAG 基础上加了知识图谱层做 GraphRAG。管道是：非结构化文档 → LLM 三元组提取 → 嵌 LLM 混合消歧 → Neo4j。查 时用 LLM分类器决定走向量检索还是图检索—简单事实走 RAG，多跳推理走Neo4j。
在机器狗处理器rk3588端侧上部署yolo11n作为目标检测模型，yolo26作为深度估计模型，目标检测模型经过上万真实数据集微调后（使用5090训练），在自定义的18类标签上mAP50从39.3涨到78.4，在特别关注的人，垃圾，井盖，路障，电动车等标签上精确率与召回率分别能达到90%以上，经过量化压缩为8bit的rknn版本后，精确率与召回率平均只掉10个点，依然处于商业高可用单帧F和P中。深度模型经过校准后误差低于0.3m,保持高可用。双模型在rk3588端侧NPU上并行推理，单帧处理速度均值为100ms左右，最大可支持10FPS推理，CPU占用率15%，内存占用300MB左右，作为进程常驻。使用http本地端拉rtsp视频流，以json和图片格式回传给调用方，根据业务需要配置断流容错，多帧融合逻辑等，已部署运行在真实环境中。
二：使用langchain构建RAG模块：
项目亮点：
检索优化：“BM25+向量检索+HyDE”混合检索三路召回粗排，RRF合并，CrossEncoder精排，将Top-5命中率从52.6%提升至89.6%。
防幻觉设计：设计基于置信度的拒答Prompt策略，有效控制幻觉发生及输出。
查询重写：多轮对话中自动将指代消解为完整查询，垂直领域用微调小模型负责此模块。
增量索引：自动检测 PDF 新增/修改/删除，按需增量更新向量库。
知识图谱： RAG 基础上加了知识图谱层做 GraphRAG。管道是：非结构化文档 → LLM 三元组提取 → 嵌 LLM 混合消歧 → Neo4j。查 时用 LLM分类器决定走向量检索还是图检索—简单事实走 RAG，多跳推理走Neo4j。
案例展示
医疗信息查询agent开发
基于LangChain构建了一套医生问诊功能的Doctor agent和协助医生进行深入分析的multi-Agents系统。采用Redis缓存对话、PostgreSQL作为持久化记忆储存库、FastAPI提供接口服务、Streamlit作为前端交互。 Doctor agent：
机器狗端侧YOLO目标检测
机器狗Yolo视觉处理（目标检测+深度）: 在机器狗处理器rk3588端侧上部署yolo11n作为目标检测模型，yolo26作为深度估计模型，目标检测模型经过上万真实数据集微调后（使用5090训练），在自定义的18类标签上mAP50从39.3涨到78.4，在特别关注的人，垃圾，
立即沟通
