struggle
大模型开发
广州易特智科技开发有限公司 · 3年经验
日薪：
￥600/8h
地点：
广州
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
技术栈： Python, PyTorch, LangChain, Dify, Milvus, HuggingFace (Transformers), Llama-Factory, Flask/Docker
核心框架： RAG (检索增强生成), Agent Workflow, BERT/TextCNN 文本分类, LLM 微调 (LoRA)
擅长方向：
企业级 RAG 系统构建： 擅长处理复杂文档（PDF/表格）解析与清洗，精通混合检索（BM25+向量）、重排序（Rerank）及多路召回策略，能解决大模型幻觉问题，提升回答准确率。
垂直领域模型微调： 具备从数据清洗、标注到使用 Llama-Factory 进行 LoRA 微调的全流程经验，能针对特定行业（如建筑、工程）优化基座模型效果。
AI 应用落地与编排： 熟练使用 Dify 等平台搭建自动化 Agent 工作流，整合 API 与多源数据，实现从需求解析到方案生成的端到端交付。
NLP 传统任务优化： 擅长文本分类、意图识别等任务的模型选型与轻量化部署（量化/蒸馏），平衡精度与推理速度。
核心框架： RAG (检索增强生成), Agent Workflow, BERT/TextCNN 文本分类, LLM 微调 (LoRA)
擅长方向：
企业级 RAG 系统构建： 擅长处理复杂文档（PDF/表格）解析与清洗，精通混合检索（BM25+向量）、重排序（Rerank）及多路召回策略，能解决大模型幻觉问题，提升回答准确率。
垂直领域模型微调： 具备从数据清洗、标注到使用 Llama-Factory 进行 LoRA 微调的全流程经验，能针对特定行业（如建筑、工程）优化基座模型效果。
AI 应用落地与编排： 熟练使用 Dify 等平台搭建自动化 Agent 工作流，整合 API 与多源数据，实现从需求解析到方案生成的端到端交付。
NLP 传统任务优化： 擅长文本分类、意图识别等任务的模型选型与轻量化部署（量化/蒸馏），平衡精度与推理速度。
项目经验
建筑设计规范智能问答系统 (RAG)
职责： 主导 RAG 全流程开发。基于 LangChain + Milvus 构建知识库，设计“意图识别+多路召回+重排序”链路；使用 Llama-Factory 对 Qwen2.5-32B 进行 LoRA 微调。
产出： 解决复杂规范查询难题，RAGAS 评估相关性达 0.86+，人工测试准确率 92.35%，显著提升设计师查阅效率。
2. 智能旅游规划助手 (Dify Agent)
职责： 基于 Dify 编排“需求解析-检索-生成”工作流。设计动态关键词生成机制对接搜索引擎，集成实时天气 API 实现个性化建议。
产出： 实现从模糊需求到完整方案的端到端生成，用户规划耗时从数小时缩短至分钟级，效率提升约 70%。
3. 施工日志智能分类与预警系统
职责： 针对工程日志构建 Bert+TextCNN 分类模型。负责 3000+ 条数据清洗标注，实施模型量化与知识蒸馏以优化推理速度。
产出： 分类 F1-score 提升至 93.65%，推理耗时压缩至 5ms，关键延误信息识别率提升 40%，成功落地项目服务器。
职责： 主导 RAG 全流程开发。基于 LangChain + Milvus 构建知识库，设计“意图识别+多路召回+重排序”链路；使用 Llama-Factory 对 Qwen2.5-32B 进行 LoRA 微调。
产出： 解决复杂规范查询难题，RAGAS 评估相关性达 0.86+，人工测试准确率 92.35%，显著提升设计师查阅效率。
2. 智能旅游规划助手 (Dify Agent)
职责： 基于 Dify 编排“需求解析-检索-生成”工作流。设计动态关键词生成机制对接搜索引擎，集成实时天气 API 实现个性化建议。
产出： 实现从模糊需求到完整方案的端到端生成，用户规划耗时从数小时缩短至分钟级，效率提升约 70%。
3. 施工日志智能分类与预警系统
职责： 针对工程日志构建 Bert+TextCNN 分类模型。负责 3000+ 条数据清洗标注，实施模型量化与知识蒸馏以优化推理速度。
产出： 分类 F1-score 提升至 93.65%，推理耗时压缩至 5ms，关键延误信息识别率提升 40%，成功落地项目服务器。
struggle
大模型开发 · 3年经验 · 广州易特智科技开发有限公司
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
技术栈： Python, PyTorch, LangChain, Dify, Milvus, HuggingFace (Transformers), Llama-Factory, Flask/Docker
核心框架： RAG (检索增强生成), Agent Workflow, BERT/TextCNN 文本分类, LLM 微调 (LoRA)
擅长方向：
企业级 RAG 系统构建： 擅长处理复杂文档（PDF/表格）解析与清洗，精通混合检索（BM25+向量）、重排序（Rerank）及多路召回策略，能解决大模型幻觉问题，提升回答准确率。
垂直领域模型微调： 具备从数据清洗、标注到使用 Llama-Factory 进行 LoRA 微调的全流程经验，能针对特定行业（如建筑、工程）优化基座模型效果。
AI 应用落地与编排： 熟练使用 Dify 等平台搭建自动化 Agent 工作流，整合 API 与多源数据，实现从需求解析到方案生成的端到端交付。
NLP 传统任务优化： 擅长文本分类、意图识别等任务的模型选型与轻量化部署（量化/蒸馏），平衡精度与推理速度。
核心框架： RAG (检索增强生成), Agent Workflow, BERT/TextCNN 文本分类, LLM 微调 (LoRA)
擅长方向：
企业级 RAG 系统构建： 擅长处理复杂文档（PDF/表格）解析与清洗，精通混合检索（BM25+向量）、重排序（Rerank）及多路召回策略，能解决大模型幻觉问题，提升回答准确率。
垂直领域模型微调： 具备从数据清洗、标注到使用 Llama-Factory 进行 LoRA 微调的全流程经验，能针对特定行业（如建筑、工程）优化基座模型效果。
AI 应用落地与编排： 熟练使用 Dify 等平台搭建自动化 Agent 工作流，整合 API 与多源数据，实现从需求解析到方案生成的端到端交付。
NLP 传统任务优化： 擅长文本分类、意图识别等任务的模型选型与轻量化部署（量化/蒸馏），平衡精度与推理速度。
项目经验
建筑设计规范智能问答系统 (RAG)
职责： 主导 RAG 全流程开发。基于 LangChain + Milvus 构建知识库，设计“意图识别+多路召回+重排序”链路；使用 Llama-Factory 对 Qwen2.5-32B 进行 LoRA 微调。
产出： 解决复杂规范查询难题，RAGAS 评估相关性达 0.86+，人工测试准确率 92.35%，显著提升设计师查阅效率。
2. 智能旅游规划助手 (Dify Agent)
职责： 基于 Dify 编排“需求解析-检索-生成”工作流。设计动态关键词生成机制对接搜索引擎，集成实时天气 API 实现个性化建议。
产出： 实现从模糊需求到完整方案的端到端生成，用户规划耗时从数小时缩短至分钟级，效率提升约 70%。
3. 施工日志智能分类与预警系统
职责： 针对工程日志构建 Bert+TextCNN 分类模型。负责 3000+ 条数据清洗标注，实施模型量化与知识蒸馏以优化推理速度。
产出： 分类 F1-score 提升至 93.65%，推理耗时压缩至 5ms，关键延误信息识别率提升 40%，成功落地项目服务器。
职责： 主导 RAG 全流程开发。基于 LangChain + Milvus 构建知识库，设计“意图识别+多路召回+重排序”链路；使用 Llama-Factory 对 Qwen2.5-32B 进行 LoRA 微调。
产出： 解决复杂规范查询难题，RAGAS 评估相关性达 0.86+，人工测试准确率 92.35%，显著提升设计师查阅效率。
2. 智能旅游规划助手 (Dify Agent)
职责： 基于 Dify 编排“需求解析-检索-生成”工作流。设计动态关键词生成机制对接搜索引擎，集成实时天气 API 实现个性化建议。
产出： 实现从模糊需求到完整方案的端到端生成，用户规划耗时从数小时缩短至分钟级，效率提升约 70%。
3. 施工日志智能分类与预警系统
职责： 针对工程日志构建 Bert+TextCNN 分类模型。负责 3000+ 条数据清洗标注，实施模型量化与知识蒸馏以优化推理速度。
产出： 分类 F1-score 提升至 93.65%，推理耗时压缩至 5ms，关键延误信息识别率提升 40%，成功落地项目服务器。
立即沟通
