研的轩轩
AI 大模型应用开发工程师(RAG / AI Agent)
广州药妆 · 3年经验
日薪：
￥800/8h
地点：
广州
时间：
可工作日远程可工作日驻场（自由职业原因）
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
● RAG 与多模态：熟悉 Elasticsearch/BM25、Qdrant、BGE、Query Rewrite、加权 RRF、BiEncoder /
CrossEncoder，具备混合召回、两级重排、证据门控、文档级 RBAC 与知识版本治理经验；了解
CLIP、OCR、多模态检索及 Hit@K、MRR、NDCG、RAGAS 评测方法。
● Agent 与执行机制：熟悉 LangGraph（StateGraph）、ReAct、Function Calling、SSE 与多 Agent 编
排；实践 PostgreSQL Checkpoint、AgentRun、Celery、Redis Lease、工具幂等、HITL、DLQ、上下文裁
剪及故障恢复。
● LLM 与推理：熟悉 PyTorch、Transformer、BERT、Qwen，具备基于 PEFT 的 LoRA/QLoRA SFT、指
令数据构建与领域适配实践；理解 RLHF/DPO 基本方法，了解 vLLM、PagedAttention、KV Cache、
Prefix Cache 与量化推理。
● 后端与算法工程：熟悉 Python、FastAPI、MySQL、PostgreSQL、Redis、Docker、Linux、GitHub
Actions、pytest 与 CI/CD；具备 TypeScript/Node.js 开发和日志、监控、链路追踪实践；掌握协同过滤、
FM、GBDT+LR 及推荐排序基础。
CrossEncoder，具备混合召回、两级重排、证据门控、文档级 RBAC 与知识版本治理经验；了解
CLIP、OCR、多模态检索及 Hit@K、MRR、NDCG、RAGAS 评测方法。
● Agent 与执行机制：熟悉 LangGraph（StateGraph）、ReAct、Function Calling、SSE 与多 Agent 编
排；实践 PostgreSQL Checkpoint、AgentRun、Celery、Redis Lease、工具幂等、HITL、DLQ、上下文裁
剪及故障恢复。
● LLM 与推理：熟悉 PyTorch、Transformer、BERT、Qwen，具备基于 PEFT 的 LoRA/QLoRA SFT、指
令数据构建与领域适配实践；理解 RLHF/DPO 基本方法，了解 vLLM、PagedAttention、KV Cache、
Prefix Cache 与量化推理。
● 后端与算法工程：熟悉 Python、FastAPI、MySQL、PostgreSQL、Redis、Docker、Linux、GitHub
Actions、pytest 与 CI/CD；具备 TypeScript/Node.js 开发和日志、监控、链路追踪实践；掌握协同过滤、
FM、GBDT+LR 及推荐排序基础。
项目经验
项目 1：药妆助手 — 多模态 RAG 智能问答系统（核心开发者）
技术栈：Qwen / QLoRA / Qdrant / Elasticsearch / BGE / CLIP / FastAPI / Redis / vLLM
● 业务场景与知识工程：面向研发、品质、采购及销售部门，整合 3,000+ 文档、5,000+ 图像、1,500+
产品、2,000+ 成分及 8 类法规，服务 200+ 员工、日请求 1,500+；构建 PDF/Word/图片解析、OCR、
2
Chunking、Embedding、索引更新及知识版本管理链路，实现图文检索与证据溯源。
● 混合召回与两级重排：采用 BGE+Qdrant、Elasticsearch BM25、CLIP 多路召回，结合 Query
Rewrite、复杂度判别与加权 RRF 动态融合，通过 BiEncoder 粗排、CrossEncoder 精排优化法规、INCI
成分及产品检索效果；400 条标注查询中，Hit@5 70.5%→86.0%，NDCG@10 0.57→0.74。
● 领域微调：基于 Qwen、PEFT、QLoRA 开展领域适配，结合指令数据与 Chat Template 优化专业表
达、指令遵循及结构化输出；采用 RAG 提供动态知识与引用，微调优化回答行为的协同方案。
● 可信问答与幻觉治理：设计生成前 Evidence Gate、生成后 Answer Gate，结合证据引用、拒答及文
档级 RBAC、检索过滤和分权限缓存控制幻觉与越权；250 条问答中覆盖率 80.0%、已回答问题证据
支持率 94.0%，120 条高风险问答无依据回答率 1.7%；240 条预设权限回归用例未观测到越权泄漏。
● 推理部署与性能优化：参与双 RTX A5000 环境下 Qwen 模型服务验证及 Qwen2.5→Qwen3-4B/14B
灰度迁移，结合复杂度路由、vLLM 与 Prefix Cache 优化响应；在约 2 QPS、128 输出 Token 负载
下，P95 8.6s→6.8s（-20.9%），获公司年度技术创新奖。
项目 2：药妆智多星 — 基于 LangGraph 的多智能体化妆品客服系统（核心开发者）
技术栈：LangGraph / FastAPI / PostgreSQL / Redis / Celery / Qdrant / Function Calling / SSE / Docker
● 多 Agent 与动态路由：面向售前、技术、售后及投诉场景，基于 500+ 业务文档构建 LangGraph 四
层工作流（缓存→路由→协作→后处理），编排 7 类领域 Agent + 2 类辅助 Agent，共 9 类角色；融
合规则与 LLM 意图识别，支持 Sequential、Parallel、Consultation、Hierarchical、ReAct 协作，300 条
样本路由准确率 92.0%。
● 双路径 Agent Runtime：设计 FastAPI+LangGraph+SSE 在线流式快路径及 AgentRun+Celery 异步持
久化执行路径；通过 PostgreSQL Checkpoint 保存执行状态、Redis Session/Lease 管理会话和并发，区
分业务 Run、任务 Task、会话记忆及缓存生命周期，实现任务状态管理与故障恢复。
● 工具治理、幂等与 HITL：统一 Function Calling 工具入口，集成 Schema 校验、授权、超时和错误
分类；通过 Run/Thread/Tool 分层幂等控制重复执行，对高风险写操作采用执行前拦截、持久化人工
审批及超时拒绝机制；200 条工具任务联合验收成功率 96.0%。
● 故障恢复与上下文工程：针对 Worker 崩溃、任务重投及工具超时，设计 Checkpoint 续跑、有界重
试、DLQ 与人工重放；通过工具结果字段白名单、压缩、Top-K/Token 预算裁剪、超限存储及会话作
用域隔离控制上下文膨胀和跨会话污染。
● Hybrid RAG 与缓存优化：基于 Qdrant+BM25、RRF、Rerank、Query Rewrite 构建知识检索，采用
Redis 精确、Qdrant 语义及 Jaccard 词法三级缓存，结合日志和链路指标开展端到端评测；200 条回放
样本中三级缓存命中率 42.0%，平均响应 5.4s→3.9s（-27.8%），200 条多步骤任务完成率 87.0%。
技术栈：Qwen / QLoRA / Qdrant / Elasticsearch / BGE / CLIP / FastAPI / Redis / vLLM
● 业务场景与知识工程：面向研发、品质、采购及销售部门，整合 3,000+ 文档、5,000+ 图像、1,500+
产品、2,000+ 成分及 8 类法规，服务 200+ 员工、日请求 1,500+；构建 PDF/Word/图片解析、OCR、
2
Chunking、Embedding、索引更新及知识版本管理链路，实现图文检索与证据溯源。
● 混合召回与两级重排：采用 BGE+Qdrant、Elasticsearch BM25、CLIP 多路召回，结合 Query
Rewrite、复杂度判别与加权 RRF 动态融合，通过 BiEncoder 粗排、CrossEncoder 精排优化法规、INCI
成分及产品检索效果；400 条标注查询中，Hit@5 70.5%→86.0%，NDCG@10 0.57→0.74。
● 领域微调：基于 Qwen、PEFT、QLoRA 开展领域适配，结合指令数据与 Chat Template 优化专业表
达、指令遵循及结构化输出；采用 RAG 提供动态知识与引用，微调优化回答行为的协同方案。
● 可信问答与幻觉治理：设计生成前 Evidence Gate、生成后 Answer Gate，结合证据引用、拒答及文
档级 RBAC、检索过滤和分权限缓存控制幻觉与越权；250 条问答中覆盖率 80.0%、已回答问题证据
支持率 94.0%，120 条高风险问答无依据回答率 1.7%；240 条预设权限回归用例未观测到越权泄漏。
● 推理部署与性能优化：参与双 RTX A5000 环境下 Qwen 模型服务验证及 Qwen2.5→Qwen3-4B/14B
灰度迁移，结合复杂度路由、vLLM 与 Prefix Cache 优化响应；在约 2 QPS、128 输出 Token 负载
下，P95 8.6s→6.8s（-20.9%），获公司年度技术创新奖。
项目 2：药妆智多星 — 基于 LangGraph 的多智能体化妆品客服系统（核心开发者）
技术栈：LangGraph / FastAPI / PostgreSQL / Redis / Celery / Qdrant / Function Calling / SSE / Docker
● 多 Agent 与动态路由：面向售前、技术、售后及投诉场景，基于 500+ 业务文档构建 LangGraph 四
层工作流（缓存→路由→协作→后处理），编排 7 类领域 Agent + 2 类辅助 Agent，共 9 类角色；融
合规则与 LLM 意图识别，支持 Sequential、Parallel、Consultation、Hierarchical、ReAct 协作，300 条
样本路由准确率 92.0%。
● 双路径 Agent Runtime：设计 FastAPI+LangGraph+SSE 在线流式快路径及 AgentRun+Celery 异步持
久化执行路径；通过 PostgreSQL Checkpoint 保存执行状态、Redis Session/Lease 管理会话和并发，区
分业务 Run、任务 Task、会话记忆及缓存生命周期，实现任务状态管理与故障恢复。
● 工具治理、幂等与 HITL：统一 Function Calling 工具入口，集成 Schema 校验、授权、超时和错误
分类；通过 Run/Thread/Tool 分层幂等控制重复执行，对高风险写操作采用执行前拦截、持久化人工
审批及超时拒绝机制；200 条工具任务联合验收成功率 96.0%。
● 故障恢复与上下文工程：针对 Worker 崩溃、任务重投及工具超时，设计 Checkpoint 续跑、有界重
试、DLQ 与人工重放；通过工具结果字段白名单、压缩、Top-K/Token 预算裁剪、超限存储及会话作
用域隔离控制上下文膨胀和跨会话污染。
● Hybrid RAG 与缓存优化：基于 Qdrant+BM25、RRF、Rerank、Query Rewrite 构建知识检索，采用
Redis 精确、Qdrant 语义及 Jaccard 词法三级缓存，结合日志和链路指标开展端到端评测；200 条回放
样本中三级缓存命中率 42.0%，平均响应 5.4s→3.9s（-27.8%），200 条多步骤任务完成率 87.0%。
ID:434528
复制
研的轩轩
AI 大模型应用开发工程师(RAG / AI Agent) · 3年经验 · 广州药妆
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
● RAG 与多模态：熟悉 Elasticsearch/BM25、Qdrant、BGE、Query Rewrite、加权 RRF、BiEncoder /
CrossEncoder，具备混合召回、两级重排、证据门控、文档级 RBAC 与知识版本治理经验；了解
CLIP、OCR、多模态检索及 Hit@K、MRR、NDCG、RAGAS 评测方法。
● Agent 与执行机制：熟悉 LangGraph（StateGraph）、ReAct、Function Calling、SSE 与多 Agent 编
排；实践 PostgreSQL Checkpoint、AgentRun、Celery、Redis Lease、工具幂等、HITL、DLQ、上下文裁
剪及故障恢复。
● LLM 与推理：熟悉 PyTorch、Transformer、BERT、Qwen，具备基于 PEFT 的 LoRA/QLoRA SFT、指
令数据构建与领域适配实践；理解 RLHF/DPO 基本方法，了解 vLLM、PagedAttention、KV Cache、
Prefix Cache 与量化推理。
● 后端与算法工程：熟悉 Python、FastAPI、MySQL、PostgreSQL、Redis、Docker、Linux、GitHub
Actions、pytest 与 CI/CD；具备 TypeScript/Node.js 开发和日志、监控、链路追踪实践；掌握协同过滤、
FM、GBDT+LR 及推荐排序基础。
CrossEncoder，具备混合召回、两级重排、证据门控、文档级 RBAC 与知识版本治理经验；了解
CLIP、OCR、多模态检索及 Hit@K、MRR、NDCG、RAGAS 评测方法。
● Agent 与执行机制：熟悉 LangGraph（StateGraph）、ReAct、Function Calling、SSE 与多 Agent 编
排；实践 PostgreSQL Checkpoint、AgentRun、Celery、Redis Lease、工具幂等、HITL、DLQ、上下文裁
剪及故障恢复。
● LLM 与推理：熟悉 PyTorch、Transformer、BERT、Qwen，具备基于 PEFT 的 LoRA/QLoRA SFT、指
令数据构建与领域适配实践；理解 RLHF/DPO 基本方法，了解 vLLM、PagedAttention、KV Cache、
Prefix Cache 与量化推理。
● 后端与算法工程：熟悉 Python、FastAPI、MySQL、PostgreSQL、Redis、Docker、Linux、GitHub
Actions、pytest 与 CI/CD；具备 TypeScript/Node.js 开发和日志、监控、链路追踪实践；掌握协同过滤、
FM、GBDT+LR 及推荐排序基础。
项目经验
项目 1：药妆助手 — 多模态 RAG 智能问答系统（核心开发者）
技术栈：Qwen / QLoRA / Qdrant / Elasticsearch / BGE / CLIP / FastAPI / Redis / vLLM
● 业务场景与知识工程：面向研发、品质、采购及销售部门，整合 3,000+ 文档、5,000+ 图像、1,500+
产品、2,000+ 成分及 8 类法规，服务 200+ 员工、日请求 1,500+；构建 PDF/Word/图片解析、OCR、
2
Chunking、Embedding、索引更新及知识版本管理链路，实现图文检索与证据溯源。
● 混合召回与两级重排：采用 BGE+Qdrant、Elasticsearch BM25、CLIP 多路召回，结合 Query
Rewrite、复杂度判别与加权 RRF 动态融合，通过 BiEncoder 粗排、CrossEncoder 精排优化法规、INCI
成分及产品检索效果；400 条标注查询中，Hit@5 70.5%→86.0%，NDCG@10 0.57→0.74。
● 领域微调：基于 Qwen、PEFT、QLoRA 开展领域适配，结合指令数据与 Chat Template 优化专业表
达、指令遵循及结构化输出；采用 RAG 提供动态知识与引用，微调优化回答行为的协同方案。
● 可信问答与幻觉治理：设计生成前 Evidence Gate、生成后 Answer Gate，结合证据引用、拒答及文
档级 RBAC、检索过滤和分权限缓存控制幻觉与越权；250 条问答中覆盖率 80.0%、已回答问题证据
支持率 94.0%，120 条高风险问答无依据回答率 1.7%；240 条预设权限回归用例未观测到越权泄漏。
● 推理部署与性能优化：参与双 RTX A5000 环境下 Qwen 模型服务验证及 Qwen2.5→Qwen3-4B/14B
灰度迁移，结合复杂度路由、vLLM 与 Prefix Cache 优化响应；在约 2 QPS、128 输出 Token 负载
下，P95 8.6s→6.8s（-20.9%），获公司年度技术创新奖。
项目 2：药妆智多星 — 基于 LangGraph 的多智能体化妆品客服系统（核心开发者）
技术栈：LangGraph / FastAPI / PostgreSQL / Redis / Celery / Qdrant / Function Calling / SSE / Docker
● 多 Agent 与动态路由：面向售前、技术、售后及投诉场景，基于 500+ 业务文档构建 LangGraph 四
层工作流（缓存→路由→协作→后处理），编排 7 类领域 Agent + 2 类辅助 Agent，共 9 类角色；融
合规则与 LLM 意图识别，支持 Sequential、Parallel、Consultation、Hierarchical、ReAct 协作，300 条
样本路由准确率 92.0%。
● 双路径 Agent Runtime：设计 FastAPI+LangGraph+SSE 在线流式快路径及 AgentRun+Celery 异步持
久化执行路径；通过 PostgreSQL Checkpoint 保存执行状态、Redis Session/Lease 管理会话和并发，区
分业务 Run、任务 Task、会话记忆及缓存生命周期，实现任务状态管理与故障恢复。
● 工具治理、幂等与 HITL：统一 Function Calling 工具入口，集成 Schema 校验、授权、超时和错误
分类；通过 Run/Thread/Tool 分层幂等控制重复执行，对高风险写操作采用执行前拦截、持久化人工
审批及超时拒绝机制；200 条工具任务联合验收成功率 96.0%。
● 故障恢复与上下文工程：针对 Worker 崩溃、任务重投及工具超时，设计 Checkpoint 续跑、有界重
试、DLQ 与人工重放；通过工具结果字段白名单、压缩、Top-K/Token 预算裁剪、超限存储及会话作
用域隔离控制上下文膨胀和跨会话污染。
● Hybrid RAG 与缓存优化：基于 Qdrant+BM25、RRF、Rerank、Query Rewrite 构建知识检索，采用
Redis 精确、Qdrant 语义及 Jaccard 词法三级缓存，结合日志和链路指标开展端到端评测；200 条回放
样本中三级缓存命中率 42.0%，平均响应 5.4s→3.9s（-27.8%），200 条多步骤任务完成率 87.0%。
技术栈：Qwen / QLoRA / Qdrant / Elasticsearch / BGE / CLIP / FastAPI / Redis / vLLM
● 业务场景与知识工程：面向研发、品质、采购及销售部门，整合 3,000+ 文档、5,000+ 图像、1,500+
产品、2,000+ 成分及 8 类法规，服务 200+ 员工、日请求 1,500+；构建 PDF/Word/图片解析、OCR、
2
Chunking、Embedding、索引更新及知识版本管理链路，实现图文检索与证据溯源。
● 混合召回与两级重排：采用 BGE+Qdrant、Elasticsearch BM25、CLIP 多路召回，结合 Query
Rewrite、复杂度判别与加权 RRF 动态融合，通过 BiEncoder 粗排、CrossEncoder 精排优化法规、INCI
成分及产品检索效果；400 条标注查询中，Hit@5 70.5%→86.0%，NDCG@10 0.57→0.74。
● 领域微调：基于 Qwen、PEFT、QLoRA 开展领域适配，结合指令数据与 Chat Template 优化专业表
达、指令遵循及结构化输出；采用 RAG 提供动态知识与引用，微调优化回答行为的协同方案。
● 可信问答与幻觉治理：设计生成前 Evidence Gate、生成后 Answer Gate，结合证据引用、拒答及文
档级 RBAC、检索过滤和分权限缓存控制幻觉与越权；250 条问答中覆盖率 80.0%、已回答问题证据
支持率 94.0%，120 条高风险问答无依据回答率 1.7%；240 条预设权限回归用例未观测到越权泄漏。
● 推理部署与性能优化：参与双 RTX A5000 环境下 Qwen 模型服务验证及 Qwen2.5→Qwen3-4B/14B
灰度迁移，结合复杂度路由、vLLM 与 Prefix Cache 优化响应；在约 2 QPS、128 输出 Token 负载
下，P95 8.6s→6.8s（-20.9%），获公司年度技术创新奖。
项目 2：药妆智多星 — 基于 LangGraph 的多智能体化妆品客服系统（核心开发者）
技术栈：LangGraph / FastAPI / PostgreSQL / Redis / Celery / Qdrant / Function Calling / SSE / Docker
● 多 Agent 与动态路由：面向售前、技术、售后及投诉场景，基于 500+ 业务文档构建 LangGraph 四
层工作流（缓存→路由→协作→后处理），编排 7 类领域 Agent + 2 类辅助 Agent，共 9 类角色；融
合规则与 LLM 意图识别，支持 Sequential、Parallel、Consultation、Hierarchical、ReAct 协作，300 条
样本路由准确率 92.0%。
● 双路径 Agent Runtime：设计 FastAPI+LangGraph+SSE 在线流式快路径及 AgentRun+Celery 异步持
久化执行路径；通过 PostgreSQL Checkpoint 保存执行状态、Redis Session/Lease 管理会话和并发，区
分业务 Run、任务 Task、会话记忆及缓存生命周期，实现任务状态管理与故障恢复。
● 工具治理、幂等与 HITL：统一 Function Calling 工具入口，集成 Schema 校验、授权、超时和错误
分类；通过 Run/Thread/Tool 分层幂等控制重复执行，对高风险写操作采用执行前拦截、持久化人工
审批及超时拒绝机制；200 条工具任务联合验收成功率 96.0%。
● 故障恢复与上下文工程：针对 Worker 崩溃、任务重投及工具超时，设计 Checkpoint 续跑、有界重
试、DLQ 与人工重放；通过工具结果字段白名单、压缩、Top-K/Token 预算裁剪、超限存储及会话作
用域隔离控制上下文膨胀和跨会话污染。
● Hybrid RAG 与缓存优化：基于 Qdrant+BM25、RRF、Rerank、Query Rewrite 构建知识检索，采用
Redis 精确、Qdrant 语义及 Jaccard 词法三级缓存，结合日志和链路指标开展端到端评测；200 条回放
样本中三级缓存命中率 42.0%，平均响应 5.4s→3.9s（-27.8%），200 条多步骤任务完成率 87.0%。
案例展示
LangGraph 多智能体客服
Production-oriented LangGraph customer-service agent with hybrid RAG, durable async execution, HITL governance, MCP tools, observability, an
行业 RAG 问答系统
Multimodal RAG QA for cosmetics regulation: hybrid retrieval, two-stage reranking, evidence gating that refuses unsupported answers, uint32
立即沟通
