马榛辰
Agent开发
OPC · 8年经验
日薪：
￥1000/8h
地点：
北京
时间：
下班后周六周日可工作日远程可工作日驻场（离职原因）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
1.熟悉编程语言Python，Agent 后端框架LangChain、LangGraph，Agent 运行框架OpenClaw、Hermes 及常用工具插件Skil
l，异步API 调用asyncio，LLM外部API 调用：Qwen、DeepSeek、Kimi、GLM、MiniMax、ChatGPT、Gemini、ClaudeCode
及内部工具调用FunctionCalling
2.熟悉Agent Engineering，Prompt Engineering及设计范式ReAct，Harness Engineering，LM信息检索增强生成方式RAG及
知识图谱检索方式GraphRAG
3.掌握工具：
• 无代码创作平台：灵光、秒悟、秒哒
• 桌面龙虾：WorkBuddy、360安全龙虾、DuMate
• AI编程：Trea、TraeCN、Qocder、ClaudeCode、Antigravity、Codex、Cursor
• 传统编程：PyCharm、Visual StudioCode
• AI 应用搭建平台：Coze、Dify
• 向量数据库据：Pinecone、FAISS、Milvus，图数据库：Neo4j
• 版块管理Git
• 容器化部署Docker Compose
• 代码即文档Sphinx
• Agent 通信协议MCP，Agent 命令交互方式CLI
4.理解原理：LLM、API、Skills、Menory、Reasoning、Planning、Agent Loop、Tool Use、FunctionCalling、ReAct、Lng
Chain、LangGraph、RAG、GraphRAG、Transformer、Prompt Engineering、Subagent、Multi-Agent
l，异步API 调用asyncio，LLM外部API 调用：Qwen、DeepSeek、Kimi、GLM、MiniMax、ChatGPT、Gemini、ClaudeCode
及内部工具调用FunctionCalling
2.熟悉Agent Engineering，Prompt Engineering及设计范式ReAct，Harness Engineering，LM信息检索增强生成方式RAG及
知识图谱检索方式GraphRAG
3.掌握工具：
• 无代码创作平台：灵光、秒悟、秒哒
• 桌面龙虾：WorkBuddy、360安全龙虾、DuMate
• AI编程：Trea、TraeCN、Qocder、ClaudeCode、Antigravity、Codex、Cursor
• 传统编程：PyCharm、Visual StudioCode
• AI 应用搭建平台：Coze、Dify
• 向量数据库据：Pinecone、FAISS、Milvus，图数据库：Neo4j
• 版块管理Git
• 容器化部署Docker Compose
• 代码即文档Sphinx
• Agent 通信协议MCP，Agent 命令交互方式CLI
4.理解原理：LLM、API、Skills、Menory、Reasoning、Planning、Agent Loop、Tool Use、FunctionCalling、ReAct、Lng
Chain、LangGraph、RAG、GraphRAG、Transformer、Prompt Engineering、Subagent、Multi-Agent
项目经验
项目介绍：
2025.08-2026.03
本项目是一个面向医疗健康领域的智能辅助诊断系统，基于大语言模型（LLM）、知识库检索（RAG、GraphRAG）技术，集成医
学专业知识库，实现常见疾病的自动化问诊、初步诊断与科普，辅助医生和患者进行疾病筛查和健康管理。系统支持医学知识文本
解析、用户交互、数据库管理、个性化报告生成等功能，提升了医疗问诊的智能化与实用性。
项目展示流程：
Step1：浏览器输入网址：https：//xgczvd69iyaitsulyeiaej.streamlit.app
Step2：点击按钮【Yes，get this appbackup！】等待1-2分钟
Step3：用户名：doctor
密码：doctor123
Step4：【示例病例报告】>【开始诊断】等待30秒左右>【下载Markdown文件报告】
工作内容：
1.负责以Python+LangChain构建多智能体诊断系统：通过asyncio并发调度分诊Agent、专科Agent 与MDT组长Agent，实现
Multi-Agent 协作闭环，并落地Qwen/OpenAI/Gemini 三类LLM-API 的自动回退策略。
2.主导AI Agent 工程化与Prompt Engineering：设计13+专科Prompt、ReAct 推理范式及工具流，确保多轮推理时刻保持专业
上下文一致。
3.构建RAG知识检索链：基于Pinecone（可切换FAISS/Milvus 计划）+Neo4j 图数据库维护医学数据库，并通过LangChain工厂
注入每个智能体的实时知识片段。
4.负责工具链与交付：维护Git/GitHub版本管理流程，提供Dockerfile+Docker Compose一键部署方案，保障开发、测试、上线
环境一致。
业绩：
1. 效率提升：医学报告解读效率提升350%：AI系统自动完成疾病解读及健康报告生成，单份报告处理时长由传统人工20分钟缩减
至4分钟以内，大幅优化诊疗效率。智能问诊响应速度提升70%：通过优化Prompt设计与RAG检索算法，用户平均等待AI诊断建议
的时间从10秒降至3秒，显著提升交互体验。
2. 医疗成本优化：降低人力成本40%：问诊与报告自动化率达75%，客服及医疗咨询工单处理效率大幅提升，每月节省约180+人
工小时
2025.08-2026.03
本项目是一个面向医疗健康领域的智能辅助诊断系统，基于大语言模型（LLM）、知识库检索（RAG、GraphRAG）技术，集成医
学专业知识库，实现常见疾病的自动化问诊、初步诊断与科普，辅助医生和患者进行疾病筛查和健康管理。系统支持医学知识文本
解析、用户交互、数据库管理、个性化报告生成等功能，提升了医疗问诊的智能化与实用性。
项目展示流程：
Step1：浏览器输入网址：https：//xgczvd69iyaitsulyeiaej.streamlit.app
Step2：点击按钮【Yes，get this appbackup！】等待1-2分钟
Step3：用户名：doctor
密码：doctor123
Step4：【示例病例报告】>【开始诊断】等待30秒左右>【下载Markdown文件报告】
工作内容：
1.负责以Python+LangChain构建多智能体诊断系统：通过asyncio并发调度分诊Agent、专科Agent 与MDT组长Agent，实现
Multi-Agent 协作闭环，并落地Qwen/OpenAI/Gemini 三类LLM-API 的自动回退策略。
2.主导AI Agent 工程化与Prompt Engineering：设计13+专科Prompt、ReAct 推理范式及工具流，确保多轮推理时刻保持专业
上下文一致。
3.构建RAG知识检索链：基于Pinecone（可切换FAISS/Milvus 计划）+Neo4j 图数据库维护医学数据库，并通过LangChain工厂
注入每个智能体的实时知识片段。
4.负责工具链与交付：维护Git/GitHub版本管理流程，提供Dockerfile+Docker Compose一键部署方案，保障开发、测试、上线
环境一致。
业绩：
1. 效率提升：医学报告解读效率提升350%：AI系统自动完成疾病解读及健康报告生成，单份报告处理时长由传统人工20分钟缩减
至4分钟以内，大幅优化诊疗效率。智能问诊响应速度提升70%：通过优化Prompt设计与RAG检索算法，用户平均等待AI诊断建议
的时间从10秒降至3秒，显著提升交互体验。
2. 医疗成本优化：降低人力成本40%：问诊与报告自动化率达75%，客服及医疗咨询工单处理效率大幅提升，每月节省约180+人
工小时
案例展示 全部案例 >
ID:435786
复制
马榛辰
Agent开发 · 8年经验 · OPC
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
1.熟悉编程语言Python，Agent 后端框架LangChain、LangGraph，Agent 运行框架OpenClaw、Hermes 及常用工具插件Skil
l，异步API 调用asyncio，LLM外部API 调用：Qwen、DeepSeek、Kimi、GLM、MiniMax、ChatGPT、Gemini、ClaudeCode
及内部工具调用FunctionCalling
2.熟悉Agent Engineering，Prompt Engineering及设计范式ReAct，Harness Engineering，LM信息检索增强生成方式RAG及
知识图谱检索方式GraphRAG
3.掌握工具：
• 无代码创作平台：灵光、秒悟、秒哒
• 桌面龙虾：WorkBuddy、360安全龙虾、DuMate
• AI编程：Trea、TraeCN、Qocder、ClaudeCode、Antigravity、Codex、Cursor
• 传统编程：PyCharm、Visual StudioCode
• AI 应用搭建平台：Coze、Dify
• 向量数据库据：Pinecone、FAISS、Milvus，图数据库：Neo4j
• 版块管理Git
• 容器化部署Docker Compose
• 代码即文档Sphinx
• Agent 通信协议MCP，Agent 命令交互方式CLI
4.理解原理：LLM、API、Skills、Menory、Reasoning、Planning、Agent Loop、Tool Use、FunctionCalling、ReAct、Lng
Chain、LangGraph、RAG、GraphRAG、Transformer、Prompt Engineering、Subagent、Multi-Agent
l，异步API 调用asyncio，LLM外部API 调用：Qwen、DeepSeek、Kimi、GLM、MiniMax、ChatGPT、Gemini、ClaudeCode
及内部工具调用FunctionCalling
2.熟悉Agent Engineering，Prompt Engineering及设计范式ReAct，Harness Engineering，LM信息检索增强生成方式RAG及
知识图谱检索方式GraphRAG
3.掌握工具：
• 无代码创作平台：灵光、秒悟、秒哒
• 桌面龙虾：WorkBuddy、360安全龙虾、DuMate
• AI编程：Trea、TraeCN、Qocder、ClaudeCode、Antigravity、Codex、Cursor
• 传统编程：PyCharm、Visual StudioCode
• AI 应用搭建平台：Coze、Dify
• 向量数据库据：Pinecone、FAISS、Milvus，图数据库：Neo4j
• 版块管理Git
• 容器化部署Docker Compose
• 代码即文档Sphinx
• Agent 通信协议MCP，Agent 命令交互方式CLI
4.理解原理：LLM、API、Skills、Menory、Reasoning、Planning、Agent Loop、Tool Use、FunctionCalling、ReAct、Lng
Chain、LangGraph、RAG、GraphRAG、Transformer、Prompt Engineering、Subagent、Multi-Agent
项目经验
项目介绍：
2025.08-2026.03
本项目是一个面向医疗健康领域的智能辅助诊断系统，基于大语言模型（LLM）、知识库检索（RAG、GraphRAG）技术，集成医
学专业知识库，实现常见疾病的自动化问诊、初步诊断与科普，辅助医生和患者进行疾病筛查和健康管理。系统支持医学知识文本
解析、用户交互、数据库管理、个性化报告生成等功能，提升了医疗问诊的智能化与实用性。
项目展示流程：
Step1：浏览器输入网址：https：//xgczvd69iyaitsulyeiaej.streamlit.app
Step2：点击按钮【Yes，get this appbackup！】等待1-2分钟
Step3：用户名：doctor
密码：doctor123
Step4：【示例病例报告】>【开始诊断】等待30秒左右>【下载Markdown文件报告】
工作内容：
1.负责以Python+LangChain构建多智能体诊断系统：通过asyncio并发调度分诊Agent、专科Agent 与MDT组长Agent，实现
Multi-Agent 协作闭环，并落地Qwen/OpenAI/Gemini 三类LLM-API 的自动回退策略。
2.主导AI Agent 工程化与Prompt Engineering：设计13+专科Prompt、ReAct 推理范式及工具流，确保多轮推理时刻保持专业
上下文一致。
3.构建RAG知识检索链：基于Pinecone（可切换FAISS/Milvus 计划）+Neo4j 图数据库维护医学数据库，并通过LangChain工厂
注入每个智能体的实时知识片段。
4.负责工具链与交付：维护Git/GitHub版本管理流程，提供Dockerfile+Docker Compose一键部署方案，保障开发、测试、上线
环境一致。
业绩：
1. 效率提升：医学报告解读效率提升350%：AI系统自动完成疾病解读及健康报告生成，单份报告处理时长由传统人工20分钟缩减
至4分钟以内，大幅优化诊疗效率。智能问诊响应速度提升70%：通过优化Prompt设计与RAG检索算法，用户平均等待AI诊断建议
的时间从10秒降至3秒，显著提升交互体验。
2. 医疗成本优化：降低人力成本40%：问诊与报告自动化率达75%，客服及医疗咨询工单处理效率大幅提升，每月节省约180+人
工小时
2025.08-2026.03
本项目是一个面向医疗健康领域的智能辅助诊断系统，基于大语言模型（LLM）、知识库检索（RAG、GraphRAG）技术，集成医
学专业知识库，实现常见疾病的自动化问诊、初步诊断与科普，辅助医生和患者进行疾病筛查和健康管理。系统支持医学知识文本
解析、用户交互、数据库管理、个性化报告生成等功能，提升了医疗问诊的智能化与实用性。
项目展示流程：
Step1：浏览器输入网址：https：//xgczvd69iyaitsulyeiaej.streamlit.app
Step2：点击按钮【Yes，get this appbackup！】等待1-2分钟
Step3：用户名：doctor
密码：doctor123
Step4：【示例病例报告】>【开始诊断】等待30秒左右>【下载Markdown文件报告】
工作内容：
1.负责以Python+LangChain构建多智能体诊断系统：通过asyncio并发调度分诊Agent、专科Agent 与MDT组长Agent，实现
Multi-Agent 协作闭环，并落地Qwen/OpenAI/Gemini 三类LLM-API 的自动回退策略。
2.主导AI Agent 工程化与Prompt Engineering：设计13+专科Prompt、ReAct 推理范式及工具流，确保多轮推理时刻保持专业
上下文一致。
3.构建RAG知识检索链：基于Pinecone（可切换FAISS/Milvus 计划）+Neo4j 图数据库维护医学数据库，并通过LangChain工厂
注入每个智能体的实时知识片段。
4.负责工具链与交付：维护Git/GitHub版本管理流程，提供Dockerfile+Docker Compose一键部署方案，保障开发、测试、上线
环境一致。
业绩：
1. 效率提升：医学报告解读效率提升350%：AI系统自动完成疾病解读及健康报告生成，单份报告处理时长由传统人工20分钟缩减
至4分钟以内，大幅优化诊疗效率。智能问诊响应速度提升70%：通过优化Prompt设计与RAG检索算法，用户平均等待AI诊断建议
的时间从10秒降至3秒，显著提升交互体验。
2. 医疗成本优化：降低人力成本40%：问诊与报告自动化率达75%，客服及医疗咨询工单处理效率大幅提升，每月节省约180+人
工小时
立即沟通
