刘沄昭
高级研发工程师(java、python、AI应用)
东软集团 · 15年经验
日薪：
￥1000/8h
地点：
大连
时间：
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
14年的java开发经验，2年多的python大模型AI应用开发经验。有过10余人团队管理经验。
精通java相关开发技术栈。
熟悉提示词工程、上下文工程、驾驭工程(Harness Engineering)。
熟练运用langchain、langgraph、deepagents、mcp配合vibecoding进行智能体、知识库等系统的研发。
熟悉milvus、chromadb、faiss等向量数据库、neo4j图数据库、mysql等关系型数据库、redis等非关系型数据库。
了解大模型transformer和diffusion架构以及高效微调的基本原理。
可以使用unsloth进行高效微调以及量化，并通过vllm进行模型部署以及evalscope进行评估。
精通java相关开发技术栈。
熟悉提示词工程、上下文工程、驾驭工程(Harness Engineering)。
熟练运用langchain、langgraph、deepagents、mcp配合vibecoding进行智能体、知识库等系统的研发。
熟悉milvus、chromadb、faiss等向量数据库、neo4j图数据库、mysql等关系型数据库、redis等非关系型数据库。
了解大模型transformer和diffusion架构以及高效微调的基本原理。
可以使用unsloth进行高效微调以及量化，并通过vllm进行模型部署以及evalscope进行评估。
项目经验
一．基于Harness架构的院内ERP智能助手：2026年3月至今
开发语言及框架：python、langchain deepagents、fastApi、fastMcp、vue
沙箱环境：opensandbox
关系型数据库：mysql
非关系型数据库：redis
模型：deepseek-v4-pro
应用容器：docker
vibecoding工具：claudeCode
项目背景：
院内ERP系统庞大且老旧，业务复杂，操作繁琐。此外，通用AI Agent在执行代码时存在极大安全 隐患，且长对话容易导致上下文溢出。本项目采用业界前沿的Harness Engineering（驾驭工程） 范式， 旨在构建一个安全、稳定、能处理长周期任务的“智能助手”。
项目实现：
1.基于LangChain团队最新的DeepAgents框架，遵循“Agent = Model + Harness”理念，搭建了包含任务规划（write_todos）、虚拟文件系统和SubAgent委派的系统骨架。通过上下文隔离机制，将复杂任务拆解，让Agent具备了将自然语言自动拆解为多步执行计划的能力，并在指定的边界内稳定的完成任务。
2.企业级安全沙箱落地：基于阿里OpenSandbox重写了BaseSandbox协议。通过自定义沙箱，强制所有execute、read_file、write_file在Docker容器中运行。这使得Agent即使执行恶意脚本，也无法触碰生产环境密钥和内部网络，保证系统的安全性。
3.使用fastmcp构建mcp服务，把ERP系统的业务接口分模块封装为mcp工具。同时针对几十个图表工具使用Python闭包与字典路由设计合并函数，并配合渐进式披露策略，仅在Agent需要画图时才加载完整图表参数文档，极大优化了Token预算。
4.下文与记忆管理：利用复合沙箱实现三层路由文件系统（临时沙箱、redis持久化记忆、跨会话StoreBackend），结合“大型工具结果卸载”和“对话摘要”技术，支持无限长度的长周期任务执行；同时构建用户作用域记忆，实现跨会话偏好自动学习。
5.基于FastAPI构建SSE（Server-Sent Events）流式响应，实现Token级流式输出与中断恢复；设计双层人工介入（HITL）机制（数据补充层+最终审批层），确保订单创建、修改等高风险操作在AI规划与人工确认下闭环执行。
6.实现Agent懒加载（Lazy Loading）代理模式，将原本5-15秒的复杂初始化流程延迟至首次调用，保障了Web服务启动速度（模块导入耗时降至<1秒）。
7.子智能体采用动态构建，每一个子智能对应一个含有相关配置的yaml文件，包括名称、描述、工具、技能路径、系统提示词等。动态加载构建主管架构以实现子智能体的无限扩展。
二．院内多模态RAG知识库系统：2025年8月至2025年10月
模型：Qwen3-VL、Qwen3-vl-embedding、Qwen-text-embedding-v4、Deepseek-v3、Mineru
文件存储：minio
搜索工具：zhipuai
向量数据库：Milvus
关系型数据库：mysql
非关系型数据库：redis
Rag评估：ragas
推理引擎：vllm
开发语言及框架：python、langGraph
项目背景:
医院内部大量的医学文献急需构建知识库，文献多为带有图文的文件。
本项目构建一个能够统一理解和检索文本、图像以及图文对的智能系统。能将文本、图像及图文对输 入转换为统一的向量表示，以达到“Any2Any”跨模态检索（如文搜图、图搜文、图文搜图文等）。
项目实现：
1、单文本和图片嵌入，以及文本+图片对嵌入，从而实现Any2Any。基于多模态的Agent来控制RAG 最后的响应同时出现文本和图片，并保证多模态数据在一个向量空间实现搜索和索引。
2、通过管理端上传文件到minio服务器，监听服务接收minio的s3事件获取上传的文件。通过私有 化部署的Mineru解析文档。图片提取为文件路径形式，表格提取为Table标签形式。采用章节段落分 块 +SemanticChunker语义分块相结合的方式来解决表格或者内容跨页断裂问题。
3、使用Qwen3-vl-embedding多模态嵌入模型，对图片和文本进行密集向量化。Milvus创建密集向量 Dense和稀疏向量Sparse的索引。提高搜索广度和精度。实现"向量+关键词"混合检索。
4、实现上下文工程来提高响应速度，用Redis来保存短期上下文记忆和长期上下文记忆，并且每轮交
开发语言及框架：python、langchain deepagents、fastApi、fastMcp、vue
沙箱环境：opensandbox
关系型数据库：mysql
非关系型数据库：redis
模型：deepseek-v4-pro
应用容器：docker
vibecoding工具：claudeCode
项目背景：
院内ERP系统庞大且老旧，业务复杂，操作繁琐。此外，通用AI Agent在执行代码时存在极大安全 隐患，且长对话容易导致上下文溢出。本项目采用业界前沿的Harness Engineering（驾驭工程） 范式， 旨在构建一个安全、稳定、能处理长周期任务的“智能助手”。
项目实现：
1.基于LangChain团队最新的DeepAgents框架，遵循“Agent = Model + Harness”理念，搭建了包含任务规划（write_todos）、虚拟文件系统和SubAgent委派的系统骨架。通过上下文隔离机制，将复杂任务拆解，让Agent具备了将自然语言自动拆解为多步执行计划的能力，并在指定的边界内稳定的完成任务。
2.企业级安全沙箱落地：基于阿里OpenSandbox重写了BaseSandbox协议。通过自定义沙箱，强制所有execute、read_file、write_file在Docker容器中运行。这使得Agent即使执行恶意脚本，也无法触碰生产环境密钥和内部网络，保证系统的安全性。
3.使用fastmcp构建mcp服务，把ERP系统的业务接口分模块封装为mcp工具。同时针对几十个图表工具使用Python闭包与字典路由设计合并函数，并配合渐进式披露策略，仅在Agent需要画图时才加载完整图表参数文档，极大优化了Token预算。
4.下文与记忆管理：利用复合沙箱实现三层路由文件系统（临时沙箱、redis持久化记忆、跨会话StoreBackend），结合“大型工具结果卸载”和“对话摘要”技术，支持无限长度的长周期任务执行；同时构建用户作用域记忆，实现跨会话偏好自动学习。
5.基于FastAPI构建SSE（Server-Sent Events）流式响应，实现Token级流式输出与中断恢复；设计双层人工介入（HITL）机制（数据补充层+最终审批层），确保订单创建、修改等高风险操作在AI规划与人工确认下闭环执行。
6.实现Agent懒加载（Lazy Loading）代理模式，将原本5-15秒的复杂初始化流程延迟至首次调用，保障了Web服务启动速度（模块导入耗时降至<1秒）。
7.子智能体采用动态构建，每一个子智能对应一个含有相关配置的yaml文件，包括名称、描述、工具、技能路径、系统提示词等。动态加载构建主管架构以实现子智能体的无限扩展。
二．院内多模态RAG知识库系统：2025年8月至2025年10月
模型：Qwen3-VL、Qwen3-vl-embedding、Qwen-text-embedding-v4、Deepseek-v3、Mineru
文件存储：minio
搜索工具：zhipuai
向量数据库：Milvus
关系型数据库：mysql
非关系型数据库：redis
Rag评估：ragas
推理引擎：vllm
开发语言及框架：python、langGraph
项目背景:
医院内部大量的医学文献急需构建知识库，文献多为带有图文的文件。
本项目构建一个能够统一理解和检索文本、图像以及图文对的智能系统。能将文本、图像及图文对输 入转换为统一的向量表示，以达到“Any2Any”跨模态检索（如文搜图、图搜文、图文搜图文等）。
项目实现：
1、单文本和图片嵌入，以及文本+图片对嵌入，从而实现Any2Any。基于多模态的Agent来控制RAG 最后的响应同时出现文本和图片，并保证多模态数据在一个向量空间实现搜索和索引。
2、通过管理端上传文件到minio服务器，监听服务接收minio的s3事件获取上传的文件。通过私有 化部署的Mineru解析文档。图片提取为文件路径形式，表格提取为Table标签形式。采用章节段落分 块 +SemanticChunker语义分块相结合的方式来解决表格或者内容跨页断裂问题。
3、使用Qwen3-vl-embedding多模态嵌入模型，对图片和文本进行密集向量化。Milvus创建密集向量 Dense和稀疏向量Sparse的索引。提高搜索广度和精度。实现"向量+关键词"混合检索。
4、实现上下文工程来提高响应速度，用Redis来保存短期上下文记忆和长期上下文记忆，并且每轮交
团队情况
整包服务：
微信公众号开发微信小程序开发PC网站开发H5网站开发App开发WebApp开发UI设计AI类开发
负责人：
高级研发工程师(java、python、AI应用)
团队成员：
产品经理 UI设计师 iOS工程师 安卓工程师 前端工程师 后端工程师
ID:437179
复制
刘沄昭
有团队 · 可整包
高级研发工程师(java、python、AI应用) · 15年经验 · 东软集团
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
14年的java开发经验，2年多的python大模型AI应用开发经验。有过10余人团队管理经验。
精通java相关开发技术栈。
熟悉提示词工程、上下文工程、驾驭工程(Harness Engineering)。
熟练运用langchain、langgraph、deepagents、mcp配合vibecoding进行智能体、知识库等系统的研发。
熟悉milvus、chromadb、faiss等向量数据库、neo4j图数据库、mysql等关系型数据库、redis等非关系型数据库。
了解大模型transformer和diffusion架构以及高效微调的基本原理。
可以使用unsloth进行高效微调以及量化，并通过vllm进行模型部署以及evalscope进行评估。
精通java相关开发技术栈。
熟悉提示词工程、上下文工程、驾驭工程(Harness Engineering)。
熟练运用langchain、langgraph、deepagents、mcp配合vibecoding进行智能体、知识库等系统的研发。
熟悉milvus、chromadb、faiss等向量数据库、neo4j图数据库、mysql等关系型数据库、redis等非关系型数据库。
了解大模型transformer和diffusion架构以及高效微调的基本原理。
可以使用unsloth进行高效微调以及量化，并通过vllm进行模型部署以及evalscope进行评估。
项目经验
一．基于Harness架构的院内ERP智能助手：2026年3月至今
开发语言及框架：python、langchain deepagents、fastApi、fastMcp、vue
沙箱环境：opensandbox
关系型数据库：mysql
非关系型数据库：redis
模型：deepseek-v4-pro
应用容器：docker
vibecoding工具：claudeCode
项目背景：
院内ERP系统庞大且老旧，业务复杂，操作繁琐。此外，通用AI Agent在执行代码时存在极大安全 隐患，且长对话容易导致上下文溢出。本项目采用业界前沿的Harness Engineering（驾驭工程） 范式， 旨在构建一个安全、稳定、能处理长周期任务的“智能助手”。
项目实现：
1.基于LangChain团队最新的DeepAgents框架，遵循“Agent = Model + Harness”理念，搭建了包含任务规划（write_todos）、虚拟文件系统和SubAgent委派的系统骨架。通过上下文隔离机制，将复杂任务拆解，让Agent具备了将自然语言自动拆解为多步执行计划的能力，并在指定的边界内稳定的完成任务。
2.企业级安全沙箱落地：基于阿里OpenSandbox重写了BaseSandbox协议。通过自定义沙箱，强制所有execute、read_file、write_file在Docker容器中运行。这使得Agent即使执行恶意脚本，也无法触碰生产环境密钥和内部网络，保证系统的安全性。
3.使用fastmcp构建mcp服务，把ERP系统的业务接口分模块封装为mcp工具。同时针对几十个图表工具使用Python闭包与字典路由设计合并函数，并配合渐进式披露策略，仅在Agent需要画图时才加载完整图表参数文档，极大优化了Token预算。
4.下文与记忆管理：利用复合沙箱实现三层路由文件系统（临时沙箱、redis持久化记忆、跨会话StoreBackend），结合“大型工具结果卸载”和“对话摘要”技术，支持无限长度的长周期任务执行；同时构建用户作用域记忆，实现跨会话偏好自动学习。
5.基于FastAPI构建SSE（Server-Sent Events）流式响应，实现Token级流式输出与中断恢复；设计双层人工介入（HITL）机制（数据补充层+最终审批层），确保订单创建、修改等高风险操作在AI规划与人工确认下闭环执行。
6.实现Agent懒加载（Lazy Loading）代理模式，将原本5-15秒的复杂初始化流程延迟至首次调用，保障了Web服务启动速度（模块导入耗时降至<1秒）。
7.子智能体采用动态构建，每一个子智能对应一个含有相关配置的yaml文件，包括名称、描述、工具、技能路径、系统提示词等。动态加载构建主管架构以实现子智能体的无限扩展。
二．院内多模态RAG知识库系统：2025年8月至2025年10月
模型：Qwen3-VL、Qwen3-vl-embedding、Qwen-text-embedding-v4、Deepseek-v3、Mineru
文件存储：minio
搜索工具：zhipuai
向量数据库：Milvus
关系型数据库：mysql
非关系型数据库：redis
Rag评估：ragas
推理引擎：vllm
开发语言及框架：python、langGraph
项目背景:
医院内部大量的医学文献急需构建知识库，文献多为带有图文的文件。
本项目构建一个能够统一理解和检索文本、图像以及图文对的智能系统。能将文本、图像及图文对输 入转换为统一的向量表示，以达到“Any2Any”跨模态检索（如文搜图、图搜文、图文搜图文等）。
项目实现：
1、单文本和图片嵌入，以及文本+图片对嵌入，从而实现Any2Any。基于多模态的Agent来控制RAG 最后的响应同时出现文本和图片，并保证多模态数据在一个向量空间实现搜索和索引。
2、通过管理端上传文件到minio服务器，监听服务接收minio的s3事件获取上传的文件。通过私有 化部署的Mineru解析文档。图片提取为文件路径形式，表格提取为Table标签形式。采用章节段落分 块 +SemanticChunker语义分块相结合的方式来解决表格或者内容跨页断裂问题。
3、使用Qwen3-vl-embedding多模态嵌入模型，对图片和文本进行密集向量化。Milvus创建密集向量 Dense和稀疏向量Sparse的索引。提高搜索广度和精度。实现"向量+关键词"混合检索。
4、实现上下文工程来提高响应速度，用Redis来保存短期上下文记忆和长期上下文记忆，并且每轮交
开发语言及框架：python、langchain deepagents、fastApi、fastMcp、vue
沙箱环境：opensandbox
关系型数据库：mysql
非关系型数据库：redis
模型：deepseek-v4-pro
应用容器：docker
vibecoding工具：claudeCode
项目背景：
院内ERP系统庞大且老旧，业务复杂，操作繁琐。此外，通用AI Agent在执行代码时存在极大安全 隐患，且长对话容易导致上下文溢出。本项目采用业界前沿的Harness Engineering（驾驭工程） 范式， 旨在构建一个安全、稳定、能处理长周期任务的“智能助手”。
项目实现：
1.基于LangChain团队最新的DeepAgents框架，遵循“Agent = Model + Harness”理念，搭建了包含任务规划（write_todos）、虚拟文件系统和SubAgent委派的系统骨架。通过上下文隔离机制，将复杂任务拆解，让Agent具备了将自然语言自动拆解为多步执行计划的能力，并在指定的边界内稳定的完成任务。
2.企业级安全沙箱落地：基于阿里OpenSandbox重写了BaseSandbox协议。通过自定义沙箱，强制所有execute、read_file、write_file在Docker容器中运行。这使得Agent即使执行恶意脚本，也无法触碰生产环境密钥和内部网络，保证系统的安全性。
3.使用fastmcp构建mcp服务，把ERP系统的业务接口分模块封装为mcp工具。同时针对几十个图表工具使用Python闭包与字典路由设计合并函数，并配合渐进式披露策略，仅在Agent需要画图时才加载完整图表参数文档，极大优化了Token预算。
4.下文与记忆管理：利用复合沙箱实现三层路由文件系统（临时沙箱、redis持久化记忆、跨会话StoreBackend），结合“大型工具结果卸载”和“对话摘要”技术，支持无限长度的长周期任务执行；同时构建用户作用域记忆，实现跨会话偏好自动学习。
5.基于FastAPI构建SSE（Server-Sent Events）流式响应，实现Token级流式输出与中断恢复；设计双层人工介入（HITL）机制（数据补充层+最终审批层），确保订单创建、修改等高风险操作在AI规划与人工确认下闭环执行。
6.实现Agent懒加载（Lazy Loading）代理模式，将原本5-15秒的复杂初始化流程延迟至首次调用，保障了Web服务启动速度（模块导入耗时降至<1秒）。
7.子智能体采用动态构建，每一个子智能对应一个含有相关配置的yaml文件，包括名称、描述、工具、技能路径、系统提示词等。动态加载构建主管架构以实现子智能体的无限扩展。
二．院内多模态RAG知识库系统：2025年8月至2025年10月
模型：Qwen3-VL、Qwen3-vl-embedding、Qwen-text-embedding-v4、Deepseek-v3、Mineru
文件存储：minio
搜索工具：zhipuai
向量数据库：Milvus
关系型数据库：mysql
非关系型数据库：redis
Rag评估：ragas
推理引擎：vllm
开发语言及框架：python、langGraph
项目背景:
医院内部大量的医学文献急需构建知识库，文献多为带有图文的文件。
本项目构建一个能够统一理解和检索文本、图像以及图文对的智能系统。能将文本、图像及图文对输 入转换为统一的向量表示，以达到“Any2Any”跨模态检索（如文搜图、图搜文、图文搜图文等）。
项目实现：
1、单文本和图片嵌入，以及文本+图片对嵌入，从而实现Any2Any。基于多模态的Agent来控制RAG 最后的响应同时出现文本和图片，并保证多模态数据在一个向量空间实现搜索和索引。
2、通过管理端上传文件到minio服务器，监听服务接收minio的s3事件获取上传的文件。通过私有 化部署的Mineru解析文档。图片提取为文件路径形式，表格提取为Table标签形式。采用章节段落分 块 +SemanticChunker语义分块相结合的方式来解决表格或者内容跨页断裂问题。
3、使用Qwen3-vl-embedding多模态嵌入模型，对图片和文本进行密集向量化。Milvus创建密集向量 Dense和稀疏向量Sparse的索引。提高搜索广度和精度。实现"向量+关键词"混合检索。
4、实现上下文工程来提高响应速度，用Redis来保存短期上下文记忆和长期上下文记忆，并且每轮交
团队情况
服务范围：
团队构成：
负责人(高级研发工程师(java、python、AI应用))
|
核心队员：产品经理 ·
UI设计师 ·
iOS工程师 ·
安卓工程师 ·
前端工程师 ·
后端工程师
立即沟通
