黄昏
大模型应用开发工程师
联想 · 3年经验
日薪：
￥800/8h
地点：
北京
时间：
可工作日远程可工作日驻场（离职原因）
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
1. Python:熟练使用 NumPy/Pandas 完成数据清洗、分析与可视化；
2. 大模型框架：熟练 Hugging Face Transformers、 PyTorch, 完成预训练模型加载、微调；
3. Agent 开发：熟练 LangChain/LangGraph, 基于 Function Call 实现工具调度、任务规划、多轮推理；
4. RAG 全链路：掌握多路召回+两级排序架构，BM25+BGE 向量检索、RRF融合、Rerank 精排；使用 MRR、
HitRate 做检索效果评估
5. 算法基础：熟悉 Kmeans、随机森林、BERT 等传统机器学习与大模型基础原理；
6. 工程与可观测：了解FastAPI、Docker、OpenTelemetry 链路埋点、PromQL、VLLM。
2. 大模型框架：熟练 Hugging Face Transformers、 PyTorch, 完成预训练模型加载、微调；
3. Agent 开发：熟练 LangChain/LangGraph, 基于 Function Call 实现工具调度、任务规划、多轮推理；
4. RAG 全链路：掌握多路召回+两级排序架构，BM25+BGE 向量检索、RRF融合、Rerank 精排；使用 MRR、
HitRate 做检索效果评估
5. 算法基础：熟悉 Kmeans、随机森林、BERT 等传统机器学习与大模型基础原理；
6. 工程与可观测：了解FastAPI、Docker、OpenTelemetry 链路埋点、PromQL、VLLM。
项目经验
项目介绍：
参与企业级云原生可观测平台多智能体诊断服务研发，项目旨在解决传统人工故障排查链路长、定位难、门槛高的痛点，依托 Coordinator-Specialist 多智能体架构，实现用户自然语言驱动的延迟突增、告警异常、服务拓扑故障自动诊断。
技术栈：FastAPI、LangGraph + deepagents、PostgreSQL、OpenTelemetry、Docker.工作内容：
1、应用级聚合延迟分析工具：面向“延迟是否异常、异常集中在哪”的诊断问题，按照「参数解析一数据拉取→异常判定一数据优化」链路为上层智能体提供异常判定与异常点位定位能力。参数层：LLM 自由传参容易出现幻觉问题，仅开放延迟阈值给模型，时间窗口、采样率由系统上下文确定性推导，从接口层面杜绝参数幻觉。数据层：基于 asyncio 三路并发拉取指标、基线、TopK 数据，支持单路失败局部降级，严格区分“无数据”与“依赖故障”。判定层：优先采用客户配置的固定阈值来判定是否为异常，无配置时使用30 天非重叠历史基线 MAD 动态判异，完整披露阈值来源。2、基于 OpenTelemetry 为应用级聚合延迟分析工具设计 span 埋点契约：工具执行注册为tool.* span，三路并发数据拉取（聚合序列/TopK/30天基线）经 asyncio.gather 各自注册为backend.*子 span 并正确挂接父子关系；每路 span 独立落类型化结果——成功记 outcome (success/partial/no_data)，失败记低基数错误类，使“单路失败局部降级”在 trace 上直接可视，无需翻日志即可定位是哪一路依赖故障。
3、设计多智能体分层路由策略：构建“提示词+工具描述”双层约束路由体系，实现点名服务、拓扑依赖、告警取证、跨应用聚合的精准任务分发。
4、创建智能体评估集：构建4类运维诊断场景评测集，包含某服务的指标查询、某服务的拓扑结构、故障的原因定位、整体情况咨询。
5、设计智能体步数预算体系：委派 52/单专家工具 34/全局 <8 三层计数；计数策略采用委派
过程采用中间件计数，工具调用过程采用在工具入口进行计数的方式
6、基于 LangGraph checkpointer 设计跨轮次会话记忆：构建独立的单节点持久化图（编译时挂载 checkpointer),轮末将本轮问答增量合并入会话记录；conversation id 由 HMAC-SHA256（服务端密钥，会话身份)确定性推导；仅完成轮次入档，空闲过期清理+上下文有界截断。
参与企业级云原生可观测平台多智能体诊断服务研发，项目旨在解决传统人工故障排查链路长、定位难、门槛高的痛点，依托 Coordinator-Specialist 多智能体架构，实现用户自然语言驱动的延迟突增、告警异常、服务拓扑故障自动诊断。
技术栈：FastAPI、LangGraph + deepagents、PostgreSQL、OpenTelemetry、Docker.工作内容：
1、应用级聚合延迟分析工具：面向“延迟是否异常、异常集中在哪”的诊断问题，按照「参数解析一数据拉取→异常判定一数据优化」链路为上层智能体提供异常判定与异常点位定位能力。参数层：LLM 自由传参容易出现幻觉问题，仅开放延迟阈值给模型，时间窗口、采样率由系统上下文确定性推导，从接口层面杜绝参数幻觉。数据层：基于 asyncio 三路并发拉取指标、基线、TopK 数据，支持单路失败局部降级，严格区分“无数据”与“依赖故障”。判定层：优先采用客户配置的固定阈值来判定是否为异常，无配置时使用30 天非重叠历史基线 MAD 动态判异，完整披露阈值来源。2、基于 OpenTelemetry 为应用级聚合延迟分析工具设计 span 埋点契约：工具执行注册为tool.* span，三路并发数据拉取（聚合序列/TopK/30天基线）经 asyncio.gather 各自注册为backend.*子 span 并正确挂接父子关系；每路 span 独立落类型化结果——成功记 outcome (success/partial/no_data)，失败记低基数错误类，使“单路失败局部降级”在 trace 上直接可视，无需翻日志即可定位是哪一路依赖故障。
3、设计多智能体分层路由策略：构建“提示词+工具描述”双层约束路由体系，实现点名服务、拓扑依赖、告警取证、跨应用聚合的精准任务分发。
4、创建智能体评估集：构建4类运维诊断场景评测集，包含某服务的指标查询、某服务的拓扑结构、故障的原因定位、整体情况咨询。
5、设计智能体步数预算体系：委派 52/单专家工具 34/全局 <8 三层计数；计数策略采用委派
过程采用中间件计数，工具调用过程采用在工具入口进行计数的方式
6、基于 LangGraph checkpointer 设计跨轮次会话记忆：构建独立的单节点持久化图（编译时挂载 checkpointer),轮末将本轮问答增量合并入会话记录；conversation id 由 HMAC-SHA256（服务端密钥，会话身份)确定性推导；仅完成轮次入档，空闲过期清理+上下文有界截断。
ID:438367
复制
黄昏
大模型应用开发工程师 · 3年经验 · 联想
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. Python:熟练使用 NumPy/Pandas 完成数据清洗、分析与可视化；
2. 大模型框架：熟练 Hugging Face Transformers、 PyTorch, 完成预训练模型加载、微调；
3. Agent 开发：熟练 LangChain/LangGraph, 基于 Function Call 实现工具调度、任务规划、多轮推理；
4. RAG 全链路：掌握多路召回+两级排序架构，BM25+BGE 向量检索、RRF融合、Rerank 精排；使用 MRR、
HitRate 做检索效果评估
5. 算法基础：熟悉 Kmeans、随机森林、BERT 等传统机器学习与大模型基础原理；
6. 工程与可观测：了解FastAPI、Docker、OpenTelemetry 链路埋点、PromQL、VLLM。
2. 大模型框架：熟练 Hugging Face Transformers、 PyTorch, 完成预训练模型加载、微调；
3. Agent 开发：熟练 LangChain/LangGraph, 基于 Function Call 实现工具调度、任务规划、多轮推理；
4. RAG 全链路：掌握多路召回+两级排序架构，BM25+BGE 向量检索、RRF融合、Rerank 精排；使用 MRR、
HitRate 做检索效果评估
5. 算法基础：熟悉 Kmeans、随机森林、BERT 等传统机器学习与大模型基础原理；
6. 工程与可观测：了解FastAPI、Docker、OpenTelemetry 链路埋点、PromQL、VLLM。
项目经验
项目介绍：
参与企业级云原生可观测平台多智能体诊断服务研发，项目旨在解决传统人工故障排查链路长、定位难、门槛高的痛点，依托 Coordinator-Specialist 多智能体架构，实现用户自然语言驱动的延迟突增、告警异常、服务拓扑故障自动诊断。
技术栈：FastAPI、LangGraph + deepagents、PostgreSQL、OpenTelemetry、Docker.工作内容：
1、应用级聚合延迟分析工具：面向“延迟是否异常、异常集中在哪”的诊断问题，按照「参数解析一数据拉取→异常判定一数据优化」链路为上层智能体提供异常判定与异常点位定位能力。参数层：LLM 自由传参容易出现幻觉问题，仅开放延迟阈值给模型，时间窗口、采样率由系统上下文确定性推导，从接口层面杜绝参数幻觉。数据层：基于 asyncio 三路并发拉取指标、基线、TopK 数据，支持单路失败局部降级，严格区分“无数据”与“依赖故障”。判定层：优先采用客户配置的固定阈值来判定是否为异常，无配置时使用30 天非重叠历史基线 MAD 动态判异，完整披露阈值来源。2、基于 OpenTelemetry 为应用级聚合延迟分析工具设计 span 埋点契约：工具执行注册为tool.* span，三路并发数据拉取（聚合序列/TopK/30天基线）经 asyncio.gather 各自注册为backend.*子 span 并正确挂接父子关系；每路 span 独立落类型化结果——成功记 outcome (success/partial/no_data)，失败记低基数错误类，使“单路失败局部降级”在 trace 上直接可视，无需翻日志即可定位是哪一路依赖故障。
3、设计多智能体分层路由策略：构建“提示词+工具描述”双层约束路由体系，实现点名服务、拓扑依赖、告警取证、跨应用聚合的精准任务分发。
4、创建智能体评估集：构建4类运维诊断场景评测集，包含某服务的指标查询、某服务的拓扑结构、故障的原因定位、整体情况咨询。
5、设计智能体步数预算体系：委派 52/单专家工具 34/全局 <8 三层计数；计数策略采用委派
过程采用中间件计数，工具调用过程采用在工具入口进行计数的方式
6、基于 LangGraph checkpointer 设计跨轮次会话记忆：构建独立的单节点持久化图（编译时挂载 checkpointer),轮末将本轮问答增量合并入会话记录；conversation id 由 HMAC-SHA256（服务端密钥，会话身份)确定性推导；仅完成轮次入档，空闲过期清理+上下文有界截断。
参与企业级云原生可观测平台多智能体诊断服务研发，项目旨在解决传统人工故障排查链路长、定位难、门槛高的痛点，依托 Coordinator-Specialist 多智能体架构，实现用户自然语言驱动的延迟突增、告警异常、服务拓扑故障自动诊断。
技术栈：FastAPI、LangGraph + deepagents、PostgreSQL、OpenTelemetry、Docker.工作内容：
1、应用级聚合延迟分析工具：面向“延迟是否异常、异常集中在哪”的诊断问题，按照「参数解析一数据拉取→异常判定一数据优化」链路为上层智能体提供异常判定与异常点位定位能力。参数层：LLM 自由传参容易出现幻觉问题，仅开放延迟阈值给模型，时间窗口、采样率由系统上下文确定性推导，从接口层面杜绝参数幻觉。数据层：基于 asyncio 三路并发拉取指标、基线、TopK 数据，支持单路失败局部降级，严格区分“无数据”与“依赖故障”。判定层：优先采用客户配置的固定阈值来判定是否为异常，无配置时使用30 天非重叠历史基线 MAD 动态判异，完整披露阈值来源。2、基于 OpenTelemetry 为应用级聚合延迟分析工具设计 span 埋点契约：工具执行注册为tool.* span，三路并发数据拉取（聚合序列/TopK/30天基线）经 asyncio.gather 各自注册为backend.*子 span 并正确挂接父子关系；每路 span 独立落类型化结果——成功记 outcome (success/partial/no_data)，失败记低基数错误类，使“单路失败局部降级”在 trace 上直接可视，无需翻日志即可定位是哪一路依赖故障。
3、设计多智能体分层路由策略：构建“提示词+工具描述”双层约束路由体系，实现点名服务、拓扑依赖、告警取证、跨应用聚合的精准任务分发。
4、创建智能体评估集：构建4类运维诊断场景评测集，包含某服务的指标查询、某服务的拓扑结构、故障的原因定位、整体情况咨询。
5、设计智能体步数预算体系：委派 52/单专家工具 34/全局 <8 三层计数；计数策略采用委派
过程采用中间件计数，工具调用过程采用在工具入口进行计数的方式
6、基于 LangGraph checkpointer 设计跨轮次会话记忆：构建独立的单节点持久化图（编译时挂载 checkpointer),轮末将本轮问答增量合并入会话记录；conversation id 由 HMAC-SHA256（服务端密钥，会话身份)确定性推导；仅完成轮次入档，空闲过期清理+上下文有界截断。
立即沟通
