明.
AI Agent算法工程师
西安石油大学产学研一体化基地 · 2年经验
日薪：
￥1000/8h
地点：
西安
时间：
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
1.多Agent开发：LangChain / LangGraph / AutoGen / CrewAI，熟悉 Agent 编排、工具调用（Function Calling）、RAG 检索增强、MCP 协议
2.LLM 微调：LoRA / QLoRA / P-Tuning，基于 GLM、Qwen、Llama 等开源模型做指令微调与领域适配
3.Vibe Coding：熟练使用 Cursor / Claude Code 等 AI 编程工具，快速原型开发
4.机器学习/深度学习：PyTorch、Transformer 架构、Embedding、向量数据库（Milvus / FAISS）
2.LLM 微调：LoRA / QLoRA / P-Tuning，基于 GLM、Qwen、Llama 等开源模型做指令微调与领域适配
3.Vibe Coding：熟练使用 Cursor / Claude Code 等 AI 编程工具，快速原型开发
4.机器学习/深度学习：PyTorch、Transformer 架构、Embedding、向量数据库（Milvus / FAISS）
项目经验
项目一：企业级智能知识库问答系统（RAG + 多Agent）
背景：某企业内部文档超 5 万份，员工查找资料平均耗时 15 分钟，跨部门知识流转效率低。
职责：独立负责整体架构设计与落地
基于 LangGraph 搭建多 Agent 架构：意图识别 → 检索 Agent → 答案生成 Agent → 质量审核 Agent
使用 Embedding + 向量数据库（Milvus）构建知识检索，召回准确率从 65% 提升至 92%
结合业务数据对 GLM 模型进行 LoRA 微调，提升专业术语理解能力
结果：
知识查询平均耗时从 15 分钟降至 30 秒
覆盖 800+ 员工日常使用，日均提问 2000+ 次
答案采纳率达 85%，替代 60% 的人工咨询工作量
项目二：垂类领域模型微调（法律文书助手）
背景：通用大模型对法律专业场景回答不够准确，客户需要专属助手。
职责：负责数据清洗（3 万条指令对构建）、QLoRA 微调、效果评测全流程
结果：专业评测集准确率从基线 58% 提升至 89%，已上线服务客户，生成一份合同初审意见由 2 小时缩短至 5 分钟。
背景：某企业内部文档超 5 万份，员工查找资料平均耗时 15 分钟，跨部门知识流转效率低。
职责：独立负责整体架构设计与落地
基于 LangGraph 搭建多 Agent 架构：意图识别 → 检索 Agent → 答案生成 Agent → 质量审核 Agent
使用 Embedding + 向量数据库（Milvus）构建知识检索，召回准确率从 65% 提升至 92%
结合业务数据对 GLM 模型进行 LoRA 微调，提升专业术语理解能力
结果：
知识查询平均耗时从 15 分钟降至 30 秒
覆盖 800+ 员工日常使用，日均提问 2000+ 次
答案采纳率达 85%，替代 60% 的人工咨询工作量
项目二：垂类领域模型微调（法律文书助手）
背景：通用大模型对法律专业场景回答不够准确，客户需要专属助手。
职责：负责数据清洗（3 万条指令对构建）、QLoRA 微调、效果评测全流程
结果：专业评测集准确率从基线 58% 提升至 89%，已上线服务客户，生成一份合同初审意见由 2 小时缩短至 5 分钟。
案例展示 全部案例 >
ID:441440
复制
明.
AI Agent算法工程师 · 2年经验 · 西安石油大学产学研一体化基地
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.多Agent开发：LangChain / LangGraph / AutoGen / CrewAI，熟悉 Agent 编排、工具调用（Function Calling）、RAG 检索增强、MCP 协议
2.LLM 微调：LoRA / QLoRA / P-Tuning，基于 GLM、Qwen、Llama 等开源模型做指令微调与领域适配
3.Vibe Coding：熟练使用 Cursor / Claude Code 等 AI 编程工具，快速原型开发
4.机器学习/深度学习：PyTorch、Transformer 架构、Embedding、向量数据库（Milvus / FAISS）
2.LLM 微调：LoRA / QLoRA / P-Tuning，基于 GLM、Qwen、Llama 等开源模型做指令微调与领域适配
3.Vibe Coding：熟练使用 Cursor / Claude Code 等 AI 编程工具，快速原型开发
4.机器学习/深度学习：PyTorch、Transformer 架构、Embedding、向量数据库（Milvus / FAISS）
项目经验
项目一：企业级智能知识库问答系统（RAG + 多Agent）
背景：某企业内部文档超 5 万份，员工查找资料平均耗时 15 分钟，跨部门知识流转效率低。
职责：独立负责整体架构设计与落地
基于 LangGraph 搭建多 Agent 架构：意图识别 → 检索 Agent → 答案生成 Agent → 质量审核 Agent
使用 Embedding + 向量数据库（Milvus）构建知识检索，召回准确率从 65% 提升至 92%
结合业务数据对 GLM 模型进行 LoRA 微调，提升专业术语理解能力
结果：
知识查询平均耗时从 15 分钟降至 30 秒
覆盖 800+ 员工日常使用，日均提问 2000+ 次
答案采纳率达 85%，替代 60% 的人工咨询工作量
项目二：垂类领域模型微调（法律文书助手）
背景：通用大模型对法律专业场景回答不够准确，客户需要专属助手。
职责：负责数据清洗（3 万条指令对构建）、QLoRA 微调、效果评测全流程
结果：专业评测集准确率从基线 58% 提升至 89%，已上线服务客户，生成一份合同初审意见由 2 小时缩短至 5 分钟。
背景：某企业内部文档超 5 万份，员工查找资料平均耗时 15 分钟，跨部门知识流转效率低。
职责：独立负责整体架构设计与落地
基于 LangGraph 搭建多 Agent 架构：意图识别 → 检索 Agent → 答案生成 Agent → 质量审核 Agent
使用 Embedding + 向量数据库（Milvus）构建知识检索，召回准确率从 65% 提升至 92%
结合业务数据对 GLM 模型进行 LoRA 微调，提升专业术语理解能力
结果：
知识查询平均耗时从 15 分钟降至 30 秒
覆盖 800+ 员工日常使用，日均提问 2000+ 次
答案采纳率达 85%，替代 60% 的人工咨询工作量
项目二：垂类领域模型微调（法律文书助手）
背景：通用大模型对法律专业场景回答不够准确，客户需要专属助手。
职责：负责数据清洗（3 万条指令对构建）、QLoRA 微调、效果评测全流程
结果：专业评测集准确率从基线 58% 提升至 89%，已上线服务客户，生成一份合同初审意见由 2 小时缩短至 5 分钟。
立即沟通
