档案

|

多Agent编排 / RAG全链路 / LLM工程化

电商场景AI解决方案落地，从0到1构建多Agent选品与智能客服系统

联系方式

🐙GitHub

📝CSDN

关于我

毕业届别25届本科

专业人工智能

求职意向AI应用开发工程师

25届本科毕业生，专注AI应用开发，有电商AI产品线落地经验，擅长多Agent系统、RAG pipeline和LLM工程化。

技术栈

大模型 & 多Agent

LangGraph →DeepSeek →ReAct →vLLM →LoRA →MCP →

NLP & 深度学习

PyTorch →BERT →模型压缩 →HuggingFace →FastText →

工程 & 工具

Milvus →Redis →MySQL →Docker →Streamlit →

核心项目

电商每日精选选品简报系统（多Agent）

2025.10 - 2026.05

LangGraphDeepSeekReActvLLM

运营选品耗时 2h → 10min

痛点人工选品效率低、偏好难量化、跨批次重复推荐率高

方案八阶段多Agent编排架构 + ReAct推理循环 + 两级向量去重

成果跨批次去重率92%+，偏好学习后命中率提升30%

难点ReAct推理防死循环机制、去重召回率与精度平衡

查看项目复盘笔记 →

点击展开详情

电商智能客服问答系统（RAG）

2024.12 - 2025.08

MilvusDeepSeekRedisvLLM

意图准确率 95%+ / 缓存命中率 60%+

痛点传统客服回复慢、知识库更新滞后、数据隐私要求高

方案五层RAG分层架构 + 双路召回+重排 + 三级缓存 + vLLM本地部署

成果响应延迟降低70%，人工介入率下降40%

难点长上下文召回精度优化、低延迟本地大模型部署

查看项目复盘笔记 →

点击展开详情

商品短文本类目分类系统（模型轻量化）

2024.08 - 2024.12

PyTorchBERT模型压缩FastText

准确率 93.97% / 模型体积 399MB → 8MB

痛点大模型推理慢、部署成本高、边缘设备无法运行

方案三种压缩路线对比（量化/蒸馏/剪枝）+ FastText兜底

成果分类耗时从3min降至秒级，模型体积压缩98%

难点精度与体积平衡、样本不均衡处理

查看项目复盘笔记 →

点击展开详情

• 个人简介
• 关于我
• 技术栈
• 核心项目