Agent Workflow
深耕多步任务拆解与状态管理。利用 LangGraph 或 Dify 等工具构建可自愈、可追溯的复杂业务工作流。
Available for Opportunities
关于我
专注 AI Agent 与 LLM 应用落地，关注如何把大模型能力转化为可交付、可维护的业务系统。
Background
转型与演进路径
前端工程与产品实现
早期的前端工程背景，培养了我对用户交互体验的极致追求和对产品逻辑的深刻理解。这让我能够敏锐捕捉用户在使用 AI 工具时的痛点。
AI 应用与 RAG 开发
随着 LLM 的爆发，我开始深入检索增强（RAG）领域，研究如何通过向量数据库与重排序技术，提升模型在特定垂域知识下的表现。
Agent 工程化与工作流编排
目前致力于构建具备复杂逻辑处理能力的 Agent。通过工作流编排与 Tool Calling，将 AI 从简单的对话框演变为能够自主调用 API、解决业务难题的智能体。
“跨领域的背景让我不再只是‘调包侠’，而是能站在产品落地的视角，思考如何将复杂业务流程与大模型能力完美契合。”
Core Focus Areas
RAG Engineering
不仅是简单的 Embedding。通过 Query 重写、HyDE、多路召回与混合检索，打造高性能的企业级知识库系统。
LLM Application
关注 Prompt Engineering 与模型微调后的应用层适配。优化上下文窗口利用率，降低模型幻觉，提升输出稳定性。
Tool Calling & Integration
打通企业存量系统。让 Agent 具备精准调用复杂外部 API 的能力，实现真正的“AI 驱动业务自动化”。
Methodology
工程实践方法论
不追求花哨的 Demo，只追求能够在生产环境中稳定运行的 AI 系统。
01
需求拆解
业务目标量化，确定 AI 介入的边界。
02
任务设计
Agent 决策链路逻辑图绘制与优化。
03
RAG 接入
非结构化数据清洗、分块与索引策略。
04
工具调用
封装稳健的 API 接口供模型自主调度。
05
链路优化
解决延迟与消耗瓶颈，优化输出质量。
06
评估迭代
引入 RAGAS 等框架进行闭环评估。
岗位匹配度
基于我的技术栈与工程经验，我能胜任以下岗位：
AI 应用开发工程师AI Agent / Workflow 工程师RAG / LLM 应用工程师系统集成 AI 工程岗位