任职信息： 带 4人

核心 AI 应用落地： 主导公司智能问答与 AI 助手的建设,把大模型能力接进客服、内部知识、营销文案等多个业务场景,服务多个业务线

其中企业知识问答上线后覆盖数万员工,采纳率(用户认可回答)做到约 75%,相关人工支持成本显著下降

RAG 与效果体系： 搭建了团队统一的 RAG 检索体系:多种切分策略、混合检索(向量 + 关键词)、rerank、引用溯源,并把它做成多业务可复用的服务

建立了 AI 效果评测体系:自动化评测集 + 人工抽检 + 线上反馈回流,让每次模型/Prompt/检索的迭代都有据可依,把"凭感觉调"变成"看指标迭代"

Agent 与编排： 主导了一个多工具 Agent 系统的落地,支持任务规划、工具调用和多轮修正,把一些原来要人工多步操作的流程自动化

设计了工具调用的稳定性机制(参数校验、失败重试、兜底),把 Agent 的任务成功率提升到可用水平

成本与性能： 通过模型分级、语义缓存、Prompt 精简和批处理,在效果不降的前提下把整体推理成本降低约 45%

部署过开源模型(用 vLLM 做推理服务)承接部分场景,进一步平衡了效果与成本

团队： 带 4 名工程师,负责技术方案、评测规范和 code review,把 RAG/Agent 的最佳实践沉淀成团队文档和脚手架

搜索工程： 负责电商搜索的召回和排序工程，独立维护 3 个核心召回通道（文本匹配、语义向量、个性化），日均处理 千万级 query 请求

做过 query 理解模块（纠错、同义改写、意图识别）和向量检索链路（基于 FAISS），上线后搜索 CTR 提升约 8%

技术亮点： 参与搜索引擎从 ES 到自研向量检索的迁移，负责索引构建和在线 serving，检索延迟从约 80ms 降到 30ms

搭建了搜索 AB 实验框架和离线评测流水线（NDCG/MRR），支撑排序模型的快速迭代