| Field | Value |
|---|---|
| Role | AI Architect · AI Application Engineer · Agent Builder |
| Specialty | Multi-Agent · Agent 编排 · RAG · Context Engineering · AI Infra |
| Deployment | 生产环境,不止 Demo:可观测、可恢复、成本可度量 |
| Status | 🟢 Open to AI Agent / AI 架构岗位 → 联系方式 |
专注于把大模型能力变成可落地、可观测、可持续演进的生产级系统。
我关注的不只是“模型能不能回答”,更是整个系统能否解决真实问题:如何理解业务、组织数据、调用工具、控制成本、处理故障,并持续从反馈中优化。
Out-of-Scope Use: 只能在 Demo 里跑通的 Agent。
| Metric | Baseline | Result | Setting |
|---|---|---|---|
| RAG 知识命中率 | 72% | 89% | 智能导购与知识问答 |
| 检索速度 | 1× | 4× | 智能导购与知识问答 |
| 实时对话首字延迟(TTFT) | 15 s | < 2 s | 智能导购与知识问答 |
| 模型风格一致性 | 2.1 / 5 | 4.3 / 5 | 智能导购与知识问答 |
| 样式生成效果 | — | +80% | StyleSwift |
| 推理成本 | — | −40% | Agent 共享基础设施 |
| 长视频上传体积 | — | −99% | Agent 共享基础设施 |
塑造这个模型的项目。点击展开实现细节。
Understand Anything — 代码知识图谱与多智能体分析 · 核心贡献者
将静态代码分析与多智能体协作结合,把大型代码库转换为可交互的架构图谱与开发者知识库。→ 仓库
- 设计由 7 个专业 Agent 组成的分阶段分析流水线,覆盖项目扫描、架构分析、文档生成和图谱审查。
- 基于
tree-sitter提取函数、类与依赖关系,支持十万行级代码库分析。 - 通过中间产物落盘和按需注入降低上下文占用,支持增量更新与并行处理。
- 使用 React Flow 构建交互式图谱,支持 3000+ 节点 的探索与检索。
- 完成多语言输出与跨平台插件适配,覆盖 13+ AI 编码平台。
Multi-Agent tree-sitter Knowledge Graph Context Engineering React Flow
StyleSwift — 面向网页视觉与样式生成的 Coding Agent · 作者
围绕网页界面理解、样式生成和视觉质量评估构建垂直领域 Coding Agent。→ 仓库
- 自研 Agent Loop,提供 14 个原子化工具,按需获取页面结构并执行样式修改。
- 实现多模型统一协议适配、流式工具调用、上下文压缩和长任务执行。
- 引入独立视觉质检 Agent,形成“生成 → 质检 → 修复”的闭环。
- 构建双层技能系统,让设计风格能够沉淀、迁移和跨页面复用。
- 一套接入层适配 10+ 模型提供方。
Coding Agent Tool Calling Visual Audit Chrome Extension Skills
多智能体业务平台 — 可恢复的 AI 工作流
面向复杂业务流程设计模块化智能体平台,将数据工具、领域规则与 LLM 推理组合为可复用的应用能力。
- 基于 LangGraph 和 PostgreSQL Checkpoint 实现节点级状态持久化、断点恢复与任务续跑。
- 构建统一 LLM 网关,支持多 Key 调度、限流冷却、故障切换与动态路由。
- 使用 MCP 标准化异构数据工具,让新能力能够按模块接入。
- 建设多租户隔离、权限控制、异步任务和完整执行轨迹。
- 接入 Metrics、Logs、Traces 三类观测能力,让智能体执行过程可追踪、可诊断。
LangGraph MCP FastAPI PostgreSQL Redis Observability
智能导购与知识问答 — 生产级 RAG 实践
围绕复杂商品知识、实时咨询和多模态问答构建智能交互系统。
- 设计“向量粗召回 → Cross-Encoder 精排 → 结构化应答”检索链路。
- 通过 Prefix Caching、Prompt 重组与推理链路优化压缩首字延迟。
- 采用“微调管风格、RAG 管知识”的职责分离设计,降低知识更新成本。
- 构建覆盖文字、图片和视频的统一素材召回能力。
RAG Rerank QLoRA DPO Multimodal TTFT Optimization
AI 数据资产中台 — 从原始数据到可用知识
将原始对话和业务资料加工为可检索、可训练、可评测的数据资产,为下游 AI 应用提供统一数据来源。
- 建设完整的数据链路:采集、去重、清洗、脱敏、审核与多格式导出。
- 实现结构化知识提取、向量知识库构建以及训练数据生成。
- 通过分层过滤与多次脱敏保护敏感信息。
- 让知识问答、模型微调、自动评测和素材生成共享同一份可信数据。
- 建立应用反馈回流机制,持续改善数据质量与模型表现。
ETL Data Governance Privacy Vector Database LLM Evaluation
Agent 共享基础设施 — 让业务能力快速复用
把多个 AI 应用中的共性能力抽离为独立共享服务,减少重复建设并统一治理。
- 将 LLM 网关、RAG 检索、会话记忆与 Prompt 管理拆分为独立 MCP 服务。
- 构建标准化工具协议、身份认证、配额管理和租户隔离。
- 设计跨应用共享的用户画像与会话记忆体系。
- 支撑 运营素材 Agent 与 直播高光提炼 Agent 等业务应用。
- 通过模型分级路由与成本追踪治理推理成本,并优化长视频处理的上传链路。
MCP Server Agent Infrastructure Memory Model Routing Cost Governance
| 方向 | 技术与实践 |
|---|---|
| Agent 与编排 | LangGraph、Multi-Agent、Agent Loop、MCP、Tool Calling、SubGraph、Checkpoint |
| 大模型工程 | Prompt Engineering、Context Engineering、Structured Output、LLM Gateway、模型路由 |
| RAG 与知识库 | Embedding、混合检索、Cross-Encoder Rerank、HNSW、pgvector、Milvus |
| 模型与多模态 | QLoRA、SFT、DPO、OCR、ASR、TTS、VLM、图文视频检索 |
| 后端与数据 | Python、FastAPI、PostgreSQL、Redis、Celery、SQLAlchemy、ETL |
| 前端与开发者工具 | TypeScript、React、Vue、React Flow、Chrome Extension、WebAssembly |
| 工程与可观测性 | Docker、CI/CD、Langfuse、LangSmith、Prometheus、Grafana、结构化日志 |
| Project | Role | |
|---|---|---|
| Understand-Anything | 核心贡献者 | ★ 86k+ · 把任意代码库变成可交互的知识图谱 |
| smart-screenshot | 作者 | AI 时代的智能截图工具 |
| StyleSwift | 作者 | 一句话给任何网页换皮肤的 AI Chrome 扩展 |
flowchart LR
A["业务数据 / 对话 / 文档 / 素材"] --> B["清洗、脱敏与知识治理"]
B --> C["RAG / 向量检索 / 训练数据"]
C --> D["LLM Gateway / MCP / 记忆服务"]
D --> E["Agent Loop 工程 / 规划 / 工具调用 / 执行 / 重试"]
E --> F["多 Agent 编排与任务协作"]
F --> G["客服 / 内容 / 分析 / Coding Agent"]
G --> H["评测、监控与反馈回流"]
H --> B
基础能力平台化,业务 Agent 保持轻量:状态下沉、工具标准化、数据可追踪、执行可恢复、成本可度量。
我相信的工程原则。
- Agent 不是对话框,而是能够完成任务的系统。
- RAG 管知识,微调管风格,工具管行动。
- 上下文不是越长越好,而是越相关越好。
- 智能体可以有状态,但状态不应该只存在于对话里。
- 一个真正可上线的 AI 系统,必须同时考虑效果、成本、稳定性与可观测性。
- 看到没有 trace 的 Agent 会焦虑。
- 会在 Code Review 里反复追问:“这一步失败了,怎么恢复?”
- 对“把整个仓库塞进上下文”的方案过敏。
你好 zhushen,我们在做 <你的场景>,想聊聊 Agent / RAG / AI 基础设施。
📮 Email:[email protected] 💬 WeChat:zhushen12580
本页格式致敬 Mitchell et al., Model Cards for Model Reporting (2019)。



