Skip to content
View zhushen12580's full-sized avatar
🎯
Focusing
🎯
Focusing

Block or report zhushen12580

Block user

Prevent this user from interacting with your repositories and sending you notifications. Learn more about blocking users.

You must be logged in to block users.

Content in all repositories owned by your account will be closed.
Maximum 250 characters. Please don’t include any personal information such as legal names or email addresses. This note will only be visible to you.
Report abuse

Contact GitHub support about this user’s behavior. Learn more about reporting abuse.

Report abuse
zhushen12580/README.md

zhushen · AI Architect · Agent Builder — Model Card v2026.10

Model Details

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

Intended Use

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。

Eval Results

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

Training Data

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

Capabilities

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

Open-Source Releases

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

Architecture

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
Loading

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。

Alignment

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。

Known Limitations

  • 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。

How to Prompt Me

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)。

Pinned Loading

  1. Egonex-AI/Understand-Anything Egonex-AI/Understand-Anything Public

    Graphs that teach > graphs that impress. Turn any code into an interactive knowledge graph you can explore, search, and ask questions about. Works with Claude Code, Codex, Cursor, Copilot, Gemini C…

    TypeScript 92.9k 7.9k

  2. smart-screenshot smart-screenshot Public

    🔥The first intelligent screenshot tool of the AI eraAI时代的首款智能截图工具

    JavaScript 184 16

  3. StyleSwift/StyleSwift StyleSwift/StyleSwift Public

    Step into style! Transform any website with a single prompt. Elevate your browsing experience instantly. > Fully Open-Source | Smart Parsing | Precise Generation | Privacy-First.完全取代stylish!一句话,给任何…

    HTML 61 5

  4. mem0ai/mem0 mem0ai/mem0 Public

    The Memory Layer for AI Agents - Drop-in memory infrastructure for AI agents and apps. Context that persists. Built for production.

    Python 69.1k 8.2k