Jerry518520

李冰杰

做 LLM 应用开发，专注 RAG 与 Agent 的端到端落地。做过完整链路：文档解析 → 切片 → Embedding → 检索 → Prompt → 生成 → 引用溯源 → API → 前端。

比起把模型调通，我更擅长定位 LLM 的非显性失效——那些不报错、但输出已经脱离依据的问题，并为它们设计防复发的兜底与回归测试。

方向	技术
LLM 应用	LangGraph · LangChain · ReAct · Function Calling · Prompt 工程
检索 RAG	BGE-M3 · FAISS · BM25 · 混合检索 · 引用溯源
后端	Python 异步 · FastAPI · Uvicorn · REST · WebSocket
前端	React 19 + TypeScript · Vite · Tailwind CSS · ECharts
工程化	Docker Compose · pytest · pre-commit · Poetry / pip
算法	Isolation Forest · 特征工程 · 规则引擎门控融合 · 评测指标设计

基于 ESA OPS-SAT 公开数据集（30.3 万行采样点 / 2123 段 / 9 通道）。用 Isolation Forest 检出异常段，再用 RAG 结合卫星手册知识库让 LLM 给出可溯源的异常解释。上海电机学院大学生创新创业训练计划项目，任项目负责人。

工程取舍：为把检索中位耗时压到 25 ms，主动放弃在线增量写入、改为离线重建索引；代价是知识库更新需重建，收益是检索路径极简、延迟可控。
修复非显性 AI 缺陷：「防幻觉提示词已写入但未生效」——生成内容脱离检索依据而系统无任何报错；用断言校验定位根因后，补上「检索不到即拒答」兜底与回归测试。
指标口径治理：段级与点级异常率分母不同、不可混用，两套口径单独出文档约束，避免跨口径比大小。
交付形态：FastAPI + React 19 前后端分离，含实时数据接入（/api/stream/ingest + WebSocket 告警）、API 认证与限流、SQLite 告警持久化。

让非金融专业人士读懂上市公司 PDF 财报：上传财报后用自然语言提问，由 LangGraph Agent 调用财务工具算指标、生成摘要与能力雷达图，并标注来源页码。

指标	结果
Agent 工作流	LangGraph 闭环：规划 → 工具调用 → 反思 → 重试，最多 5 轮迭代收敛
工具层	封装 19 个财务计算工具
文档解析	LlamaParse 混合解析，攻克中文财报 PDF 无边框表格
部署	Docker Compose 一键启动，GPU / CPU 依赖分离 + 健康检查

失效模式：LLM 的问题大多不报错。防幻觉提示词写了不等于生效——输出脱离检索依据时系统毫无反应。这类非显性失效要靠断言校验和回归测试兜住，不能靠肉眼 review。
可验证：指标口径必须先定清楚再谈优化。分母不同的两个指标不能直接比大小，否则优化方向会被自己的数字带偏。
工程纪律：宁可让系统拒答，也不要让它编。检索不到依据就返回「没有依据」，比给一个看起来合理的答案是更好的工程选择。