AI 算法工程师

李勇

人工智能硕士 ·多 Agent 系统 / NLP / 深度学习

我聚焦多 Agent 系统开发、自然语言处理与智能模型应用，擅长 LangChain/LangGraph 多 Agent 编排与手写 Agent 循环、RAG 管线、PyTorch 建模、LoRA 微调与模型压缩。这个网站展示我当前最核心的三个项目，涵盖多 Agent 考试系统、情感分析与手搓 Agent。

当前重点展示项目

95.83%

Qwen2 + LoRA 情感分类准确率

80/100

UNSW 人工智能硕士 GPA

成长路线

教育背景与求职方向

从本科阶段的数据与理工基础，到硕士阶段的 AI / NLP 深入学习，再到当前的求职方向，我把自己的成长路径整理成清晰时间线。

2018.09 - 2022.07

太原工业学院 · 生物工程学士

打下数理、编程与数据分析基础

完成数据结构、概率论与数理统计、线性代数、生物信息学等课程，获得学业奖学金和优秀毕业生荣誉。

数学基础数据结构统计分析

2023.09 - 2025.09

新南威尔士大学 · 人工智能硕士

系统学习机器学习、深度学习与 NLP

聚焦机器学习、深度学习、自然语言处理和统计学习理论，并围绕文本分类、情感分析与 LoRA 参数高效微调完成重点项目实践。

Machine LearningDeep LearningNLPLoRA

2026 求职中

目标岗位与方向

算法工程师 / 机器学习工程师 / AI 研发工程师

希望进入能够落地 NLP、LLM 应用、推荐或通用机器学习能力的团队，继续把研究思路转化为真实产品与工程成果。

NLPLLM 应用LoRA模型优化

关于我

以研究思维做项目，以工程方式讲清楚成果

我更重视能被清晰表达的作品：不仅展示模型效果，也把任务背景、技术路线、工程实现和业务价值整理成完整叙事。

我毕业于新南威尔士大学人工智能硕士项目，主攻自然语言处理、深度学习与 LLM 应用开发。本站重点展示三个项目：一个基于 LangChain + LangGraph 的多 Agent 智能考试系统、一个涵盖双分支建模与 Qwen2-LoRA 微调的情感分类项目，以及一个手写 Agent 循环 + RAG 的面试智能系统。

我比较重视两个能力：一是模型效果，二是结果表达。除了训练模型本身，我也会把任务背景、数据规模、技术路线、实验指标和个人贡献整理成完整作品，方便用于求职展示。

具备多 Agent 系统开发经验（LangChain/LangGraph + 手写 Agent 双路线），涵盖 Agent/RAG、NLP 与 LLM 微调。

熟悉从多 Agent 编排、RAG 检索、模型训练到蒸馏量化与 LoRA 微调的端到端流程。

具备全栈 AI 应用开发能力（FastAPI + Next.js + LangChain + DeepSeek/Claude API）。

核心技能

算法与模型开发

PyTorchLangChain/LangGraphTransformerBERTQwen2LoRA/QLoRA

数据处理与分析

PandasNumPyScikit-learn知识蒸馏INT8 量化数据增强

工程与部署

PythonFastAPINext.jsDockerDeepSeek APIRAGChromaDB

教育背景

新南威尔士大学 · 人工智能硕士

2023.09 - 2025.09 · GPA 80/100

核心课程：机器学习、深度学习、自然语言处理、统计学习理论

太原工业学院 · 生物工程学士

2018.09 - 2022.07

获得学业奖学金、优秀毕业生荣誉

能力补充

技能矩阵与个人优势

我把简历里的核心技能、工程能力和学习优势进一步拆开展示，方便用人方更快判断岗位匹配度。

算法与模型开发

PyTorchLangChain/LangGraphTransformerBERTQwen2LoRA/QLoRA

数据处理与分析

PandasNumPyScikit-learn知识蒸馏INT8 量化数据增强

工程与部署

PythonFastAPINext.jsDockerDeepSeek APIRAGChromaDB

个人优势

具备多 Agent 系统开发经验（LangChain/LangGraph + 手写 Agent 双路线），涵盖 Agent/RAG、NLP 与 LLM 微调。

熟悉从多 Agent 编排、RAG 检索、模型训练到蒸馏量化与 LoRA 微调的端到端流程。

具备全栈 AI 应用开发能力（FastAPI + Next.js + LangChain + DeepSeek/Claude API）。

学习能力强，能够快速上手新模型、新框架与新任务。

项目展示

近期重点项目

以下为近期完成的三个核心项目，涵盖 NLP 文本分类、情感分析与 CV 图像分类方向。

已整理的核心项目

95.83%

Qwen2 + LoRA 情感分类准确率

89.7%

ResNet18 + CBAM 图像分类准确率

NLP 多 Agent 智能考试系统

LangChain + LangGraph 多 Agent 协作 + RAG 动态出题 + 企业级工程

基于 LangChain + LangGraph + DeepSeek 的全栈多 Agent 智能 NLP 考试系统，采用 4 个 AI Agent（Proctor/Examiner/Grader/Reporter）协作完成考试全流程：从出题、监考、评分到报告生成，全部由 Agent 驱动。系统基于 RAG 从 16 个 NLP 知识领域的文档中检索相关知识片段，再由 LLM 动态生成高质量题目，支持 5 种题型、4 个难度等级和自适应难度调节。

4-Agent LangGraph 状态图编排

16 个 NLP 知识领域 RAG 动态出题

5 种题型 + 自适应难度 + 三层容错

LangChainLangGraphDeepSeekFastAPINext.js 14ChromaDBWebSocketEdge TTSDockerMonaco Editor

查看详情 GitHub

词典增强的 BERT 双分支情感分类与 Qwen2-LoRA 微调

从双分支建模到蒸馏量化与 LoRA 微调

基于 ChnSentiCorp 中文情感数据集（12,000 条），完成词典增强 BERT 双分支建模、DistilBERT 蒸馏与 INT8 量化，并新增 Qwen2-1.5B 的 LoRA/QLoRA 微调链路；其中双分支方案通过对每个 token 做情感打分与监督，显式增强模型对局部情绪线索的识别能力。

BERT 双分支准确率 95.50%

Qwen2 + LoRA 准确率 95.83%

仅训练约 9M 参数（0.6%）

PyTorchHugging FaceBERTQwen2LoRA/QLoRAPEFT知识蒸馏INT8 量化

查看详情 GitHub

NLP 面试智能 Agent 系统

手写 Agent 循环 + RAG 知识检索 + 多维度自动评分

从零手写 Agent 编排循环（无 LangChain），基于 Claude API Tool Use 模式，集成 ChromaDB 向量检索与 12 个 NLP 知识文档，实现面试出题、语音/文字作答、六维度自动评分与弱项自适应练习的全流程系统。

手写 Agent 循环（5 个 Tool）

12 个 NLP 知识文档 RAG 检索

六维度雷达图自动评分

FastAPINext.js 14Claude APIAnthropic SDKChromaDBRAGTool UseSSE 流式Web Speech APIRecharts

查看详情 GitHub

项目详解

更完整的项目表达

每个项目从概述、亮点、实现到结果四个维度展开，完整呈现技术路线与工程能力。

项目案例

NLP 多 Agent 智能考试系统

LangChain + LangGraph 多 Agent 协作 + RAG 动态出题 + 企业级工程

这个项目是对原手写 Agent 系统的全面工程升级：从单 Agent 手写循环升级为 LangGraph 状态图驱动的 4-Agent 协作架构，从 Claude API 切换到 DeepSeek 国产模型，从自由对话升级为结构化考试流程（40 题、计时、倒计时），并增加了插件化工具发现、中断恢复、三层容错、Agent 调用链追踪等企业级功能。

LangChainLangGraphDeepSeekFastAPINext.js 14ChromaDBWebSocketEdge TTSDockerMonaco Editor

打开独立详情页 GitHub

核心亮点

4-Agent 协作架构：LangGraph StateGraph 编排 Proctor（规则策略调度，不调 LLM）、Examiner（RAG + LLM 出题）、Grader（客观题自动判分 + 主观题 AI 多维评分）、Reporter（LLM 生成 Markdown 报告），策略与执行分离。

RAG 动态出题：16 篇 NLP 知识文档 + ChromaDB 向量检索 + DeepSeek 动态生成选择题/判断题/简答题/编程题/案例分析题 5 种题型，非题库抽取，每次考试题目不重复。

企业级工程能力：插件化工具自动发现（零配置扩展）、中断恢复检查点（JSON 持久化）、三层容错（重试 + 超时 + 降级）、Agent 调用链追踪（可观测性）、Docker 一键部署。

实现过程

设计 LangGraph 状态图：定义 ExamState 全局状态，实现 init_exam → plan_question → generate_question → present_question → wait_for_answer → grade_answer → update_state → check_exam_end 节点与条件边。

实现 4 个 Agent：Proctor 管流程与策略（规则驱动不调 LLM），Examiner 管 RAG 检索 + LLM 出题，Grader 管客观题自动评分 + 主观题 LLM 多维评分，Reporter 管最终 Markdown 报告生成。

设计异步流水线并行策略：用户答题时 Grader 后台异步评分 + Examiner 预加载下一题，客观题 0 次 LLM 调用瞬间出分，整体减少约 45% LLM 调用。

实现企业级功能：tools/ 目录自动扫描注册工具、考试进度 JSON 检查点持久化、LLM 调用三层容错（指数退避重试 + 超时降级 + 备选题缓存）、Agent 调用链 JSON 日志追踪。

搭建 Next.js 14 前端：考试配置页、答题页（Monaco 代码编辑器 + 倒计时 + 进度条）、报告页（Recharts 雷达图 + Markdown 渲染 + 下载）、错题本、学习画像 + 考试历史。

结果总结

完成从单 Agent 到多 Agent 的架构升级，LangGraph 状态图清晰编排 4 个 Agent 的协作流程，面试中可展示对 LangChain/LangGraph 生态的深度理解。

异步流水线策略实现用户零等待体验：答题同时后台出题 + 评分，比原项目减少约 45% LLM 调用。

自适应难度 + 跨会话用户画像 + 错题本 + Edge TTS 语音播报 + WebSocket 实时计时 + Docker 一键部署，展示完整的全栈 AI 工程能力。

项目案例

词典增强的 BERT 双分支情感分类与 Qwen2-LoRA 微调

从双分支建模到蒸馏量化与 LoRA 微调

这个项目不是单点实验，而是一条完整的技术演进路线：先用词典监督增强 BERT 的局部情感感知，再把模型推进到蒸馏、量化和 Qwen2 LoRA 微调阶段，既展示建模创新，也展示工程落地能力。

PyTorchHugging FaceBERTQwen2LoRA/QLoRAPEFT知识蒸馏INT8 量化

打开独立详情页 GitHub

核心亮点

设计词典增强的主辅双分支 BERT：主分支基于 [CLS] 做句级分类，辅助分支对每个 token 输出情感标签，用情感词典做监督，双分支准确率 95.50%（相比基线提升 1.75 个百分点）。

基于 4 层 DistilBERT 完成知识蒸馏与 INT8 量化，模型从 172MB 压缩到 91MB，准确率无损保持 93.75%。

新增 Qwen2-1.5B + LoRA/QLoRA 方案，仅训练约 9M 参数（0.6%），准确率达到 95.83%，LoRA 权重仅约 37MB。

实现过程

对 ChnSentiCorp 9,600 条训练样本做字符级 dropout 与词序打乱增强，扩展至约 19,200 条。

构建情感词典（800+ 情感词 + 否定词 + 程度副词），生成 token 级监督标签。

训练词典增强双分支 BERT，主分支做句级分类，辅助分支做 token 级情感预测。

将 12 层 BERT 蒸馏到 4 层学生模型（T=3.0, α=0.7），再做 INT8 动态量化。

接入 Qwen2-1.5B，通过 PEFT 注入 LoRA 适配器（r=8, α=16），QLoRA 4bit 加载训练。

结果总结

双分支设计相比基线提升 1.75 个百分点，token 级辅助任务验证了词典监督信号的有效性。

蒸馏 + 量化将模型从 393MB 压缩到 91MB，推理速度提升约 2.5 倍，准确率无损。

Qwen2 + LoRA 以仅 0.6% 可训练参数达到最优效果，补足了 LLM 微调能力展示。

项目案例

NLP 面试智能 Agent 系统

手写 Agent 循环 + RAG 知识检索 + 多维度自动评分

这个项目是我对 Agent 架构理解的完整体现：不依赖任何框架封装，直接基于 Anthropic SDK 的 tool_use 停止信号实现 Agent 决策循环，配合向量检索提供知识增强，再通过 SSE 流式输出与前端雷达图实现实时反馈。它展示了从 Agent 编排、RAG 管线到全栈工程的端到端能力。

FastAPINext.js 14Claude APIAnthropic SDKChromaDBRAGTool UseSSE 流式Web Speech APIRecharts

打开独立详情页 GitHub

核心亮点

手写 Agent Orchestrator：基于 Claude API stop_reason 区分 tool_use 与 end_turn，循环执行工具调用直到模型自主决定结束，最多 10 轮，支持单次响应中的并行工具执行。

完整 RAG 管线：12 篇 NLP 知识文档按 ## 标题分块，使用 paraphrase-multilingual-MiniLM-L12-v2 生成多语言嵌入，存入 ChromaDB；检索时将 L2 距离转换为相关性分数并注入系统提示。

六维度自动评分体系（核心概念 30%、技术细节 25%、表达清晰度 15%、深度拓展 15%、实际应用 10%、面试技巧 5%），结合 Recharts 雷达图可视化与弱项自适应出题。

实现过程

设计 FastAPI 后端架构：Agent 编排层（orchestrator.py）、工具定义层（tools.py）、会话记忆层（memory.py）、RAG 检索层与 API 路由层分离，生命周期启动时自动构建向量索引。

实现 5 个 Agent 工具：search_knowledge_base（向量检索）、generate_question（出题并记录元数据）、grade_answer（准备评分材料）、get_session_stats（统计）、get_weak_areas（弱项识别），均以 JSON Schema 定义供 Claude 调用。

搭建 RAG 索引管线：加载 12 篇 Markdown 知识文档，按章节标题切分并提取 topic/formula 等元数据，通过 sentence-transformers 编码后写入 ChromaDB 持久化集合。

开发 Next.js 14 前端：ChatContainer 消息流 + InputBar 语音/文字双输入 + RadarChartView 六维评分雷达图 + SessionList 多会话管理，通过 SSE 实现逐 token 流式输出与工具执行状态实时回显。

实现弱项自适应逻辑：SessionMemory 按话题追踪得分历史，get_weak_areas 工具识别低分话题后注入系统提示，引导 Agent 自动调整出题方向和难度。

结果总结

完整实现了从出题→作答→检索→评分→弱项追踪的闭环流程，Agent 可自主决定何时调用工具、何时直接回复，体现了对 Tool Use 模式的深度理解。

项目代码零依赖 LangChain/CrewAI，Agent 循环、消息格式组装和工具结果注入均为手写实现，面试中可逐行解释 Agent 内部运作机制。

前后端分离的全栈架构，涵盖 SSE 流式传输、Web Speech API 语音输入、Recharts 数据可视化和多会话状态管理，展示了 AI 应用的完整工程能力。

简历信息

下载简历与联系方式

简历与联系方式汇总，方便招聘方快速了解基本情况。

李勇

目标岗位：算法工程师 / 机器学习工程师 / AI 研发工程师

求职方向

NLP / 深度学习 / 文本分类

到岗时间

2025 年 9 月毕业后随时

项目优势

强调实验结果、模型迭代和工程落地

可工作地点

杭州

联系方式

17635389202

15234126627@163.com

现居杭州

github.com/chasen2041maker

说明

如需了解更多项目细节，可点击上方项目卡片进入独立详情页，或直接下载简历获取完整信息。