AI APPLICATION ENGINEER

把 AI 能力做成
可运行的业务系统

聚焦 Agent、RAG 与自动化工作流,用评测、引用和人工审核保证结果可用。

由文档、工作流节点和人工审核卡片构成的抽象 AI 系统

Agent Workflow

RAG & Evaluation

FastAPI & Milvus

Human-in-the-loop

代表作品

案例只展示脱敏后的架构、方法和验证结果,不公开公司资料与业务数据。

ProductGuard 商品内容合规质检工作台

02

ProductGuard Agent

用 LangGraph 编排类目识别、规则检索、风险检测、证据评估、补充检索和人工复核路由,输出可解释的整改建议。

LangGraphFastAPI6 tests
AI Research Agent 多源研究任务界面

03

AI Research Agent

将研究主题拆解为计划生成、多源检索、正文读取、观点抽取、证据评分和报告生成,可查看来源、节点日志与执行状态。

Research WorkflowVector SearchTrace

04

短剧行业情报与选题自动化系统

从信息发现、去重清洗、事件沉淀到 ToB/ToC Router、双生成器、结构化输出和人工确认,形成可批量运行的半自动化业务链路。覆盖 52 个行业网站和 30 个微信公众号,并进入 5 位同事的日常使用。

采集事件聚合检索补强Router生成人工确认

不止让模型回答

我更关心系统如何稳定运行、如何被验证,以及什么时候应该把判断交还给人。

从业务流程开始

先拆解角色、输入、判断口径和交付物,再决定 Agent 节点、工具和数据结构。

让证据可以追踪

在 RAG 与内容生成中保留来源、Chunk、执行轨迹和异常原因,避免只展示漂亮结果。

用评测推动迭代

通过 Golden Dataset、Recall@K、MRR、引用命中、拒答和红队 Case 定位真实瓶颈。

保留人工边界

对选题、发布、知识入库等高影响操作加入确认、权限和审计,降低误操作风险。

关于我

林钡镕,广东技术师范大学人工智能专业 2027 届本科生。近 6 个月持续参与企业 AI 应用、Agent 与自动化流程落地,能够完成需求拆解、工作流设计、后端开发、前后端联调和效果验证。

希望长期发展于 AI 应用工程、Agent 工程化及业务自动化方向,也愿意参与 RAG 质量、Agent 测试和开发者工具相关工作。

PythonFastAPISQLMilvus LangGraphRAGDockerGitHub Prompt EngineeringAgent Evaluation

让 AI 结果经得起使用

欢迎通过 GitHub 查看我的公开记录与后续更新。

访问 GitHub