01
KnowledgeOps
短剧行业 AI 知识与内容决策助手
将分散的会议资料、行业报告和业务文档沉淀为可检索、可引用、可分析的知识资产。系统覆盖多格式解析、Hybrid Search、Rerank、引用问答、行业分析 Agent 与自动评测。
- 72
- 份行业资料
- 2,512
- 个可检索 Chunk
- 0.875
- Recall@5
- 68
- 条评测 Case
Agent Workflow
RAG & Evaluation
FastAPI & Milvus
Human-in-the-loop
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。
01
短剧行业 AI 知识与内容决策助手
将分散的会议资料、行业报告和业务文档沉淀为可检索、可引用、可分析的知识资产。系统覆盖多格式解析、Hybrid Search、Rerank、引用问答、行业分析 Agent 与自动评测。
02
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。
03
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。
04
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。
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。
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。
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。
通过 Golden Dataset、Recall@K、MRR、引用命中、拒答和红队 Case 定位真实瓶颈。
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。
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。
欢迎通过 GitHub 查看我的公开记录与后续更新。
访问 GitHub