大模型算法工程师 / Agent 架构方向

从模型能力到系统能力

把模型能力,做成可上线、可评测、可维护的系统。

关注 Agent、RAG、数据智能、文档处理与 AI 工程化如何经得起真实业务使用。

0 -> 1AI 系统从 0 到 1企业 AI 平台 / Agent / RAG 落地
3400+技术输出粉丝长期写作与开源沉淀
超百万内容展示量技术博客持续输出 5 年+
70%+AI 辅助研发效率需求、设计、编码、测试与 Review

我更关心一个问题:模型能力如何进入真实系统。写作会沿着 RAG、Agent Runtime、评测和工程边界持续展开。

01

RAG & Document AI

复杂文档解析、结构保护、混合检索、重排与评测闭环。

02

Agent Runtime

状态、工具调用、审批、事件日志和可观测性,而不是循环调用模型。

03

Evaluation & Reliability

用任务集、trace、人工审核和指标体系判断 AI 系统是否可靠。

04

Production Engineering

权限、延迟、失败归因、成本和维护边界,决定模型能力能否上线。

DataAgent 到 Agent Runtime

把经营分析、招投标和企业 AI 平台里的共性能力抽出来,沉淀成可复用的文档智能、知识检索、工具治理和长任务运行体系。
场景
DataAgent / 智能招投标 / 企业 AI 平台
能力
Ontology / RAG / Agent Runtime / Grounded Evidence
Business DataTender DocsKnowledge Base
OntologyParser ArtifactsSection-aware Chunk
Runtime Control PlaneAgent RuntimeContext / Tool Governance / Memory / LongTask
RerankGrounded EvidenceTraceReview
智能问数投标内容生成结构化报告
能力切片从简历项目抽象

RAG

复杂文档解析、切分、检索、重排与评测。

Agent

状态管理、工具调用、人工审批、日志与可观测性。

评测

任务数据集、trace 分析、答案质量和可靠性验证。

工程

权限、延迟、失败归因、成本与可维护边界。

我的工作重心从模型能力本身,逐渐转向模型如何进入真实业务系统:数据、权限、流程、评测和工程边界,往往比一次模型调用更决定产品质量。

2026DataAgent数据智能平台Ontology / 智能问数 / 分析框架
2026Intelligent Bidding SystemDocument AI / RAG / Agent 工作流
2025Enterprise OA Agent工具调用 / 审批 / 可观测性
2024AI Browser搜索 / 浏览器 Agent / VLLM