NLP 工程师

NLP 工程师，5 年经验。深耕中文自然语言处理与搜索增强生成系统，擅长从 0 到 1 构建高可用文本服务。在模型部署、检索架构与 AI 协作研发方面有丰富落地实践。

负责公司核心 NLP 平台架构设计与大模型应用落地，带领 3 人算法团队，主导智能客服、知识库问答、文档智能处理等产品线的技术方案。重点推进 RAG 系统优化与 AI 协作研发流程建设。

• 设计并实现企业级语义检索与生成系统
• 建立模型评测体系与回归测试流程
• 推动 AI 辅助编程在团队内的规范化使用

企业知识库 RAG 系统重构

• 针对原有 RAG 系统召回率低、幻觉严重的问题，进行全面架构升级。实现混合检索（关键词+向量+图结构）、多路重排序、引用溯源与上下文质量监控，支撑千万级文档的企业知识问答。
• 系统采用分层架构：数据采集层（PDF/Word/网页解析，Apache Tika + 自研版面分析）、索引层（Elasticsearch 关键词索引 + Milvus 向量索引 + NebulaGraph 实体关系图）、检索层（Hybrid Retriever 融合 BM25、Dense Embedding 和 Graph Walk）、排序层（Cross-Encoder 重排序 + 业务规则后处理）、生成层（LLM 服务，支持模型路由与降级）。引入 Kafka 处理实时文档更新，Prometheus + Grafana 监控全链路延迟与召回指标。
• 作为技术负责人，负责整体架构设计、核心模块开发、团队任务分配与代码审查。使用 Claude Code 进行复杂模块的任务拆解与实现方案设计，利用 GitHub Copilot 加速单元测试与文档编写。所有变更经过本地验证、CI 流水线检查与人工审查后上线。
• 技术栈: 混合检索 向量数据库 重排序模型 链路追踪 模型路由 Prompt 版本管理
• 挑战: 检索召回率提升 35%: 通过引入混合检索策略与 Cross-Encoder 重排序，Top-5 召回率从 58% 提升至 93%，用户满意度提高 28%
• 挑战: 幻觉率降低至 3% 以下: 建立引用溯源机制与上下文相关性校验，输出包含明确来源引用，人工审核后幻觉率由 15% 降至 2.1%
• 挑战: AI 协作研发提效 40%: 在 Claude Code 辅助下进行需求拆解与方案设计，GitHub Copilot 生成测试用例与接口文档，团队人效提升显著
• 挑战: 系统可用性 99.9%: 实现模型路由、降级与缓存策略，P99 延迟从 4.2s 降至 1.8s，年度可用性达 99.92%

智能客服意图识别与多轮对话系统

• 为金融客户构建支持 200+ 意图的智能客服系统，实现意图识别、槽位填充、多轮对话管理与知识推荐，日处理对话量超 50 万轮。
• 微服务架构：意图识别服务（BERT-based 分类模型 + 规则兜底）、对话管理（自研 DST 状态追踪 + 有限状态机混合策略）、NLG 服务（模板生成 + 大模型润色）、知识推荐（基于用户画像的个性化排序）。使用 Redis 缓存高频意图，MongoDB 存储对话上下文，通过 gRPC 进行服务间通信。
• 负责意图识别模块优化与整体系统性能调优。使用 Claude Code 分析历史对话数据模式，辅助设计特征工程方案；通过 GitHub Copilot 生成批量测试脚本与性能压测代码。主导模型从 TensorFlow 到 PyTorch 的迁移，完成 ONNX 量化部署。
• 技术栈: 意图识别 对话状态追踪 槽位填充 微服务架构 A/B 测试 模型量化
• 挑战: 意图识别准确率 96.5%: 采用层级分类与领域自适应预训练，意图识别准确率从 89% 提升至 96.5%，误识别导致的转人工率下降 42%
• 挑战: 模型推理延迟降低 60%: 通过 ONNX Runtime 量化与批处理优化，单条推理延迟从 120ms 降至 48ms，支撑高峰时段流量

作为早期算法成员参与公司 NLP 中台建设，负责文本分类、情感分析、命名实体识别等基础能力研发，支撑内部 10+ 业务线的文本智能需求。

• 构建文本分类与情感分析通用模型
• 开发中文分词与命名实体识别工具
• 搭建模型训练与部署流水线

NLP 中台基础能力平台建设

• 从零搭建公司 NLP 中台，提供文本分类、情感分析、NER、关键词提取等通用能力，通过 RESTful API 和 SDK 形式供业务方调用。
• 采用模型服务化架构：训练平台（基于 Kubernetes 的弹性训练集群，支持分布式训练）、模型仓库（MLflow 版本管理）、推理服务（Triton Inference Server + Docker 容器化部署）、API 网关（统一鉴权、限流、监控）。模型层采用 BERT/RoBERTa 系列作为基础，针对业务数据微调。
• 负责文本分类与 NER 模块的算法研发和工程化部署。独立完成模型训练、调优、封装到上线的全流程，编写技术文档与使用指南。
• 技术栈: BERT 模型服务化 Kubernetes MLflow Docker RESTful API
• 挑战: 模型服务化效率提升: 实现模型一键部署与版本切换，业务方接入周期从 2 周缩短至 2 天
• 挑战: AI 辅助代码开发: 早期使用 GitHub Copilot 辅助完成数据预处理脚本与 API 接口开发，减少重复编码工作

• 精通中文分词、词性标注、命名实体识别、句法分析等基础 NLP 任务
• 熟练掌握 BERT、RoBERTa、ERNIE 等预训练模型的微调与优化
• 具备文本分类、情感分析、意图识别、语义匹配等任务的丰富实战经验

• 深入理解 Transformer 架构与注意力机制
• 熟练运用检索增强生成（RAG）技术，包括混合检索、重排序、引用溯源
• 掌握大模型提示词设计、上下文管理与输出结构化
• 了解模型量化、蒸馏与推理加速技术

• 使用 Claude Code 进行复杂需求拆解、架构方案设计与代码实现，利用其代码仓库上下文理解能力辅助重构与优化
• 使用 GitHub Copilot 生成单元测试、接口文档与正则表达式等重复性代码
• 建立 AI 辅助开发规范：所有 AI 生成变更需经本地运行验证、自动化 CI 检查、人工代码审查，涉及权限与安全的代码强制二次确认，保持可回滚准备

• 熟练使用 Python、PyTorch、TensorFlow 进行算法开发
• 掌握 Docker、Kubernetes 容器化部署
• 熟悉 Triton Inference Server、ONNX Runtime 推理优化
• 具备 Kafka、Redis、Elasticsearch、Milvus 等中间件的集成经验
• 了解链路追踪（Jaeger/Zipkin）与可观测性建设

• 精通 Elasticsearch 倒排索引与查询优化
• 掌握向量检索（HNSW、IVF）与向量数据库（Milvus/Faiss）
• 了解图数据库（NebulaGraph）在知识关联中的应用
• 具备搜索排序、个性化推荐相关经验

• 建立模型评测集与回归测试机制，确保模型迭代质量
• 掌握 Prompt/模型版本管理、模型路由与降级策略
• 具备成本与延迟治理意识，通过缓存、批处理、异步化等手段优化系统性能

研究方向：自然语言处理与信息检索

• 主修课程：高级自然语言处理、机器学习、信息检索与搜索引擎、深度学习、统计学习理论
• 研究成果：在 ACL 发表长文 1 篇，研究主题为中文语义理解与知识图谱融合
• 项目经历：参与导师国家自然科学基金项目，负责实体链接与消歧模块开发
• 荣誉奖项：国家奖学金、优秀毕业生