00 核心能力 · 能力地图
从算力到业务的一整条链路
在真实场景中沉淀、可迁移的方法论——每一条都在实际项目中完整用过一遍。
企业级 AI 平台五层架构
算力 → 模型服务 → 工具 / Skill → Agent 编排 → AI 门户，从 0 到 1 设计与交付，支撑千人级组织的日常 AI 协作。
RAG 全链路与评测回归门禁
异构文档差异化解析 → 混合检索 → LLM-as-Judge + 人工抽检双轨评测，Bad Case 持续累积，指标回退自动阻塞上线。
Agent 编排与工具生态
Supervisor + 专业 Agent 分工，MCP / Skill 标准化工具接入；意图识别 → 任务编排 → 能力执行的完整执行链路。
LLM 微调与评测体系
LoRA / QLoRA 端到端实操；双层引用式评测（格式合规 × 事实正确分归因）；GGUF 量化单卡部署。
多模态文档理解
PaddleOCR-VL、版面分析、表格区域定位与像素对齐；扫描件、异构表格 → 可检索、可问答的结构化知识。
工程化与生产兜底
Human-in-the-loop 责任边界，幂等去重 / 超时熔断 / 失败告警；私有化部署控制推理成本，敏感数据不出内网。
OPEN SOURCE · 代码可查
开源项目：让每个指标可验证
01 开源 · 目标检测
产线表面缺陷检测：
从算法到可部署的质检服务
基于 YOLOv5，针对微小、低对比度、多尺度的表面缺陷专项优化，打通数据转换 → 训练 → 评测 → ONNX / TensorRT / REST 部署全流程（NEU-DET 基准，6 类缺陷）。
- P2 小目标检测头 + autoanchor 重聚类：亚像素级划痕召回显著提升
- C3TR Transformer 注意力 + P6 多尺度配置，面向服务器端大图场景
- 传统 CV 与深度学习互补：CLAHE / 形态学 / GLCM / LBP 特征全对照
- 弱项如实展示：crazing、rolled-in_scale 是下一版优化目标（Focal Loss + 高分辨率切图）
引用格式合规率
引用事实正确率
引用完全一致率
02 开源 · LLM 微调评测
单卡 T4 微调法律大模型：
把「引用准确率」拆成两层来评
Qwen2.5-1.5B 的 LoRA 完整闭环——数据构建 → 冒烟验证 → 训练诊断 → 双层引用评测 → GGUF 量化部署。数据从 166,758 条原始语料筛到 5,000 条精选指令。
- 冒烟先行：0.5B 模型 × 500 条 × 2 分钟先打通全链路，正式训练零意外
- 每个结论都有对照：基座 zero-shot vs 微调，同脚本同口径重跑
- 诚实清单写进 README：相邻条文混淆、评测标签噪声、长文本截断
- ROUGE-L 32.4 → 49.4（+52%），BERTScore 0.742 → 0.822
03 开源 · 预测性维护
设备还能安全运行多久？
涡扇发动机剩余寿命预测系统
NASA C-MAPSS 基准（FD001 子集）上横向对比五条技术路线，BiLSTM 以 RMSE 14.79 cycles 胜出；ONNX 导出 + REST API，预处理元信息随模型一起上线。
- 五路线同口径对比（HistGBRT / LSTM / BiLSTM / 1D-CNN / Transformer）——模型选型即工程判断，不押注单点
- EDA 驱动特征选择：剔除恒定传感器，保留 18 个有效特征，仅训练集拟合防泄漏
- 非对称 Score 贴合业务风险：晚预测（该修没修）比早预测惩罚更重
- 线上线下一致：ONNX 导出含预处理元信息，REST 接口直接对接产线数据
