IT人力外包人才简历库

精通大模型训练方法论，包括预训练（Pre-training）、监督微调（SFT）、基于人类反馈的强化学习（RLHF）等核心算法。熟练掌握DeepSeek、Qwen、ChatGLM等主流大模型架构，具备模型推理服务框架（Sglang、vLLM）的开发经验。精通RAG（Retrieval-Augmented Generation）技术体系，包括GraphRAG、LightRAG等检索增强生成方案。熟悉MCP多端服务编排与异步任务调度系统，具备分布式AI服务开发能力。掌握Dify低代码AI开发平台，具备Workflow设计与AI工具定制经验。熟悉数字人技术栈（ASR、TTS、Wav2Lip）及Prompt工程优化。精通Transformer、BERT、GPT等深度学习模型，熟悉PyTorch/TensorFlow框架。熟练使用MySQL、Redis、Neo4j等数据库，掌握Milvus、Chroma等向量数据库技术。具备Linux环境开发及Docker容器化部署能力。

主导开发基于RAG技术的智能问答系统，通过MinerU工具与Glm4v-9b模型实现文档语义块提取，采用bge-m3嵌入模型构建Milvus向量数据库，支持高效语义检索。设计多模型协同推理架构，整合Qwen2.5-32b模型进行上下文重排序与答案生成，通过Redis缓存优化系统响应速度。解决用户查询代词消解、查询重写等技术难点，实现系统吞吐量提升40%，降低人工问答成本60%。开发数字人语音交互模块，集成ASR/TTS技术实现自然语言对话，支持Wav2Lip视频生成，提升人机交互体验。

项目背景：构建智能问答系统以提升企业文档检索效率。项目流程：1.采用MinerU工具与Glm4v-9b模型进行文本、表格及标题的语义块提取。2.基于bge-m3嵌入模型构建Milvus向量数据库，实现文档向量化存储与高效语义检索。3.设计查询重写模块，处理代词消解与子问题生成，确保检索准确性。4.通过Milvus并行检索获取Top3相关上下文，利用Qwen2.5-32b模型进行上下文融合与答案生成。5.基于Redis缓存用户对话历史，支持快速响应与代词消解。6.优化系统架构，实现日均10万+次查询的高并发处理能力。技术挑战：多模型协同推理的上下文一致性、向量检索的实时性保障、复杂查询的意图识别。解决方案：采用异步任务调度优化资源利用率，设计动态权重的重排序算法，结合Prompt工程提升模型理解能力。