0
被预约次数
0
被收藏次数
0
被评价次数
大模型应用全链路能力：熟悉RAG技术，熟悉从文档处理、向量检索、召回重排到答案生成的完整流程。能够有效解决大模型的“幻觉”问题，提升回答的准确性和可追溯性。
图数据与知识库构建：熟练掌握 Neo4j 图数据库，能够设计并构建复杂的实体关系网络（知识图谱），并将其与大模型结合，实现深度的关系查询和智能推荐。
业务场景落地经验：具备将AI技术应用于电商领域的实战经验，例如商品文案生成、智能推荐和商品信息处理，能够理解业务需求并转化为技术方案。
扎实的工程基础：熟练使用 Python 及其数据生态（Numpy, Pandas），熟悉 Linux, Shell, MySQL 等工程工具，具备良好的数据处理和脚本开发能力。
1. 企业级 RAG 智能客服系统
技术栈：LangChain, Dify, 向量检索, Prompt Engineering
项目亮点：
解决核心痛点：针对企业知识库问答场景，设计了完整的 RAG 问答方案，有效解决了大模型在专业领域知识不足和产生“幻觉”的问题。
提升可用性：通过配置多轮对话、引用来源和异常兜底机制，显著提升了系统的业务可用性和用户体验。
专业交付：具备从方案设计、系统搭建到效果评测（关注准确率、召回率）的端到端交付能力。
2. 电商知识图谱与智能推荐问答
技术栈：Neo4j, Cypher, 实体抽取, 关系抽取
项目亮点：
结构化数据赋能：构建了包含商品、品牌、类目等实体的电商知识图谱，将结构化的关系数据作为上下文补充给大模型，使回答更稳定、更智能。
量化业务价值：通过图算法实现了商品推荐功能，使推荐准确率提升了25%。
全流程经验：熟悉从数据清洗、实体关系抽取到图谱可视化和查询的完整落地流程。
可兼职时间
可兼职地点
0条评论 雇主评价