项目背景：企业差旅管理与个人旅游规划均面临流程繁琐、信息分散的痛点：传统差旅人工处理效率低，旅游行程规划依赖多平台拼凑，用户体验割裂。为实现一站式智能服务，基于公司自研垂直大模型，融合语音与文本交互技术，开发一体化智能体，覆盖商务出行与休闲旅游场景，提供需求识别、行程规划、商品推荐及下单闭环服务。个人职责：负责梳理商旅审批、差旅预订、旅游攻略等核心场景需求，基于 Python 与 LangChain 框架，设计多模态交互与大模型调用架构，实现商旅与旅游功能模块的解耦与协同。优化垂直大模型的prompt策略，训练覆盖200+商旅及旅游场景的意图识别模型，精准区分 “预订北京至上海商务舱”“规划成都三日游” 等需求，识别准确率达93%。在商旅场景中，对接企业OA系统自动生成出差单，联动公司的机票、火车、酒店、用车能力完成机票、酒店、火车票、用车预订；在旅游场景中，整合POI数据与景点知识库，结合用户偏好如亲子、摄影等，生成个性化旅游行程。基于大模型生成能力，为旅游景点输出游玩视频、攻略及贴士；为商旅与旅游行程匹配对应商品资源如商务用车、景区门票等等。集成语音交互、行程生成、商品下单功能，实现 “需求输入-方案生成-一键预订” 的端到端服务；通过自动化测试与用户反馈迭代交互逻辑，上线后用户平均操作耗时缩短70%

项目背景：随着公司小程序、APP用户咨询量激增，传统客服模式效率低、响应不精准。为提升用户服务体验，基于Python、Llama2 等技术开发智能对话机器人，通过分场景推理实现高效问答。利用自研大模型结合旅游数据进行微调，满足行程、订单等多场景咨询需求。个人职责：深入调研用户咨询高频场景，梳理行程规划、订单售后、AI导购等8大核心场景需求，设计对应对话逻辑与知识图谱，为功能开发提供框架。基于Langchain模式，主导开发行程模块、订单咨询模块等4大核心功能，实现用户问题智能解析与精准回答，模块上线后用户咨询解决率提升60%。负责旅游领域数据清洗、标注与预处理，构建高质量训练数据集，累计标注有效问答对5万+条，保障模型微调基础数据质量。基于Llama2模型，结合旅游业务数据进行针对性微调，通过调整超参数、优化训练策略，使模型在旅游场景问答准确率从75%提升至97%。监控机器人线上运行状态，优化回答逻辑与响应策略，建立用户反馈闭环机制，及时修复回答错误或不精准问题，保障服务稳定性。完成华为昇腾计算中心多项技术认证，掌握大模型在国产算力平台的部署与调优方法，为项目技术升级提供支持。项目难点：微调后的模型在处理长尾问题时表现不佳。通过收集罕见问题案例，扩充训练数据集，并引入迁移学习技术，提升模型对复杂问题的理解与回答能力。不同业务场景的回答逻辑存在交叉冲突。通过设计优先级策略与场景融合算法，优化对话流程，确保在多场景切换时回答的连贯性与准确性。大模型训练与推理对算力要求高，成本昂贵。通过优化模型结构、采用量化技术减少计算量，并合理调度华为昇腾计算资源，在保障性能的同时降低成本30%。

项目背景：近几年公司在车险定价中面临数据分散、风险评估粗放、里程预测不准确等问题。为提升定价精准度与客户竞争力，基于 Hadoop、Spark 构建车险数仓体系，整合驾驶员行程数据与风险特征，开发智能保费厘定模型，实现精准风险定价与年化里程预测，支撑保险业务精细化运营。项目架构：scala+python+hadoop+spark+tidb个人职责：负责使用Python的Scrapy框架搭建爬虫系统，从车联网平台采集驾驶员三个月行程数据和点位数据，日均行程采集量达2万条，日均点位数据达七千万；通过Spark完成数据清洗，处理缺失值、异常值，数据完整率提升至99%。基于Spark SQL进行特征抽取，提取行程距离、时长、时段等核心指标；使用dbscan算法对驾驶行为进行聚类，识别出长途驾驶、城市通勤等5类典型驾驶模式，为风险评估提供数据支持。负责使用Scala开发Sigmoid评分函数，对急加速、急刹车、夜间驾驶等风险行为进行量化评分，输出标准化风险分值，模型准确率达92%。采用灰度关联分析法整合多维度风险评分，构建综合风险评估模型，将驾驶员划分为5个风险等级，为保费厘定提供科学依据。基于 K-means 对驾驶员起始点聚类，结合BP神经网络算法，构建年化里程预测模型，支撑精准定价。将模型输出结果写入 TiDB，优化 Spark 任务执行效率，保障数据处理时效性，支撑实时风险评估与保费计算。设计车险数仓 ODS、DWD、DWS、ADS 分层架构，开发 50 + 业务指标，建立数据质量监控体系，保障数据准确性与稳定性。项目难点：在处理驾驶员行程数据时，因少数高频用户导致数据倾斜。通过添加随机前缀与广播小表策略，将任务执行时间从2小时缩短至15分钟。整合车联网、用户画像等多源异构数据时，面临格式不统一、语义不一致问题。通过开发自定义UDF函数进行数据转换，实现数据标准化处理。初始里程预测模型误差率达15%。通过特征筛选与参数调优，引入时间序列分析，将预测误差率降低至8%，满足业务应用需求