项目一 可交互的多模态RAG系统

技术栈:Python、FastAPI、LangGraph、Milvus、BGE-M3、Embedding(Reranker)、Neo4j、MongoDB、MinIO、Redis、MinerU、RAGAS、Nginx、JWT、Vue3 + TypeScript + Pinia + Vite、SSE、Docker Compose

项目介绍:面向规则手册知识场景的、向量+图谱双引擎RAG知识助手。增加两层差异化能力：可信生成层——检索充分性门控、句级引用对齐、文档冲突检测，证据不足时主动拒答或进行交互确认，生成答案逐句回链原文；混合推理层——实体链接后按问题类型路由至向量检索双路融合，图谱与向量互为兜底。

主要职责:

1.导入流水线与图谱构建：按文档类型分流解析——Word走原生解析保留表格/公式/自动编号，PDF扫描件走MinerU的VLM+OCR双引擎做版面分析与文字识别；图片/图表用VLM生成语义摘要后归档MinIO；标题切分+递归切分+短段合并的两级切分策略；BGE-M3双向量批量入库；LLM抽取实体关系存入Neo4j。

2.问题理解与任务规划：实现问题扩展改写、实体名称提取与对齐、多跳任务自动识别与拆解，将复杂问题分解为可并行执行的子任务。

3.多路并行检索与融合的编排与优化:主体确认→多跳拆解→并行检索(混合/HyDE/联网/知识图谱) /多跳检索 →RRF→Rerank→ 综合生成 → 反思校验 →SSE输出，图谱结果作为独立上下文段注入，向量和图谱互为兜底。

4.RAGAS评估:对知识库进行系统性评估，检索阶段基于上下文召回率和召回准确率评估，答案生成阶段基于回答忠实度、相关性和准确率进行评估。

5.优化校验与工程化：综合各路检索结果拼装上下文，LLM生成回复后做反思校验，通过SSE流式输出，Mongo历史按owner隔离。

项目成效

1.完成1000+份资料的解析与入库。

2.黄金集实测200+条， 其全量平均数据为忠实度Faithfulness0.88，答案相关性Answer Relevancy 0.85， 上下文精度Context Precision0.82，上下文召回Context Recall0.87，答案正确率0.86。

3.多跳/复合问题经任务拆解+并行检索+综合生成+反思校验后，回答正确率较单轮RAG基线提升18%。

项目二 面向数据仓库的可信智能问数系统

技术栈：Python、FastAPI、LangGraph、Qdrant、Elasticsearch、MySQL、BGE-large-zh-v1.5、DeepSeek-v4-flash、SQLAlchemy、Jieba、OmegaConf、Loguru、Vue3 + TypeScript + Pinia + Vite、SSE、Docker Compose

项目介绍：面向零售数据仓库场景的智能问数系统。业务人员直接用自然语言提问，系统自动完成理解、取数、计算和结果展示，无需等待数据组排期。

主要职责：

1.元数据知识库构建与多模态索引：配置驱动采集表结构、字段类型、字段取值与业务描述存入关系库；字段名、描述、别名建向量索引，维度取值建全文索引，形成"结构化、向量、全文"三位一体的元数据知识库；设计字段角色与表角色体系。

2.基于图编排框架的可控智能体工作流：基于LangGraph搭建DAG工作流，关键字提取、三路并行召回、合并召回信息、过滤指标与表信息、添加上下文、生成SQL、校验SQL、执行SQL等阶段从而实现召回可控、生成可控、校验可控、执行可控。

3.对校验与执行进行优化：SQL语句逻辑校验增强，用模型检查SQL的逻辑合理性;结果合理性校验，检查返回结果是否为空、数值是否异常、是否合理。

4.交互层优化：结果可视化增强，根据结果数据结构自动推荐合适的图表类型;交互式澄清，当信息不足时，可以交互式澄清，系统主动向用户提问，确认模糊口径，确认时间范围等，用户确认后再生成SQL进行查询返回。

项目成效:

1.完成80+张表、1100+个字段、50+个业务指标的元数据入库与多模态索引构建，其中300+个维度字段的3万+条取值建立全文索引。

2.三路召回加模型过滤使注入提示词的表字段数量平均减少70%以上；双向补充保证召回结果闭包完整，避免主外键缺失导致的关联失败。

3.构建黄金集评估体系，覆盖单表统计、多表关联、分组聚合、排名、相对时间等场景，共300条标注样本。实测结果：召回准确率0.91，生成准确率0.86，执行成功率0.95，语法错误拦截率0.98，修正后通过率0.88。

4.交互层面，当信息不足时是硬生成或简单提示，而是进行交互式澄清，提高了查询命中率。

项目三 基于LangGraph的多Agent协作分析报告系统

技术栈:Python、FastAPI、LangGraph、AutoGen、Milvus、Neo4j、Elasticsearch、MySQL/ClickHouse、MongoDB、Redis、MinIO、BGE-M3、DeepSeek、openpyxl/python-docx、RAGAS、JWT、SSE、Vue3+TypeScript+Pinia +Vite、Docker Compose

项目介绍：面向企业场景的多Agent人力分析报告系统。用户用自然语言提出分析需求，系统自动完成规则查询、数据取数、达标判断与报告生成。

主要职责:

1.意图路由与任务规划：基于LangGraph构建分层路由，规则预筛→语义路由→LLM/Function Calling分类→低置信并行或交互澄清。

2.多Agent协作与三工具编排：基于LangGraph搭建工作流，Orchestrator Agent做意图解析与槽位抽取，RAG Agent查规则与口径，NL2SQL Agent查数据，文档Agent生成报告，仲裁Agent做冲突检测与达标判断。Function Calling暴露三工具，支持并行调用。

3.冲突检测的优化：口径冲突以RAG制度为准，数据冲突以数仓为准，达标线冲突用当期制度并标注生效时间。报告每个数字附SQL与制度依据，句级回链原文，冲突处脚注或分节，证据不足主动澄清进行交互。

项目成效：

1.完成150+份制度文档、10+个部门、10个核心指标的规则与口径入库，组织架构图谱覆盖300+员工、24个月历史数据。

2.构建人力分析黄金集300条，覆盖人效统计、离职分析、薪酬对比、编制达成、绩效分布等场景。实测结果：意图路由准确率0.88，达标判断准确率0.89，异常预警召回0.85。

3.报告生成从人工1-2天缩短至系统初稿5分钟、整体15-30分钟，HR重复工作量减少50%-60%，口径一致性从70% 提升至90%。

4.薪酬敏感数据字段级权限拦截率100%，全程审计使合规检查效率提升50%-60%。

项目四 服装电商AI一键出图工具

技术栈:Python、FastAPI、Vue3、TypeScript、OpenCV、Pillow、阿里云多模态大模型、图像语义编辑、VTON、OpenAI-compatible Image API、Redis、MinIO、SSE、Docker Compose

项目介绍：面向男装/女装在抖音、天猫、得物等平台的商品上新场景。针对传统人工套主图模板、替换详情素材、修改文案和排版效率低的问题，开发AI一键出图工具，基于商品白底图和参考套图自动生成每款主图和详情图。

主要职责：

1.素材识别与SKU流水线：设计按SKU隔离的批量处理流程，自动识别商品正反面、颜色、Logo、面料、领口、袖口等素材，避免多款商品批处理时素材串用。

2.页面分类与差异化生成：对主图、模特页、多色页、文字页和商品细节页进行自动分类；模特及展示页使用参考图语义融合，细节页替换真实商品素材，文字页按商品资料重新生成并排版。

3.可控图像融合与真实性保护：通过参考广告图、商品白底图和商品区域Mask进行多图融合，仅修改服装区域，保留人物、背景及非商品区域，降低Logo、颜色和版型被模型误改的问题。

4.失败回退与结果质检：设计云端AI接口失败回退机制，融合失败时自动使用基础商品模板继续生成；生成page_report.json记录29张页面的处理状态、异常及Fallback结果，便于人工复核。

项目成效:

1.实现单SKU自动生成 4张主图+25张详情图，共29张商品图，覆盖商品上新的主要图片制作流程。

2.将整套图片拆分为AI融合、真实素材替换和确定性排版三类处理方式，降低生成式模型造成商品信息失真的风险。

3.支持多SKU批量处理、图片预览、单图下载及整款ZIP打包，形成从商品素材上传到套图交付的一键化流程。

项目五 基于Coze的AI 视频生成助手

技术栈：Coze、Python、FastAPI、可灵 API（Kling）、MySQL、Redis、MinIO、SSE、JWT、Docker Compose、Vue3 + TypeScript + Pinia + Vite

项目介绍：面向短视频创作者与营销团队的AI视频生成助手。用户用自然语言描述画面需求，系统基于Dify完成意图理解与参数补全，自动调用可灵API提交视频生成任务，并完成异步任务轮询、视频归档与结果返回，最终以流式方式展示生成进度与视频预览。

主要职责：

1.Coze工作流编排与可灵API插件化封装：基于 Coze 插件系统封装可灵的提交任务与查询任务接口，配置鉴权与输入输出参数。基于 Coze 工作流搭建「参数收集 → 提交任务 → 轮询状态 → 返回结果」的DAG流程，通过循环与条件节点实现轮询逻辑，处理排队、生成中、完成、失败等状态。

2.意图理解与槽位补全：在 Coze 对话流程中完成任务类型识别（文生视频 / 图生视频）与关键参数抽取（提示词、画面比例、时长、模型版本）。参数缺失时主动交互澄清，避免无效调用可灵 API 造成额度浪费；提示词做结构化改写，补充主体、动作、镜头、光影等要素，提升出片可用率。

3.异步任务管理与状态同步：视频生成是异步任务，提交后需轮询task_id获取结果。设计「指数退避+最大超时+失败重试」的轮询策略，任务元数据落MySQL，状态缓存入Redis做幂等去重，生成的视频文件转存MinIO统一归档，返回可访问链接。

项目成效:

1.完成文生视频、图生视频两类主流场景的流程搭建与参数体系设计，意图识别与参数抽取准确率0.90，无效调用（参数缺失）前置拦截率0.95以上。

2.可灵 API 调用成功率稳定在0.95以上，轮询机制使任务状态同步延迟控制在5秒内，失败任务自动重试后最终成功率提升至0.97。

3.单条视频从「人工写提示词+手动调参+反复重试」的20-30分钟，缩短至系统1分钟内提交、整体5-15分钟出片，创作者重复性操作减少60%以上。