2025.7 - 至今
某头部通信设备厂商
LLM Agent 系统工程师
负责大模型自进化系统与多 Agent 架构设计，构建「数据自进化 → 模型自进化 → 系统自进化」技术闭环。
自研工具集成推理框架
背景：轻量级大模型在复杂业务场景下错误率高、自修正轮数多，难以稳定收敛。
贡献：设计并实现工具集成推理机制，优化模型对任务规则的理解与错误反馈闭环，沉淀 Badcase 反哺机制。
成果：复杂场景成功率达到 100%，平均自修正轮数从百轮级降至 1.3 轮，推理效率提升 36%。
多专家 Agent 分类系统
背景：单 Agent 处理复杂多分类任务能力有限，专家经验难以复用与迭代。
贡献：设计「Badcase 驱动 → 专家隐式经验提取 → 结构化分类 → 持续进化」完整管道，推广至多专家协作场景。
成果：分类准确率从 20% 提升到 96%，多专家场景一致率 90%+。
自研语料自进化框架
背景：训练语料人工生产成本高、质量不稳，缺少自动化的数据闭环。
贡献：主导设计「多 AI 专家竞技 + 三盲裁判」机制，实现训练语料的自动生成、质量评审与持续进化。
成果：零人工干预的语料生成与质量保障，语料一致性提升 47%。
智能文档理解与代码生成
背景：多格式、多语言技术文档解析与代码转换依赖人工，效率低、易出错。
贡献：基于 LLM 构建跨格式文档理解系统，自动识别文档格式、匹配技术类型、生成转换代码。
成果：跨国际局点验证，映射准确率 95%。
AI 研究员自进化体系
背景：自进化系统需要架构层支撑，需探索从单体 Agent 到研究员级协作的演进路径。
贡献：探索「双脑协同（认知脑 + 执行脑）→ AI 研究员驱动」的自进化架构，引入世界模型与仿真沙盒。
成果：迭代周期从 月级缩短到天级。
