架构层
API 层
RESTful 接口、认证鉴权、请求校验。
AI Agent
工程实践案例
专注于复杂业务场景下的自主智能体系统设计，通过 RAG 增强、多代理协同及状态机流控，解决 LLM 在工业环境中的落地难题。
System Online
Core Architecture
智能简历筛选与候选人交付系统
AI AgentRAG
数据层
Service 层
业务逻辑、流程编排、规则引擎。
执行层
AI 层
LLM 调用封装、Embedding 封装、Prompt 管理、Schema 定义。
闭环层
Data 层
ORM 模型、Repository 抽象、存储切换。
01. 背景 Context
招聘场景中简历筛选高度依赖人工，面对海量简历时效率低、标准不一致，且缺乏可解释的筛选依据和可追溯的审核记录。
02. 职责 My Role
负责整体方案设计与核心链路实现，包括筛选漏斗架构、LLM 稳定性防线与可降级策略。
03. 方案 Solution
- A.规则前置而非后置——确定性硬条件过滤放在向量召回之前，避免召回资源浪费
- B.双路召回 + RRF 融合——向量语义召回与关键词 BM25 召回互补，仅看排名不看绝对分数，天然归一化
- C.LLM 解释锚定已知事实——Prompt 强制引用规则命中项与技能交集，后置校验剔除幻觉
P
Fast
R
7 阶段
筛选链路
Automated Ops
为内部运营与交付团队构建的 AI 助手，覆盖知识检索、流程指引与工单摘要。
团队在跨系统协作时，信息分散在文档、IM 与工单平台，导致重复问答与响应时间偏长。
明显提升
检索质量
更稳定
响应效率
请求接入层
统一处理会话上下文与权限信息。
推理编排层
按任务类型分派检索、工具调用与总结步骤。
# RAG 质量评估与迭代工作台class RagQualityWorkbenchAgent: def __init__(self, model, policy): self.graph = StateGraph(AgentState) self.graph.add_node("analyze", analyze_request) self.graph.add_node("check", run_rule_checks) # execution focus step_1 = "设计评估样本结构与评分维度" step_2 = "实现离线批量评测与结果对比报告" step_3 = "推动检索配置与切片策略的迭代流程" return self.graph.compile()Review Gate
人工确认兜底节点
Case Study 03
RAG 质量评估与迭代工作台
面向知识问答场景的检索评估工具链，用于持续优化召回与答案可用性。
设计评估样本结构与评分维度
建立标准化评测样本，覆盖事实问答、流程问答和模糊问答
实现离线批量评测与结果对比报告
将检索参数实验结果可视化，支持版本级对比
Engineering Tech Stack
PythonLanguage
FastAPIService
ReactFrontend
PostgreSQLDatabase
RedisCache
LLMModel
EmbeddingRetrieval
Vector DatabaseDatabase