李明轩

负责公司核心 NLP 平台架构设计与大模型应用落地，带领 3 人算法团队，主导智能客服、知识库问答、文档智能处理等产品线的技术方案。重点推进 RAG 系统优化与 AI 协作研发流程建设。

• 设计并实现企业级语义检索与生成系统
• 建立模型评测体系与回归测试流程
• 推动 AI 辅助编程在团队内的规范化使用

企业知识库 RAG 系统重构

• 针对原有 RAG 系统召回率低、幻觉严重的问题，进行全面架构升级。实现混合检索（关键词+向量+图结构）、多路重排序、引用溯源与上下文质量监控，支撑千万级文档的企业知识问答。
• 系统采用分层架构：数据采集层（PDF/Word/网页解析，Apache Tika + 自研版面分析）、索引层（Elasticsearch 关键词索引 + Milvus 向量索引 + NebulaGraph 实体关系图）、检索层（Hybrid Retriever 融合 BM25、Dense Embedding 和 Graph Walk）、排序层（Cross-Encoder 重排序 + 业务规则后处理）、生成层（LLM 服务，支持模型路由与降级）。引入 Kafka 处理实时文档更新，Prometheus + Grafana 监控全链路延迟与召回指标。
• 作为技术负责人，负责整体架构设计、核心模块开发、团队任务分配与代码审查。使用 Claude Code 进行复杂模块的任务拆解与实现方案设计，利用 GitHub Copilot 加速单元测试与文档编写。所有变更经过本地验证、CI 流水线检查与人工审查后上线。
• 技术栈: 混合检索 向量数据库 重排序模型 链路追踪 模型路由 Prompt 版本管理
• 挑战: 检索召回率提升 35%: 通过引入混合检索策略与 Cross-Encoder 重排序，Top-5 召回率从 58% 提升至 93%，用户满意度提高 28%
• 挑战: 幻觉率降低至 3% 以下: 建立引用溯源机制与上下文相关性校验，输出包含明确来源引用，人工审核后幻觉率由 15% 降至 2.1%
• 挑战: AI 协作研发提效 40%: 在 Claude Code 辅助下进行需求拆解与方案设计，GitHub Copilot 生成测试用例与接口文档，团队人效提升显著
• 挑战: 系统可用性 99.9%: 实现模型路由、降级与缓存策略，P99 延迟从 4.2s 降至 1.8s，年度可用性达 99.92%

智能客服意图识别与多轮对话系统

• 为金融客户构建支持 200+ 意图的智能客服系统，实现意图识别、槽位填充、多轮对话管理与知识推荐，日处理对话量超 50 万轮。
• 微服务架构：意图识别服务（BERT-based 分类模型 + 规则兜底）、对话管理（自研 DST 状态追踪 + 有限状态机混合策略）、NLG 服务（模板生成 + 大模型润色）、知识推荐（基于用户画像的个性化排序）。使用 Redis 缓存高频意图，MongoDB 存储对话上下文，通过 gRPC 进行服务间通信。
• 负责意图识别模块优化与整体系统性能调优。使用 Claude Code 分析历史对话数据模式，辅助设计特征工程方案；通过 GitHub Copilot 生成批量测试脚本与性能压测代码。主导模型从 TensorFlow 到 PyTorch 的迁移，完成 ONNX 量化部署。
• 技术栈: 意图识别 对话状态追踪 槽位填充 微服务架构 A/B 测试 模型量化
• 挑战: 意图识别准确率 96.5%: 采用层级分类与领域自适应预训练，意图识别准确率从 89% 提升至 96.5%，误识别导致的转人工率下降 42%
• 挑战: 模型推理延迟降低 60%: 通过 ONNX Runtime 量化与批处理优化，单条推理延迟从 120ms 降至 48ms，支撑高峰时段流量

作为早期算法成员参与公司 NLP 中台建设，负责文本分类、情感分析、命名实体识别等基础能力研发，支撑内部 10+ 业务线的文本智能需求。

• 构建文本分类与情感分析通用模型
• 开发中文分词与命名实体识别工具
• 搭建模型训练与部署流水线

NLP 中台基础能力平台建设

• 从零搭建公司 NLP 中台，提供文本分类、情感分析、NER、关键词提取等通用能力，通过 RESTful API 和 SDK 形式供业务方调用。
• 采用模型服务化架构：训练平台（基于 Kubernetes 的弹性训练集群，支持分布式训练）、模型仓库（MLflow 版本管理）、推理服务（Triton Inference Server + Docker 容器化部署）、API 网关（统一鉴权、限流、监控）。模型层采用 BERT/RoBERTa 系列作为基础，针对业务数据微调。
• 负责文本分类与 NER 模块的算法研发和工程化部署。独立完成模型训练、调优、封装到上线的全流程，编写技术文档与使用指南。
• 技术栈: BERT 模型服务化 Kubernetes MLflow Docker RESTful API
• 挑战: 模型服务化效率提升: 实现模型一键部署与版本切换，业务方接入周期从 2 周缩短至 2 天
• 挑战: AI 辅助代码开发: 早期使用 GitHub Copilot 辅助完成数据预处理脚本与 API 接口开发，减少重复编码工作