张明 - AI Agent 开发工程师¶

联系方式¶

3 年后端开发经验的 AI Agent 工程师，专注于智能客服与对话式 AI 方向。熟练掌握 OpenAI Agents SDK、RAG 工程化与高并发对话系统设计，主导过日均 50 万次会话的智能客服平台从规则引擎到 LLM Agent 的架构升级，首问解决率提升 28 个百分点。

具备完整的 Agent 生命周期工程能力，能独立完成从 Prompt 设计、工具调用编排、对话状态管理到生产部署的全链路开发。深入理解 Function Calling、RAG 检索优化、Token 成本控制等核心问题，并在实际项目中落地可量化的优化方案。

注重工程实践与可观测性，习惯用数据驱动决策。在团队中负责 Agent 项目的架构评审与技术方案制定，推动建立 Prompt 版本管理与 A/B 测试规范。

技术栈： OpenAI Agents SDK + FastAPI + PostgreSQL + Redis + Qdrant + LangSmith

项目背景： 为某电商平台重构智能客服系统，替换原有基于规则与意图识别的旧版机器人，构建支持 RAG 知识检索、工具调用与多轮对话管理的 LLM Agent 平台，承接售前咨询、订单查询、售后工单等场景。

核心职责与贡献：

设计并实现基于 OpenAI Agents SDK 的客服 Agent，集成订单查询、退款发起、物流追踪等 8 个工具函数，工具调用准确率达 95.3%，单次会话平均调用工具 1.7 次，人工转接率从 22% 降至 9%。
构建企业知识库 RAG 管道，采用「语义分块 + 父子文档」策略处理 1.2 万篇 FAQ 与帮助文档，使用 Qdrant 存储 OpenAI text-embedding-3-large 向量，结合 BM25 + 向量混合检索与 Cohere 重排序，Top-5 检索召回率从 78% 提升至 91%。
实现自然语言转 SQL 模块，支持客服通过自然语言查询订单统计（如「上周退款率最高的类目」），基于 Schema 注入与 SQL 校验机制保障安全性，查询准确率 88%，减少分析师人工取数工作量 60%。
设计多轮对话状态管理方案，采用「Redis 短期记忆 + PostgreSQL 长期摘要」分层存储，超过上下文窗口时自动摘要压缩，单会话平均 Token 消耗降低 42%，支持最长 30 轮对话不丢失关键信息。

关键实现：

使用 OpenAI Agents SDK 的 Agent + Runner 构建 Agent 主循环，通过 tools 参数注册同步与异步工具，借助 SDK 内置的 handoff 机制实现「客服 Agent → 人工坐席」的平滑转接。
在 Qdrant 中按业务线划分 Collection，结合 payload 过滤实现权限隔离；为高频查询字段（类目、产品 ID）建立索引，检索延迟 P95 控制在 80ms。
通过 LangSmith 全链路追踪每次 Agent 调用的 Prompt、工具调用、Token 消耗，定位并优化了 3 处 Prompt 冗余，月度 API 成本从 4.2 万元降至 2.6 万元。
设计熔断与降级策略：当 LLM 调用失败率超阈值时自动降级为关键词检索 + 模板回复，保障系统可用性达 99.9%。

项目成果：

技术栈： Python + FastAPI + PostgreSQL + Redis + OpenAI API

项目背景： 为某 3C 数码品牌小程序开发售前导购助手，通过多轮对话理解用户需求并推荐商品，提升转化率。

核心职责与贡献：

关键实现：

使用 OpenAI Streaming API + asyncio 实现流式回复，通过 async for 逐 Token 推送至前端，避免用户等待完整响应。
将商品属性结构化为 JSON Schema，约束 LLM 输出严格符合格式，解析失败率从 5.2% 降至 0.3%。

项目成果：

fastapi-rag-template - 基于 FastAPI + Qdrant 的 RAG 项目脚手架，GitHub 120 Star，提供开箱即用的文档上传、检索、引用溯源功能。
向 openai-python 提交 2 个文档改进 PR 并被合并。