李思远 - AI Agent 开发工程师¶

联系方式¶

4 年 Python 后端开发经验、2 年 AI 应用开发经验的 AI Agent 工程师，主攻企业知识库问答与 RAG 工程化方向。精通 LangGraph 工作流编排，主导过金融、法律、医疗三个行业的企业知识库问答系统建设，累计处理文档 50 万+ 页，服务企业内部用户 1.2 万人。

在 RAG 检索质量优化上有深入实践，擅长通过分块策略调优、混合检索、查询改写、重排序等手段提升回答准确率。具备从文档解析、知识抽取到问答服务的端到端工程能力，并能输出可复现的评测体系。

重视工程质量与可维护性，习惯为 Agent 工作流编写单元测试与集成测试，在团队内推行「Prompt 即代码」的版本管理规范。

技术栈： LangGraph + Python + Milvus + Flask + OpenAI API + Langfuse

项目背景： 为某大型金融机构构建企业内部知识库问答系统，整合制度文档、产品手册、合规问答、历史工单等多源数据，支持员工通过自然语言提问获取精准答案并附带文档引用，替代原有关键词检索系统。

核心职责与贡献：

设计基于 LangGraph 的多步检索工作流，包含「查询理解 → 检索规划 → 多路召回 → 重排序 → 答案合成 → 引用校验」6 个节点，通过条件边实现「无结果时自动扩展查询」「答案置信度低时触发追问」等分支，回答准确率从初版 72% 提升至 89%（基于 800 题人工标注评测集）。
构建文档处理管道，支持 PDF / Word / HTML / Markdown 等 8 种格式解析，采用「标题层级感知分块 + 父子文档」策略，处理 12 万页文档平均分块粒度 480 Token，相较固定窗口分块检索准确率提升 11 个百分点。
实现多步检索流程：对复杂问题先由 LLM 拆解为子查询并行检索，再合并去重并重排序，针对「对比类」「列表类」问题准确率提升 23%；引入 HyDE（假设性文档嵌入）改写查询，召回率提升 9%。
设计引用溯源机制，约束 LLM 输出中每个论断附带 [doc_id, chunk_id] 引用，后置校验节点核验引用是否真实存在于检索上下文，幻觉率（无依据论断）从 14% 降至 3.2%。

关键实现：

使用 LangGraph 的 StateGraph 定义工作流，以 TypedDict 维护 {query, sub_queries, contexts, answer, citations} 状态，通过 add_conditional_edges 实现动态路由；借助 Checkpointer（PostgreSQL 后端）持久化中间状态，支持长流程中断恢复。
在 Milvus 中按业务域划分 Partition，结合标量字段过滤实现权限隔离；对「文档标题」「类目」等字段单独建立 BM25 索引，与向量检索结果做 RRF 融合，综合召回率 91%。
集成 Langfuse 记录每次问答的完整轨迹（Prompt、检索文档、工具调用、Token 消耗），支持按用户、问题类型、置信度维度分析，定位并修复了 2 类高频 Bad Case。
使用 RAGAS 评测框架对每次模型迭代做自动化评测，建立「准确率 / 召回率 / 忠实度 / 答案相关性」四指标基线，作为发布门禁，准确率低于阈值禁止上线。

项目成果：

技术栈： Python + Milvus + Flask + PostgreSQL + OpenAI API

项目背景： 为某律师事务所开发法律文书检索与摘要系统，支持律师用自然语言检索相关判例与法条，并自动生成案件摘要。

核心职责与贡献：

关键实现：

项目成果：

langgraph-rag-patterns - LangGraph + RAG 工作流模式集合，GitHub 280 Star，收录 6 种常见 RAG 模式（朴素 RAG、多步 RAG、自问自答、路由 RAG 等）。
向 langgraph 仓库提交 1 个文档改进 PR。