AI Agent 工程师个人作品集 / 2026

把每一次回答,
落到证据上。

我是张紫燕,专注 RAG、多智能体编排与可追溯 AI 应用。这是一个基于本人授权资料构建的 AI Agent,不是本人实时在线。

329条结构化证据
4个职责型 Agent
100%BM25 来源命中基线
RRF双路检索融合

系统原则

这个个人网站,
如何把回答落到材料上。

01

证据优先问答

回答先检索,再综合;关键声明绑定原始材料,而不是依靠模型记忆。

问题 / 简历你在多智能体项目中做过哪些工程实践?
LLM 回答 / 示例

简历材料显示,张紫燕基于 LangChain 与 LangGraph 构建多 Agent 检索链路,以 ReAct 支持工具自主调用与多轮决策,并通过 Function Calling 封装检索、计算、查询等 12+ 工具;同时使用 MCP 接入外部数据源。

声明 01LangChain / LangGraph + ReAct简历第 1 页 · 实习经历
声明 02Function Calling 封装 12+ 工具简历第 1 页 · 实习经历
声明 03MCP 标准化接入外部数据源简历第 2 页 · 专业技能

绑定材料:简历 › 实习经历 › 中国电信黑龙江省分公司 › 多智能体架构。系统展示材料定位, 审计 Agent 再逐条检查回答是否超出原文。

02

职责型多 Agent

规划、研究、审计与项目分析各司其职,复杂分析按需启用。

Agent 01 · 主回答问题规划识别意图、风险与证据需求
Agent 02 · 研究证据研究混合检索并过滤不可公开材料
Agent 04 · 按需启用项目分析复杂问题才启用,拆解架构与边界
Agent 01 · 主回答答案综合将事实写成带来源标注的声明
Agent 03 · 审计独立审计保留、限定、补检索或拒绝
示例“介绍你在 RAG 项目中的工程实践。”
  1. 主回答拆成混合检索、分块策略、评估方法和个人职责四类证据需求。
  2. 研究从简历、技术复盘和项目材料中召回候选证据,并执行公开范围过滤。
  3. 项目分析发现问题涉及跨来源工程取舍,按需整理“方法—指标—边界”关系。
  4. 主回答生成回答,每个关键事实绑定材料来源,不把项目目标写成个人成果。
  5. 审计逐条判定“证据支持 / 部分支持”;证据不足时要求限定或修复。
03

混合检索

Milvus 密集检索与中文 BM25 经 RRF 融合,并执行可见性过滤。

输入用户问题短文本查询
密集检索qwen3.7-text-embedding问题 → 1024 维向量Milvus Lite按语义相似度召回
关键词检索中文分词保留术语、框架与指标BM25按关键词相关性召回
融合RRF 融合排序不强行比较两路原始分数
策略可见性过滤隐私、敏感度与意图门控
输出Top-K 证据包交给 Agent 综合与审计