李赢洲Yingzhou Li

我负责

文档解析判定模块、异步任务接口、模型客户端缓存、Neo4j 批量写入脚本

问题

工业 PDF 里表格多、版式复杂，人工查询慢。PoC 要先把上传、解析、任务状态、模型调用和图谱入库这几段跑通，否则问答效果没法稳定验证。

方法

在导师指导下参与“逐页检测 + 动态路由”解析方案，独立完成 pdfplumber 字符数阈值判定模块，并联调 PaddleOCR 切换逻辑。异步任务部分用 FastAPI + SQLite + Worker 改造长文档处理，补了上传、状态查询、失败记录和重试接口。LightRAG 侧做了模型客户端常驻缓存，Neo4j 侧实现 UNWIND 批量写入脚本。

结果

7 页混合 PDF 样例解析耗时从 21.3 分钟降到约 13 秒；单 Chunk 推理延迟从 144s 降到 1.2s，VRAM 峰值占用降低 96%。图谱写入时处理了特殊字符转义、重复关系合并等细节。

我负责

Agent 分层结构、意图路由、模拟工具封装、Human-in-the-loop 确认流程

问题

无人机任务指挥里，自然语言指令经常混着查询、规划和控制动作。如果都交给一个 Prompt 处理，工具边界和敏感操作会变得很模糊。

方法

用 LangGraph 搭了“总指挥 Agent + 航线规划 / 状态诊断 / 载荷任务 / 运维问答专员 Agent”的分层结构。通过 LLM 意图识别和 Conditional Edges 做路由，复合指令先拆解再按顺序执行。工具侧封装 get_drone_status、plan_route、check_battery、return_home、land 等模拟接口，并用 Pydantic 校验入参和业务约束。

结果

原型可以维护 Thread 级会话状态，记录当前无人机、任务目标、关键槽位和工具结果。对返航、降落等高风险动作加入 Human-in-the-loop 中断确认，并整理了测试指令和 Bad Case 用来检查路由稳定性。

我负责

维修文档解析、metadata 设计、混合检索链路、Bad Case 分类迭代

问题

无人机维修手册里有故障代码、跨页表格和图文混排。直接检索经常找不到关键片段，回答也不容易追溯来源。

方法

用 Unstructured / OCR 解析维修手册、故障码表和保养记录，按章节层级、故障对象和语义边界分块，并保留来源、页码、部件型号等 metadata。检索链路采用向量检索 + 关键词召回，针对故障代码和部件型号做精确词召回，再用 Query Rewrite 把口语化描述改成更适合检索的问题。

结果

回答被约束为引用来源片段，并输出故障原因、排查步骤和注意事项。后续用测试问答集和 Bad Case 表按未命中、错召回、答案不完整等类型迭代分块、检索和 Prompt。