👋 你好，我是

张美德

LangChain RAG 系统 Agent 开发 Spring Cloud FastAPI Next.js 大模型部署
查看项目 联系我
Scroll

关于我

AI 驱动的全栈工程师，专注于大模型应用与微服务架构

个人简介

一名热爱技术的 AI 全栈工程师，具备从大模型应用开发到底层微服务架构的完整技术栈。 擅长使用 LangChain/LangGraph 等框架构建 AI Agent 与 RAG 系统，同时在 Java + Spring Cloud 微服务体系与 Python 后端开发方面拥有丰富的项目实战经验。热衷于将前沿 AI 技术落地为可用的企业级产品。

  • 姓名 / 张美德
  • 年龄 / 23 岁
  • 籍贯 / 河南新乡
  • 求职意向 / AI全栈工程师

教育经历

郑州航空工业管理学院
本科 · 计算机科学与技术 · 2022 - 2026
主修课程：Java程序设计 3.7 · 高级语言程序设计 4.0 · 数据结构 3.7 · 数据库原理 · 前端程序设计 · 计算机网络 · 操作系统 · 计算机组成原理

技术能力

多领域技术栈，覆盖 AI · 后端 · 前端 · 运维全链路

后端开发

Java Python Spring Boot 3 Spring Cloud Nacos Gateway OpenFeign FastAPI RESTful API WebFlux MyBatis-Plus MySQL Redis RabbitMQ

AI & 大模型

LangChain LangGraph LangChain4j LlamaIndex RAG Function Calling Ollama Milvus Neo4j BGE-Rerank RAGAS MinerU

前端 & 全栈

Next.js React SSR SSE 流式交互 HTML5 / CSS3 JavaScript

运维 & 工具

Docker Linux Shell 脚本 Git 阿里云 OSS
Java / Spring Boot 90%
Python / FastAPI 80%
LangChain / AI Agent 75%
RAG / 向量检索 75%
Spring Cloud 微服务 85%
Next.js / React 70%
Docker / DevOps 50%
MySQL / Redis 85%

实习经历

将 AI 技术落地为企业级产品

河南省奥赢企业管理有限公司 2026.03 - 2026.06
后端开发实习生

项目背景：企业级知识库管理系统，基于 RAG 架构实现文档智能检索与问答。采用 FastAPI + Next.js 全栈方案，集成 LlamaIndex 编排检索流程，支持语义搜索、Agentic RAG 智能问答与 MCP 标准化接口。

  • 参与企业级 RAG 系统开发，负责 DeepSeek 大模型 API 接入与流式对话模块实现
  • 封装异步 HTTP 客户端，设计 SSE 实时推送机制，优化首 token 响应速度
  • 实现 Function Calling 与上下文管理，支持 LLM 自主决策调用检索工具
  • 编写异常重试、Token 刷新与降级策略，保障大模型服务的 稳定性与可用性

项目经历

从 0 到 1，将 AI 能力融入产品

🏠 家政智核

基于微服务与大模型的数字化服务平台

Java Spring Boot 3 Spring Cloud LangChain4j WebFlux Ollama MySQL Redis RabbitMQ Docker

针对传统家政行业服务标准化低、人工客服响应慢的痛点，研发了一站式数字化家庭维修微服务平台。系统将传统业务流与 AI 深度耦合，引入私有化部署的大模型与 RAG 技术，打造智能家政助手。

  • AI Agent 智能派单：基于双引擎架构 + Function Calling 实现工单智能派发，降低人工客服工作量近 45%
  • 私有知识库 (RAG)：整合向量数据库 + Embedding + Chat Memory，家政领域专业问答准确率从 <50% 跃升至 88%+
  • 微服务治理：基于 Nacos/Gateway/OpenFeign + RabbitMQ 流量削峰，核心下单链路 QPS 提升约 60%
  • 响应式编程：WebFlux + SSE 流式输出，首字响应 (TTFT) 控制在 500ms 内，吞吐量提升近 3 倍
  • 全栈调优：Redis 热点缓存 + MyBatis-Plus SQL 优化 + Docker 容器化部署

🛒 店智通

电商智能硬件知识问答系统

Python LangChain LangGraph Ollama Milvus Neo4j MinerU BGE-Rerank RAGAS

针对电商场景下智能硬件设备操作手册冗长晦涩、传统关键词搜索无法精准响应用户语义化提问的痛点，主导设计并开发了基于 Advanced RAG 的私有化智能问答助手。融合多模态解析、多路召回与大模型推理，有效解决了长文本复杂文档的问答难题。

  • 多模态语料构建：MinerU + Qwen-VL 实现高精度 Markdown 转换，处理超万页硬件手册，解析准确率从 65% → 92%+
  • 图谱融合多路召回：向量检索 + 知识图谱 + 网络搜索混合引擎，Recall@5 从 72% → 95%
  • 查询重写与精排：HyDE + BGE-Rerank 二次重排，LLM 上下文信噪比提升约 40%，有效缓解模型幻觉
  • Agent 编排与本地部署：LangGraph 编排复杂问答流 + Ollama 部署 Qwen 3，单节点支撑 50+ 并发，TTFT 严控在 600ms 内
  • 闭环评测体系：RAGAS 自动化评测 Pipeline，1000+ 真实问答对持续调优，Answer Relevance 与 Faithfulness 均 0.85+
人工客服工作量降低
最高检索召回率
首字响应延迟
单节点并发支撑

校园经历

技术负责人的成长之路

👥

团队领导与架构转型

带领 4 人团队重构校园二手平台，确立"前后端分离 + AI 服务"架构，完成向 Next.js、Spring Boot 及 FastAPI 的现代化技术栈转型。

🤖

AI 能力落地校园

搭建 Python FastAPI 推理服务，集成多模态大模型技术，实现"商品自动分类"与"智能定价"功能，成功将 AI 能力落地校园场景。

⚡

性能优化与架构升级

引入 Next.js (SSR) 优化体验；采用阿里云 OSS + CDN 解决图片高并发访问瓶颈；推广 Redis 缓存与异步消息队列机制，有效支撑校园高峰期流量。

📋

团队规范与知识沉淀

规范团队代码风格，沉淀技术文档，帮助成员快速上手现代全栈流程，确保项目按期高质量交付。

联系方式

期待与您的沟通交流

邮箱
15617175718@163.com
电话
15617175718
目前所在地
杭州
求职状态
求职中