智能体研发 / 大模型应用算法 / NLP 与参数高效微调
GitHub Pages：https://my420254.github.io/my420254/
Gitee 镜像：https://gitee.com/my420254
我关注大模型智能体、具身任务规划、NLP 结构化抽取和参数高效微调。过去的工作覆盖了从数据集清洗、模型微调、论文实验，到 LangGraph 任务大脑、物理沙盒审计、vLLM 评测，再到 Milvus 混合检索 / MCP / SSE 流式的 Agentic RAG 工程化，完整一条链路。
- 智能体运行时：LangGraph 图编排、任务理解、技能闭包、物理沙盒审计、执行反馈、失败反思与断点修复。
- 参数高效微调：LoRA / DoRA / PEFT、长尾学习、原型记忆、层次化语义聚合、低资源情感分析。
- 结构化 NLP：情感原因对抽取、方面级情感三元组抽取、span-based 表示、biaffine 关系建模、对抗训练。
- 大模型工程化：vLLM 部署、多端口并行实验、RAG 检索增强生成、Redis 会话记忆、FastAPI/SSE 流式服务。
| 项目 | 状态 | 核心内容 | 价值 |
|---|---|---|---|
| Embodied Agent Runtime | 主线作品集（实习核心 + RAG 融合） | LangGraph 任务大脑 + 沙盒审计 + 公平评测 + Agentic RAG（Milvus/MCP/SSE） | 微调→运行时→检索增强→部署一条主线，含强基线对比与真实评测数字 |
| Embodied VLM Explorer | 具身 VLM/VLA 预研 | 看一帧、出一步动作、执行后回写状态的轻量闭环原型 | 解释端到端视觉路线在延迟、状态记忆、动作可控性和评测稳定性上的边界 |
| ALFRED SFT Brain | 实习前期模型项目 | ALFRED 轨迹清洗、focused observation、Qwen2.5-7B LoRA 下一步动作微调 | valid_unseen 上 Strict Step 94.36%、Relaxed Task 86.47%，支撑从单步模型到 runtime 的演进 |
| HiPro-LoRA | ECML-PKDD 已接收，CCF B | 低资源长尾情感分析的参数高效微调方法与严格 held-out 评测包 | 在多组配置中提升 Tail-F1 / Macro-F1，并保持可复现实验口径 |
| Hy-MoRA | WISA 中文会议已接收 | 中文社交媒体长尾情感分析 PEFT 框架，结合层次化语义聚合与尾部记忆对齐 | 以 110M 级模型对标 7B LLM，在精度、吞吐和部署成本之间取得更优平衡 |
| FASTE | ESWA 投稿版本 | 面向 ASTE 的 span-based 三元组抽取框架，多层特征融合 + 对抗训练 | 强化边界对齐和跨词关系建模，适合结构化情感分析任务 |
| SPEAR | KBS 投稿版本 | 面向情绪原因对抽取（ECPE）的结构化 NLP 框架，结合 span-aware 表征、DoRA-biaffine 打分和 R-Drop 正则 | 面向文档级结构化抽取，提升配对精度和训练稳定性 |
| Agentic-RAG-Platform | 已并入主仓库 rag/ | FastAPI + Redis + Milvus + RAG + Vue3 的企业知识库智能体 | 检索、重排、证据门控、工具调用、SSE 流式；现作为 Embodied-Agent-Runtime 的检索子系统 |
Python · PyTorch · Transformers · PEFT · LoRA · DoRA · LangGraph · FastAPI · Redis · Milvus · MCP · SSE · Vue3 · vLLM · Function Calling · RAG
- Embodied VLM Explorer：了解具身 VLM/VLA 闭环预研和路线取舍。
- ALFRED SFT Brain：了解 ALFRED 数据清洗、Qwen2.5-7B LoRA 微调和动作预测评估。
- Embodied Agent Runtime：了解具身智能体运行时、外部文本接入和任务管理。
- HiPro-LoRA 与 Hy-MoRA：了解 PEFT、长尾学习和严格实验协议。
- Agentic-RAG-Platform：了解 Agentic RAG（Milvus 混合检索、证据门控、MCP、SSE 流式）；已并入主仓库 rag/ 模块。
- FASTE 与 SPEAR：了解结构化 NLP 抽取任务与论文级实验组织。