项目经历
三个实战项目，从 RAG 到 Agent 到模型微调
🧳
旅游问答助手
LangChain + RAG + Chroma · 2026年4月 · 个人项目 · ~200行 Python
LangChain Chroma RAG BGE Embedding Agent DeepSeek
项目背景

学完 LangChain 的 LCEL 和 Agent 模块后，想找一个具体场景把 RAG 技术完整跑一遍，于是做了这个能根据旅游攻略回答问题的问答助手。

关键实现
  • 收集并整理北京、上海、成都、西安、杭州、三亚 6 个城市约 3,800 字的结构化旅游攻略文本
  • 使用 RecursiveCharacterTextSplitter 按「二级标题 → 换行 → 句号」优先级切分为 12 个语义块（平均 321 字符/块）
  • 通过 BAAI/bge-base-zh-v1.5 模型（768维）生成向量，存入 Chroma 做持久化
  • 用 LangChain LCEL 把检索器、提示词模板、DeepSeek Chat、输出解析器串成 RAG 管道，支持流式输出
  • 使用 ChatMessageHistory + RunnableWithMessageHistory 实现多轮对话记忆，追问时能理解上下文指代
  • 用 LangGraph create_react_agent 给助手接入知识库检索和计算器两个工具，Agent 自主判断调用时机
踩坑记录
  • 默认 Embedding 模型 (all-MiniLM) 不支持中文 → 调研后换 BAAI/bge-base-zh-v1.5
  • HuggingFace 官方源被墙 → 配置 HF_ENDPOINT=https://hf-mirror.com 镜像下载
  • LangChain 1.0+ 重构导致旧 API 不可用 → 查阅官方文档适配新路径
  • 追问时检索不准（"那里"无法匹配"北京"）→ 依赖对话历史让 LLM 理解上下文，后续可加查询改写
6
城市覆盖
12
语义块
~200
行 Python
流式
输出
💬
SeaChat AI 面试助手
LangGraph + Flask + SQLite · 2026年5月 · 个人项目 · ~600行 Python + 测试
LangGraph Flask SSE SQLite Chroma DeepSeek
项目背景

学完 LangGraph 后，想用它搭建一个比单链 RAG 更复杂的对话系统。尝试了"双链路并行"的思路：一条链路管内容（意图识别+素材获取），一条链路管用户（画像分析+回复策略），两条同时跑，最后汇合生成个性化回复。

关键实现
  • 参考 LangGraph 并行执行机制，把系统拆成两条独立链路——链路一负责意图判断和素材获取，链路二负责用户画像和回复策略，利用 LangGraph DAG 自动并行，省去手写多线程
  • 用 StateGraph 把对话流程抽象为 12 个状态字段、11 个处理节点和 1 个条件路由，编译为可执行 Agent
  • 条件路由根据意图识别结果自动分发到网络搜索、RAG 检索或常规对话三个分支
  • 用 Flask 封装 POST /chat（SSE 流式回复）、POST /knowledge/update、GET /health 三个接口
  • SQLite 存用户画像和聊天记录，Chroma 按「行业知识」和「课程信息」分两个集合存向量
  • 用 Mock LLM 写了数据库读写、向量检索、意图分类、端到端流程 4 个测试模块
技术选型记录
  • 双链路并行 → LangGraph 自动判断 DAG，框架自动并行
  • 向量库 → ChromaDB，本地跑不用搭服务
  • 数据库 → SQLite，一个文件搞定
  • 流式输出 → SSE，浏览器原生支持，比 WebSocket 简单
  • 网络搜索 → 先用 Mock 占位，接口预留替换位置
11
处理节点
12
状态字段
3
API 接口
4
测试模块
🎯
多领域客服意图识别
LoRA 微调 + Qwen2.5-7B + vLLM · 2026年6月 · 个人项目 · A800 服务器
LoRA Qwen2.5-7B vLLM LLaMA-Factory Flask PyTorch
项目背景

学完模型微调理论（LoRA/QLoRA、Alpaca 格式、评估方法）后，实践完整流程：自己准备数据集 → 上服务器微调 → 部署成 API。选了多领域客服意图识别这个场景，因为数据容易获取，4 个行业的对话差别足够明显。

关键实现
  • 从 CrossWOZ 和 RiSAWOZ 两个中文对话数据集提取客服对话，清洗格式不一致的样本、筛选目标领域对话、转换成 Alpaca 格式
  • 针对某些意图样本太少（长尾分布），写脚本调用大模型补全生成约 1,900 条训练数据（约占训练集 25%）
  • 最终数据集 9,540 条（训练 7,768 / 验证 868 / 测试 904），覆盖银行、电商、医院、物流 4 领域 33 种意图
  • 在 LLaMA-Factory 上配置 LoRA 参数（rank=8, alpha=16, dropout=0.1），对 Qwen2.5-7B-Instruct 微调
  • A800 训练 2 轮共 1,942 步，耗时约 47 分钟，可训练参数约 77MB（约占模型 0.5%）
  • 训练后合并权重，vLLM 部署推理服务，Flask 封装中间层 API，LangChain 封装 vLLM OpenAI 兼容接口
  • 在 904 条测试集上，微调后意图识别准确率 73.0%（微调前基础模型在 33 分类下仅约 3%）
训练结果
2
训练轮次
47min
训练时长
77MB
可训练参数
73.0%
意图准确率
踩坑记录
  • 某些意图样本太少 → 编写 boost_thin_classes.py 脚本为大模型补全生成补充样本
  • 原始数据集格式不一致 → 编写 clean_data.py 和 validate_datasets.py 脚本统一清洗校验
  • 服务器部署 vLLM 与 Flask 端口通信 → 同机器 localhost 通信，LangChain 封装 vLLM OpenAI 兼容 API