👋 Hi, I'm Chris Chen / CH (陈澔)


🎓 CS @ 广东工业大学 (GDUT) · 人工智能方向 · 2025.09 - 2029.06


---

📖 About Me

• 🔭 广东工业大学 计算机科学与技术 本科在读
• 🤖 热爱人工智能与大模型技术，深耕 RAG / LLM / NLP / 知识图谱
• 🏆 Kaggle: The 2026 NeuroGolf Championship — 全球 Top 100（银牌）
• 🏆 蓝桥杯省赛二等奖
• ⭐ GitHub 开源项目累计获得 250+ Stars
• ✍️ 在 CSDN 上持续输出高质量技术文章
• 🌐 英语 CET-6 / IELTS 6.0 · 中文母语

---

🛠️ Tech Stack

Languages

!Python !Java

AI & Deep Learning

!PyTorch !Transformers !PEFT/LoRA !scikit-learn !Pandas !NumPy !LangGraph !LangChain

LLM & Models

!DeepSeek !Qwen !ChatGLM !LLaMA !GPT !BERT !RoBERTa !BGE

Vector Stores & Knowledge Graph

!Milvus !FAISS !Neo4j !MySQL !Redis

Deployment & Tools

!FastAPI !Flask !Streamlit !Docker !Git

---

🚀 Projects

🎓 知微 — RAG 教育智能问答系统

 

端到端 RAG 智能问答系统，融合语义检索与 MySQL 结构化查询双引擎，覆盖 AI、Java、大数据、运维等多学科。

• 🔀 两级检索架构: BERT 意图分类器自动路由 → BM25 关键词匹配 → 不足时自动降级深度语义检索
• 🔍 混合向量检索: BGE-M3 稠密+稀疏双路检索 + BGE-Reranker 精排；LLM 自适应选择 HyDE / 子查询分解 / 回溯 / 简化 4 种检索策略
• 📄 多格式文档: 支持 PDF、DOCX、PPT、PNG/JPG (OCR)，父子块切分兼顾精度与上下文
• ⚡ 工程优化: Redis 缓存 + MySQL 持久化 + Docker 容器化部署
• 📊 Ragas 评测: 答案相关性 ≥ 0.89，忠实性 ≥ 0.9，1000 条测试集准确率 90%

---

🍃 神农觅 — 融合知识图谱与大模型的智能中医知识导航系统

 

从数据采集到智能问答的端到端全栈闭环，融合 Neo4j 知识图谱 + LangGraph 智能工作流 + DeepSeek 大模型。

• 🧠 知识图谱: Neo4j 中构建 6 种实体类型、6 种关系类型，规模达 19,419 节点 / 47,088 关系；BGE-Large-Zh-v1.5 + FAISS 语义索引
• 🔀 LangGraph 工作流: 14 节点有状态 StateGraph，3 条自动路由链路（中医问答 / 小红书内容发布 / 非中医兜底）
• 🔄 Cypher 自修正: 校验失败自动回传 LLM 重新生成，最多重试 3 次，兼顾准确率与 Token 成本
• 🎯 双模型意图识别: RoBERTa+LoRA 微调（99.75% 准确率，F1=0.9975，仅训练 0.3M 参数/1.6MB 适配器）+ fastText 轻量模型，实现毫秒级零 Token 意图分类
• 🌐 前后端: FastAPI + SSE 流式 + Streamlit 三页面交互 + Playwright 小红书自动发布

---

🔤 墨鉴 — 中文新闻文本分类系统

 

覆盖传统机器学习、浅层神经网络、深度预训练模型、知识蒸馏四条技术路线的完整对比项目。基于 20 万条标注语料（10 分类）。

• 📈 四条技术路线: TF-IDF + 随机森林 → FastText (autotune) → BERT 全量微调 → BERT→TextCNN 知识蒸馏 (KL 散度+交叉熵)
• 📦 模型量化: PyTorch 动态量化 (int8)，模型体积 390MB → 146MB（压缩 62%），精度损失可控
• 🚀 模型服务化: Flask RESTful API，支持 FastText / 量化 BERT 按需切换
• 📊 四维对比: 模型体积 × 推理速度 × 分类精度 × 硬件需求，覆盖离线批量 / 实时服务 / 高精度 / 边缘部署场景

---

📝 Featured Blog Posts

• 🔥 手撕 Transformer — 从零拆解 Transformer 架构，深入理解 Attention 机制
• 📚 更多教程：文本分类实战、RAG 系统构建、LoRA 微调指南、知识图谱入门

> 更多文章请关注我的 CSDN 博客

---

📊 GitHub Stats

---

🎯 当前方向

• 🔬 RAG 系统: 深度探索检索增强生成全流程优化 — 文档解析、Embedding、向量检索、重排序、多轮对话
• 🧠 知识图谱 + LLM: 探索 GraphRAG、知识图谱驱动的 Agent 工作流
• 🎯 模型高效微调: LoRA / QLoRA / P-Tuning 等 PEFT 技术实战，降低微调门槛
• 📦 模型压缩与部署: 量化 (GPTQ/AWQ)、蒸馏、剪枝，FastAPI SSE 流式部署
• 🤖 智能 Agent: LangGraph 多节点有状态工作流编排，工具调用与自主决策
• 📝 持续通过 GitHub 开源与 CSDN 技术博客输出高质量内容

---

🤝 Let's Connect!

📧 Email: [[email protected]](mailto:[email protected])
📍 Location: 深圳 / 广州


*Stay hungry, stay foolish. 🚀*

Collapse