待补充...

  1、使用Python和Flask框架开发和维护LLM应用后端服务，实现了流式传输首token平均1.5s的响应时间。
  2、基于Dify开源框架的Workflow重构LLM应用，并实现Dify查询外部知识库的接口。
  3、调研并实施了基于QA分段的知识库Embedding方法，提高了知识库的内容质量，为RAG提供可靠支持。
  4、调研并实施了基于LLM的问题重写、HyDE假设文档嵌入，Reranking重排序等RAG方案，提高了RAG的准确性。
  5、将Langfuse集成至后端服务，实现了对LLM对话的实时追踪评估，以及RAG检索质量的持续监控。
  6、基于Elasticsearch、Kibana、Beats搭建了对LLM应用、Nginx以及数据库的日志采集系统，加强了问题的诊断效率。
  7、使用Docker构建测试、生产环境，并负责维护项目Docker仓库，提高了部署流程的自动化水平。

  1、使用Socket实现不同主机之间的通信。
  2、利用IO复用和epoll与线程池实现多线程的Reactor高并发模型
  3、利用正则表达式和状态机解析HTTP请求报文，处理静态资源的请求。
  4、基于小根堆实现定时器，能够关闭超时的非活动连接。
  5、利用vector<char>封装Buffer，实现自动增长的缓冲区。

  1、基于C++11实现大部分STL库中的容器和函数。
  2、实现简单的测试框架，并定义宏来封装测试过程。

  1、使用DCGAN生成虚假鱼类图像，有效扩增了数据集，增强了模型的泛化能力。
  2、在细粒度分类任务中，对比训练多种神经网络，包括EfficientNet和ShuffleNetV2，通过综合评估，确定最优模型。
  3、基于YOLOV5框架，使用预训练权重对网络进行微调，实现了高效的目标检测任务。
  4、将ShuffleNetV2分类模型和YOLOV5目标检测模型转换为TorchScript格式，为移动端部署提供了便利。
  5、使用PyQt5和Android开发客户端和移动端用于部署神经网络模型，展示模型效果。

  1、对赛方提供的5000张高饱和度、异形字母验证码图片，以7:2:1的比例分割为训练集、验证集和测试集供网络训练
  2、搭建CUDA和CentOS测试开发环境，使用预训练权重对VGG16、ResNet、EfficientNet等多种神经网络进行对比实验。
  3、对所有验证码图片在训练前实施了灰度二值化、归一化等图片预处理技术，以增强模型的识别能力。
  4、以准确率优先原则选定EfficientNet作为基底模型，对其进行针对性微调，并通过迁移学习方法进一步优化模型参数。
  5、将生成的模型和运行代码通过Docker打包上传验证，最终准确率为97.32%，在93个参赛队伍中排名第31。