Zhao Junquan

Złożoność wywołań narzędzi do dużych modeli stale rośnie, a pojedynczy skrypt w języku Python i Jupyter Notebook mają trudności z obsługą przepływów pracy AI o wysokiej częstotliwości, obejmujących wiele rund i łańcuchów narzędzi. W porównaniu z rozproszonymi skryptami tymczasowymi, strona biznesowa potrzebuje lokalnej stacji roboczej AI, która jest trwała, identyfikowalna i skalowalna, aby zintegrować stan konwersacji, konfigurację modelu, kompresję kontekstu i planowanie wtyczek w długoterminowym, łatwym w utrzymaniu systemie.

Odpowiedzialny za promowanie produktów Lite Studio od zbioru rozproszonych narzędzi AI po lokalny pulpit roboczy oraz wyjaśnianie granic możliwości zarządzania sesjami, konfiguracją modelu, kompresją kontekstu, wywoływaniem wtyczek i eksportowaniem łączy. Kieruj łączeniem dokumentów inżynieryjnych, umów dotyczących interfejsów i podstawowych przepływów pracy, tak aby kolejne iteracje funkcjonalne miały ujednolicone odniesienia, identyfikowalne zapisy i stabilny rytm dostaw.

W przypadku wielonarzędziowego agenta, jeśli główny agent domyślnie przechowuje wszystkie narzędzia do wyszukiwania, badania i wykonywania, łatwo spowoduje to nadmierne wywołania kosztownych interfejsów API. Będzie także łączyć ogólne pytania i odpowiedzi, modyfikację kodu, lekkie pobieranie i szczegółowe badania w tym samym kontekście wykonania, co spowoduje marnotrawienie kosztów, niewyraźne granice zadań i potencjalne ryzyko bezpieczeństwa.

Niezależnie odpowiedzialny za definiowanie rozwiązań i dostarczanie OpenClaw Sentinel, wyodrębnianie kosztów wyszukiwania, uprawnień narzędzi i problemów z granicami wykonania w agentach wielonarzędziowych w modelach zarządzania routingiem wielokrotnego użytku. Zdominuj granice zachowań agentów, strategie wywoływania narzędzi, procesy weryfikacji i wydania open source, przekształcając dostęp MCP w przenośne rozwiązanie do zarządzania narzędziami agenta.

Duże modele zwykłego tekstu (DeepSeek, Qwen itp.) mają duże możliwości wnioskowania i kodowania, ale same w sobie nie mają wizji. Ten projekt hermetyzuje model wizualny Xiaomi MiMo v2.5 w standardowym serwerze MCP, umożliwiając agentowi tekstowemu uzyskanie możliwości rozumienia obrazu za pomocą narzędzia mimo_image_analyze - główny model jest odpowiedzialny za myślenie, a MiMo za percepcję.

Niezależnie odpowiedzialny za projektowanie i dostarczanie rozwiązania uzupełniającego możliwości wizualne agenta w postaci zwykłego tekstu, które łączy możliwości rozumienia obrazu z pojedynczego wywołania modelu w instalowalne, konfigurowalne i nadające się do ponownego użycia narzędzie MCP. Odpowiedzialny za definiowanie scenariuszy użycia narzędzi, granic połączeń, konfiguracji zabezpieczeń i formularzy dostarczania open source, tak aby klienci Agenta, tacy jak OpenClaw, Claude Desktop i Cursor, mogli stabilnie uzyskać dostęp do tej funkcji.

Ponieważ często konieczne jest codzienne generowanie lub analizowanie kodów QR partiami, a istniejące narzędzia są pełne reklam, wymagają płatności i opierają się na środowisku sieciowym, zdecydowaliśmy się opracować szwajcarski scyzoryk z czystym kodem QR, który nie wymaga instalacji i nie wymaga zaplecza.

Niezależnie odpowiedzialny za planowanie produktu, projektowanie interakcji i dostarczanie online zestawu QCode Toolkit, definiowanie granic narzędzi wokół wymagań o wysokiej częstotliwości, takich jak generowanie kodów QR, upiększanie, przetwarzanie wsadowe i pobieranie SVG. Kluczową kwestią jest zapewnienie, że narzędzie może zakończyć zamkniętą pętlę po stronie przeglądarki bez zależności od zaplecza, biorąc pod uwagę łatwość użycia, możliwość współdzielenia i długoterminowe koszty utrzymania.

QuanWen.art to osobiste centrum treści cyfrowych opracowane od podstaw poprzez zbudowanie kompleksowego systemu internetowego, który może działać przez długi czas. Zintegruj wyświetlanie prac, artykuły fotograficzne, postęp projektu, dialog AI, listy kontaktowe i zarządzanie backendem w tej samej architekturze, dzięki czemu osobista strona główna może jednocześnie publikować treści, konserwować dane, chronić dostęp i możliwości ciągłej rozbudowy.

Jako niezależny lider produktów i inżynierii QuanWen.Art jest odpowiedzialny za pełne planowanie i dostarczanie, od pozycjonowania witryny, struktury treści, publicznego wyświetlania, operacji zaplecza po obsługę bezpieczeństwa i konserwację. Zintegruj prace osobiste, artykuły fotograficzne, postępy projektu, rozmowy AI, listy kontaktowe i zaplecze zarządcze w długoterminowe centrum treści cyfrowych i stale utrzymuj jego aktualizowalność, dostępność i granice bezpieczeństwa.

Projekt dotyczy agenta obsługi klienta na osobistej stronie QuanWen.Art. W ograniczonym zasobowo środowisku Kaggle z dwiema kartami Tesla T4 bada efektywne parametrowo dostrajanie otwartego modelu klasy 8B. Bazą jest Qwen/Qwen3-8B. Chińskie dane instruktażowe służą do budowy przykładów treningowych obejmujących pytania o tożsamość, wyjaśnienia techniczne, opisy produktów i odpowiedzi obsługi klienta. Projekt przechodzi przez cały proces inżynierski: przygotowanie danych, konwersję do szablonu ChatML, ładowanie z kwantyzacją 4-bitową, dostrajanie SFT, zapis adaptera i weryfikację inferencji po jego ponownym wczytaniu.

Jako niezależna osoba odpowiedzialna za projekt zaprojektował i promował pionową weryfikację dostrojenia modelu open source na poziomie 8B wokół scenariusza agenta obsługi klienta QuanWen.Art. Odpowiedzialny za definiowanie celów szkoleniowych, konstruowanie zakresu danych dotyczących obsługi klienta oraz tożsamości w Chinach i odpowiedzi, planowanie ścieżek eksperymentalnych w tanim środowisku GPU oraz realizację zamkniętej pętli wykonalności od weryfikacji szkolenia do późniejszego dostępu do korpusu obsługi klienta w witrynie internetowej.

Osobista witryna to nie tylko wizualna strona dla odwiedzających, lecz także węzeł publicznych treści, który wyszukiwarki, systemy wyszukiwania AI i procesy trenowania modeli mogą niezawodnie interpretować. Projekt poprawia zewnętrzną wykrywalność QuanWen.Art, rozbudowując prezentację strony o czytelne maszynowo pliki robots.txt, sitemap.xml, llms.txt i dane strukturalne JSON-LD.

Odpowiedzialny za ogólne zarządzanie wykrywalnością zewnętrzną i czytelnością maszynową QuanWen.Art, definiowanie granic między treściami publicznymi, ścieżkami prywatnymi, indeksowaniem przez wyszukiwarki i dostępem robotów AI. Prowadzenie kompletnej zamkniętej pętli od projektowania strategii, semantycznego sortowania treści po weryfikację online, aktualizację osobistych witryn internetowych ze stron roboczych zorientowanych na odwiedzających do publicznych węzłów wiedzy, które mogą być stabilnie zrozumiałe dla wyszukiwarek, silników odpowiedzi i dużych systemów modelowych.

Projekt tworzy proces analizy oparty na uczeniu maszynowym, ukierunkowany na zachowania użytkowników, aby sprawdzić przydatność przewidywania osobowości w segmentacji użytkowników i wspieraniu strategii operacyjnej.

Odpowiedzialny za przekształcenie problemu badawczego przewidywania osobowości w weryfikowalne zadanie analizy danych oraz wyjaśnienie zakresu przetwarzania danych, interpretacji cech, porównania modeli i wyrażania wyników. Skoncentruj się na uporządkowaniu wyników modelu w segmentację użytkowników i spostrzeżenia behawioralne, które mogą być zrozumiałe dla strony biznesowej, zapewniając podstawę do dyskusji dla późniejszej oceny CRM, testów A/B i spersonalizowanego zasięgu.

Na potrzeby zbierania komentarzy wideo i wiadomości branżowych powstał silnik, który stale pobiera, czyści i strukturyzuje dane do badań polityki oraz obserwacji opinii publicznej.

Odpowiedzialny za uporządkowanie rozproszonych wymagań dotyczących danych dotyczących stron internetowych, komentarzy i wiadomości w zadania gromadzenia danych wielokrotnego użytku, wyjaśnienie zakresu gromadzenia, pól danych, kalibru czyszczenia i formatu dostawy. Nacisk położony jest na przekształcenie jednorazowego, ręcznego gromadzenia danych w zrównoważony proces inżynierii danych, zapewniający stabilne źródło danych do badań politycznych, obserwacji opinii publicznej i późniejszej analizy nastrojów.