我做 LLM 应用工程，之前做优化算法研究。我关注如何把自然语言输入转化为结构化、可执行、可校验、可评测的系统，并通过工程化手段控制准确率、成本与延迟。
- AskDB (WIP) — 中文自然语言问数 Agent：将业务问题转化为安全、可验证、可观测的 SQL 查询，计划加入 Schema RAG、自纠错 Agent Loop、SQL 安全护栏和可复现评测。
- NL2OPT — 通过 Pydantic Schema 约束 LLM 输出，使用模板化 OR-Tools 求解与独立 Checker 验证，并提供可复现评测和失败分析。
- MOSADE — 将多目标优化研究重构为可安装的 Python 库，包含统一 API、基准问题、统计评测、自动化测试和持续集成。
- LLM Applications: DeepSeek API, Structured Outputs, Function Calling, Pydantic, Jinja2, LLM Evaluation
- Backend & Data: Python, FastAPI, SQL, pandas, NumPy
- Optimization: OR-Tools, CP-SAT, ALNS, Multi-objective Optimization
- Engineering: pytest, GitHub Actions, Docker, Git, Linux/WSL2, Streamlit
- Currently Building: LangGraph, RAG, Text-to-SQL, Qdrant, Langfuse, MCP