基于 LangGraph 的智能应急决策系统
2025.01 - 2025.05
项目背景：针对园区安全监管中知识检索分散、风险评估复杂、应急资源调度低效等问题，研发基于 LLM 与机理模型融合的智能决策系统，实现从知识获取、定量评估到资源调度的智能化支持。
项目职责：作为核心负责人，主导智能体架构设计、工具调用链路设计、机理模型集成、RAG 优化、Text-to-SQL 能力建设与高性能推理服务部署。
关键技术：Python、LangChain、LangGraph、MCP、LMDeploy、ChromaDB、Text-to-SQL、FastAPI
项目亮点
- 基于 LangGraph 构建 ReAct 智能体编排架构，串联安全知识检索、应急资源查询、风险评估、应急指挥与公共工具等模块，实现任务动态分发、工具调用与专业化执行。
- 集成查询改写、混合检索、重排序等 RAG 优化策略，并基于 Ragas 建立 6 维度评估体系，将安全知识检索质量从 76.5% 提升至 94.7%。
- 通过表结构规范化描述、字段语义注释与查询模板优化，显著提升 Text-to-SQL 在设备台账、应急物资等场景中的查询准确率，达到 95% 以上。
- 基于 LangGraph 与 PostgreSQL 实现分级记忆存储和智能裁剪机制，并在高风险评估、资源匹配等关键节点引入 HITL 人工介入。
- 基于 LMDeploy 实现 Qwen-32B 模型的多卡分布式推理与量化优化，通过 FastAPI 构建高并发 API 服务，支撑系统实时决策需求，并兼顾性能与部署成本。
项目成果
- 将事故初期评估时间从 2-3 小时缩短至 10 分钟内，应急资源查询响应从分钟级降至秒级，复杂场景资源匹配准确率达 92%。
- 整合机理模型与多源安全知识，形成基于证据的定量化风险评估能力，支撑园区日常演练、值班研判与事故复盘。
- 在园区应急演练中成功识别 3 处高风险场景，风险评估结果与专家判断吻合度达 92%。
基于多模态大模型的智慧园区智能搜图系统
2024.08 - 2024.12
项目背景：针对园区安防与消防场景中事件回溯效率低、人工翻查图像耗时长、语义检索不准等问题，研发基于多模态大模型的智能搜图系统，实现从实时快速检索到深度语义分析的智能化支撑。
项目职责：作为核心负责人，主导多模态检索架构设计、双路径索引构建、领域模型微调、元数据建模、高性能推理部署及搜索质量优化。
关键技术：PyTorch、CLIP、Qwen-VL、BGE、Milvus、TensorRT、OpenCV、LMDeploy、QLoRA、FastAPI
项目亮点
- 面向图搜图与文搜图场景设计双路径检索架构：图搜图基于 CLIP 构建视觉向量库保障实时性，文搜图基于 Qwen-VL 描述生成与 BGE 编码构建语义向量库保障语义精度。
- 针对安防消防场景构造 1000+ 样本进行 Qwen-VL-Chat 的 QLoRA 微调，提升模型对位置、状态、风险等级等专业语义的理解能力。
- 引入 BGE 重排序、TensorRT 推理加速与 LMDeploy 服务优化，将图像编码延迟从 15ms 降至 4ms，模型服务吞吐量提升 4 倍以上。
- 在 Milvus 中建立图搜图与文搜图双集合索引，关联结构化元数据并实现 TTL 生命周期管理，通过 FastAPI 提供统一检索服务，兼顾高并发场景下的稳定性与扩展性。
项目成果
- 将安保人员定位历史相似事件的时间从平均 40 分钟缩短至 3 分钟内，复杂语义查询响应从几十分钟降至秒级。
- 将 Top-5 召回率从 72.3% 提升至 91.6%，文搜图关键属性匹配准确率超过 92%。
- 系统已部署于 3 个大型园区，日均处理检索请求超 5000 次，累计辅助处置安防事件 237 起、消防隐患 89 起。