AI 应用开发工作台视觉图

2027 秋招 · Agent 系统 / AI 全栈 / 多模态

邹浥晨

美国东北大学电子与计算机工程硕士在读,持续构建 Agent 执行平面、实时语音链路与 AI 内容工具。 使用 TypeScript / Python / Go 跨栈交付,关注可验证、可恢复、可协作的完整工程闭环。

求职方向
Agent / AI 全栈
到岗时间
2027 年夏季
当前状态
硕士在读

Direction

求职方向

01

Agent Runtime & Evaluation

围绕工具协议、状态机、结构化输出、人工审批、自动评测与故障恢复,构建能执行、能验证的 Agent 系统。

02

AI 全栈工程

覆盖 Web / Electron 交互、Go / Python 服务、数据契约、实时链路、自动化测试和容器化交付。

03

多模态与创作工具

结合 ASR、TTS、VAD、音频 DSP、MIDI 与信号处理背景,探索实时交互和人机协作内容生产。

Profile

个人信息

集中展示公开联系方式、GitHub、Web 简历入口与开源项目链接。

姓名 邹浥晨
邮箱 zouyichen2012@outlook.com
电话 (+86)18144163431
微信 zouyichen2012
个人主页 resume-site-c36.pages.dev
GitHub zouyichen2002-droid
当前状态 美国东北大学硕士在读

Education

学历背景

美国东北大学(Northeastern University) · 电子与计算机工程 · 硕士

核心课程:机器学习和模式识别、移动机器人、应用概率与随机过程、图像处理和模式识别、数字信号处理、声学与传感。

Machine Learning Robotics Signal Processing Sensing

厦门大学 · 海洋技术 · 本科

核心课程:数字电子电路、模拟电子电路、信号与系统、数字信号处理、C 程序设计、Python 数据分析、数据挖掘原理与实践。

Digital Circuits Signals & Systems Python Data Mining

Projects

项目经历

独立全栈开发 M0 + M1 已完成 · 2026.08

来处 · Origin Echoes

本轮复验:内容门禁、类型检查、25 个单元测试与生产构建通过;最新 GitHub Actions 镜像构建成功。

有来源、有说明的个性化故事与音乐体验产品;已完成无需真实模型或 API Key 即可运行的 Mock Web 垂直闭环。

  • 基于 Next.js 15、React 19 与 TypeScript 实现“心境输入 - 生成状态 - 双轨播放 - 文字稿 - 故事身份卡 - 反馈 - 删除”完整流程。
  • 使用 Zod 建立 Source、Music、Intake 与 Experience 内容契约,编写版权准入校验,阻止待核验素材和测试 fixture 进入生产候选池。
  • 实现会话归属校验、规则层安全分类、危机内容拦截和隐私删除;Playwright 规格覆盖 4 条核心垂直流程。
  • 完成 Docker 镜像及 GitHub Actions 自动构建并推送 GHCR 的交付链路。
Next.js 15 / React 19 TypeScript / Zod Vitest / Playwright Docker / GitHub Actions
独立开发 · 核心契约 Gate 1 已完成 · 2026.08

弦光纪 · Luminote

当前边界:Gate 1 深度实现;真实 Synthesizer V 验证待人工完成,API、Worker、Web 与 Docker Compose 仍为骨架。

面向 AI 音乐 PV 工作流的工程 PoC;已完成 SongSpec 时间真相源、MIDI 导入导出与自动化零漂移验证。

  • 使用 Pydantic 设计 SongSpec 领域契约,以整数 tick、固定 PPQ 480、拍号、音符和歌词片段统一旋律时间语义及校验规则。
  • 实现 SMF Type 1 MIDI 双向转换,支持 Tempo/拍号/调性、UTF-8 中日文歌词、不同 PPQ 重采样及主旋律轨自动识别。
  • 构建中、英、日三组黄金样例,共 109 个音符在 BPM 120/90/110 下往返最大 tick 漂移为 0;14 个契约测试全部通过。
  • 为 FastAPI、Worker、人声回传与 PV 渲染预留服务边界;当前不连接付费模型、不宣称完整 P0 或公网部署。
Python / FastAPI Pydantic / SongSpec MIDI / mido Pytest / Ruff

Internship

实习经历

CyberEros-AI · AI 应用开发工程师 2026.05 - 至今

AI 女友「林晚」核心研发|Memory & Context / Real-time Voice / Async Workflow

组织仓库(需权限) · github.com/CyberEros-AI/cybereros
  • 项目架构:参与 AI 女友产品「林晚」的核心研发,产品支持文字聊天、语音交互、互动内容及 Agent 场景,目标是让同一角色在不同交互形态下持续保持统一的人格、关系状态与长期记忆。本人主要参与 Memory & Context、Real-time Voice、Async Workflow 三条核心链路的研发与问题定位,并在与核心研发成员协作过程中深入理解 Conversation、Runtime Context、Proactive Behavior、Interactive Content 等模块之间的整体协同关系。
  • Memory & Context Engineering:参与长期记忆与上下文链路建设,打通 Conversation → Outbox → Memory Event → LLM Extraction → Assertion / Entity / Episode / Observation / Dossier 的异步记忆沉淀流程;读取侧根据 Recall Plan 执行 Pinned / Lexical / Semantic / Entity / Temporal 等多路召回,并设置 1.2s Semantic Recall Deadline 与降级路径,避免语义检索尾延迟阻塞实时对话。
  • Context Assembly & Grounding:参与模型上下文组装与预算策略优化,将 Identity、Recent Messages、Relationship State、Observation、Episode、Assertion 等不同生命周期信息分层组织,并通过 Recall Receipt / Context Receipt 跟踪“召回 → 组装 → 模型输入”链路;结合 Evidence Pool 与 Grounding Guard 约束共同经历及用户事实类生成,降低无证据补全。
  • Real-time Voice Pipeline:参与语音交互链路流式化改造,将原有停口后的串行处理优化为 PCM Streaming Upload → Streaming ASR → LLM Token Stream → Sentence Segmentation → Streaming TTS → SSE Chunk Delivery → Incremental Playback,将用户停口后端到端首声延迟由 5.34s 降至 3.04s,其中转写阶段由 2.03s 降至 541ms。
  • Streaming Audio Engineering:参与 HTTP/2 流式上传、Multipart 顺序解析、ASR 流式降级、TTS 分句与客户端增量播放等关键链路;针对 MP3 分片独立解码产生的帧间依赖问题,采用累积解码 + Tail Extraction,将异常采样点比例由 11.62% 降至 0.008%,8 个音频分片累计解码耗时约 23ms。
  • Async Workflow & Reliability:参与异步任务链路建设,将 Memory Extraction、Embedding、Observation、Prospective Memory、Runtime Context 与 Proactive Behavior 等非实时任务从同步对话中解耦;围绕 Transactional Outbox、Worker 并发认领、Lease、Retry、Dead Letter、Workflow Timeout 等机制处理任务一致性、失败恢复及外部依赖异常。
  • Observability & Diagnosis:参与完善 Conversation / Voice Pipeline 的端到端可观测性,结合 memory_recall_ms、model_first_delta_ms、first_audio_ms、total_ms、Recall Receipt 与结构化日志定位跨层问题;实际排查过 Memory Worker 静默停转、Context Budget 超限、Temporal Activity Timeout 等问题。
Memory & Context Real-time Voice Async Workflow Streaming Audio Observability
清华大学北京信息科学与技术国家研究中心 · 大数据开发实习生 2024.08 - 2024.11

气象与光伏异构时序数据分析及可视化|ETL / 时序分析 / Streaming Rendering

  • 背景与目标:在曹军威教授指导下参与气象与光伏分析预测研究;针对气象观测、光伏功率等多源时序数据存在文件格式异构、采样频率不一致、时间戳错位及数据规模较大等问题,参与构建统一的数据处理、分析与可视化链路,为后续预测建模及多源数据交叉验证提供标准化数据基础。
  • 异构时序 ETL:参与设计多源气象 / 光伏数据 ETL Pipeline,完成原始数据解析、字段映射、时间索引构建、缺失 / 异常数据清洗与时间戳对齐;基于滑动窗口完成连续时序样本切片,并将处理结果统一转换为 NumPy Array / Tensor-compatible 数据结构,降低不同数据源接入预测模型时的适配成本。
  • 时序数据处理:对温度、湿度、辐照度、风速及光伏功率等多维特征进行统一组织与标准化,封装可复用的数据加载、时间范围查询、窗口切片及特征转换流程;支持不同时间区间、窗口长度及特征组合的快速实验,减少重复的数据预处理工作并提升实验复现一致性。
  • 性能优化:针对大规模连续时序数据处理中逐点计算开销较高的问题,将部分 Python 循环重构为 NumPy Vectorization / Batch Processing,减少数据转换与窗口构造过程中的重复计算,为后续批量预测与交叉验证提供高效输入。
  • 交互式可视化:参与设计大气数据交互式可视化程序;针对多变量、长时间序列同时展示的需求,构建 Multi-channel Streaming Rendering 链路,对不同气象通道进行分批加载与增量渲染,并设计时间轴、通道选择、缩放等交互状态的同步机制,保证数据查询、渲染状态与用户操作之间的一致性。
  • 项目产出:形成 Raw Data → ETL → Time Alignment → Windowing → Feature Processing → Analysis / Prediction → Visualization 的统一处理链路,为气象 / 光伏预测实验、结果复现及多源数据对比分析提供可复用的数据基础设施。
ETL Pipeline Time-Series Analytics NumPy Vectorization Batch Processing Streaming Rendering
北京捷通数智科技有限公司 · 数据工程师 2024.01 - 2024.02

灵云基座模型水务客服领域后训练|SFT / DPO / Evaluation

  • 背景与目标:捷通华声基于“灵云”通用基座模型承接水务客服业务;针对原始模型在水费账单解释、缴费异常、欠费停复水、水表异常及边界业务规则等场景中的领域知识覆盖、规则遵循与客服表达问题,通过领域 SFT、偏好优化与专项评测提升任务准确性和业务一致性。
  • 领域数据构建:参与处理 3 万+ 条 FAQ、历史客服问答及业务规则语料,完成清洗、脱敏、语义去重、意图分类和 instruction 改写;构建 2 万+ 条高质量 SFT 样本,覆盖水费查询、缴费异常、欠费、停复水、水表、账单争议、水站业务等 10+ 一级意图 / 30+ 细分场景,并按训练、验证、测试集合完成数据隔离,降低重复问法与评测泄漏。
  • SFT 微调:基于 LoRA 对“灵云”基座模型开展水务领域监督微调,围绕 Learning Rate、Batch Size、LoRA Rank、Epoch 等参数设计多组对照实验;增加业务规则问答、同义问法、复杂条件组合及标准话术样本,提高模型对领域术语、业务边界和指令格式的适配能力。
  • DPO 偏好优化:基于 SFT 模型输出及人工评估构建数千组 Chosen / Rejected Preference Pair,围绕事实正确性、规则一致性、信息完整度、客服表达规范及拒答合理性设计偏好标准,通过 DPO 优化答非所问、规则冲突、表达冗余及异常拒答等问题。
  • Evaluation & Bad Case:自建 1000+ 条水务客服专项评测集,覆盖常规咨询、复杂账单、异常缴费、边界规则、知识外问题等场景;编写自动评测脚本,统一评估任务准确率、规则遵循率、格式合规率及正确拒答率,并结合人工评审定位 Knowledge Gap、Rule Conflict、Intent Error、Over-refusal 等失败类型。
  • 数据闭环:根据评测 Bad Case 对失败样本进行聚类和归因,针对长尾规则与高频错误补充数千条专项 SFT / Preference 数据并完成第二轮训练迭代,实现 Data → SFT → DPO → Eval → Bad Case → Data 的后训练闭环。
  • 项目结果:在自建水务客服评测集上,模型核心任务准确率较基线提升约 12 个百分点,并在业务规则遵循、客服格式一致性及异常场景处理方面取得进一步改善。
SFT / LoRA DPO LLM Evaluation Data Flywheel Water Utility AI

Skills

技术栈

按当前仓库与已交付工作归纳,不把计划中的技术写成已上线能力。

AI / Agent

Tool Calling, JSON Schema, Agent Runtime, Task Protocol, State Machine, Evaluation, Guardrails, Human-in-the-loop, Lease Recovery

Multimodal / Audio

ASR, TTS, VAD, Audio DSP, Microphone Array, DOA, Beamforming, AGC, MIDI, Synthesizer V, MATLAB

Full Stack

TypeScript, React, Next.js, Electron, Node.js, Go, Python, FastAPI, REST, Protobuf / OpenAPI

Engineering / Delivery

Git, Docker, CI/CD, Pytest, Vitest, Playwright, Content Contracts, Atomic Write, Observability, Failure Recovery

Language / Collaboration

TOEFL 92, CET-4 582, CET-6 442;可阅读英文技术文档并进行日常协作沟通

Contact

期待参与真实 AI 系统的构建。

如果团队正在做 Agent Runtime、AI 全栈、实时多模态交互或创作工具,我希望参与把原型推进到可验证、可恢复、可协作的工程交付。