我主要关注 AI Agent、语音识别、自动化工作流和 AI 工程化实践。仓库内容以可运行原型、学习型系统和实验项目为主，重点放在把模型能力接入真实流程：能检索、能评估、能部署、能形成闭环。
- AI Agent 工程化：RAG、Tool Calling、Task State、Memory、Trace、评估闭环和服务化部署。
- 语音与语言技术：中英双语 ASR、语言识别、音频特征提取、模型训练与推理演示。
- 自动化工作流：把消息、任务、内容生成和状态监控接入可执行流程。
- 全栈原型验证：FastAPI、Flask、Next.js、PostgreSQL、Redis、Docker、Kubernetes 等工程组件的组合实践。
| 项目 | 简介 | 技术关键词 |
|---|---|---|
| thesis-defense-agent | 论文答辩训练 Agent，围绕 RAG、工具调用、记忆、追踪和评估闭环构建工程化学习项目。 | Python、FastAPI、LangGraph、RAG、Docker、K8s |
| interview-agent | AI 模拟面试练习平台，支持真实题库、追问评分、语音作答、模拟面试和报告生成。 | Python、FastAPI、Next.js、PostgreSQL、Redis、DeepSeek |
| laconformer-asr | 基于 Conformer、CTC 和语言感知前端的中英双语语音识别系统。 | PyTorch、Conformer、CTC、ASR、Flask |
| CLA-LIDNet | 基于 CNN、BiLSTM 和 Attention 的语言识别系统，支持数据准备、训练、推理与 Flask 演示。 | Python、PyTorch、Flask、LID |
我正在持续整理一组面向 AI 应用工程的项目：一类是 Agent 训练、评估和任务执行系统，另一类是语音识别、语言识别和自动化内容工作流。目标不是只做 demo，而是尽量把每个项目推进到具备清晰 README、可复现启动方式、明确技术边界和后续扩展路径的状态。
Languages: Python, TypeScript, JavaScript
Backend: FastAPI, Flask, Express
Frontend: Next.js, React
AI: PyTorch, LangGraph, RAG, Tool Calling, ASR, LID
Data: PostgreSQL, Redis, Milvus, Qdrant, Supabase
DevOps: Docker, Docker Compose, Kubernetes, GitHub Actions
欢迎围绕 AI Agent、语音识别、工程化部署和自动化工作流交流。如果你对某个项目感兴趣，可以直接查看对应仓库的 README、Issue 或提交记录。