25+
生产环境中的系统
85%+
RAG 检索准确率
12+
合作过的团队
40%+
减少的人工工作
50+
自动化的流程
10+
有活跃用户的国家
为真正在交付产品的团队而建
Plus 保密协议下的金融与政府类项目
关于我
能扛住真实用户的系统。
这不是一份演示作品集，而是一份被设计、被交付并且仍在生产环境运行的 AI 系统记录。
演示很容易，生产才是工作。
大多数 AI 项目死在 notebook 与部署之间。我构建的是能活下来的那部分：评估、兜底路径、可观测性，以及真实用户上来之后依然稳定的系统。
先看业务问题，再谈模型。
我交付的每一个系统都从一个运营痛点开始：线索烂在收件箱里、客服队列爆掉、知识锁在 PDF 里。然后我从那里倒推，找到能消除它的最小架构。
全栈，从头到尾。
在 LangGraph 里做智能体编排，用混合检索做信息召回，FastAPI 后端，React 前端。一个人负责整个系统，交接处不会掉东西。
我怎么构建
Understand, architect, build, evaluate, ship, improve. The same loop for every system, whether it is a job or something shipped alone.
阅读构建流程我在构建什么
同一个问题的四个层次。
大多数合作从其中一个开始，最后会碰到两个。模型很少是难的那一部分。
AI 工程
智能体系统：会判断也会行动的智能体、能从你的文档中作答的检索、能撑起一段对话的语音。再加上决定这一切能否在真实用户面前站住的可靠性工作。
- LLM 应用与 AI 智能体
- 多智能体编排
- RAG 与混合检索
- +4 more
自动化工程
系统与系统之间的那部分工作。大多数运营痛点并不是缺了某个功能，而是有人在把数据从一个工具搬到另一个工具，偶尔还会忘。
- n8n 流程自动化
- CRM 与 ERP 自动化
- 线索抓取、分派与跟进
- +4 more
面向增长与营收的 AI 系统
对准营收的自动化。判定、个性化和分群是挂着营收数字的 AI 问题，也因此是最容易论证投入的那一类。
- AI 线索判定与评分
- 销售智能体与跟进序列
- 规模化的个性化投放
- +4 more
定制业务系统
让记录系统去贴合业务，而不是反过来。通常是 ERPNext，通常是因为标准流程并不能描述这家公司实际的运作方式。
- ERPNext 与 Frappe 定制
- 制造与光伏流程
- 销售与项目流程
- +3 more
架构与构建由我负责。当一个合作需要的实施产能超过一个人时，我会引入一支此前合作过的小型工程与自动化团队，并继续对交付结果负责。
我构建的系统
工作是整条流程，而不是其中一步。
一个回答得好的模型只是一个功能。一条半夜进来的线索，在凉掉之前带着上下文送到对的人手上，那才是系统。
入站线索 workflow. 主流程： 线索进来，然后 AI 判定，然后 CRM 已更新，然后 个性化回复，然后 已通知销售. 关联路径： 信息补全 汇入 AI 判定; 跟进序列 作为条件路径来自 个性化回复.
精选作品
已构建、已交付、正在运行的系统。
三个值得完整读一遍的。归档里的其余部分只有一步之遥，每个都有自己的记录。
LawBot Africa
面向非洲各法域的法律 AI 平台：用平实语言作答的助手、合同生成器和文档分析，集中在一个工作区里。
在一个工作区里提问、起草和审阅
Chatterbots.ai
用于构建 AI 语音助手的平台，能进行真正的对话、基于你自己的内容作答、判断来电意向并预约会面。
会判断、会预约、会转接的语音助手
案例研究
客户系统，讲清楚。
为有运营问题的团队构建，每一篇都写明架构、取舍，以及上线之后发生了什么变化。
01 销售自动化
为销售团队搭建的 AI 线索流水线
一家 B2B 服务团队每周手工分拣 200 多条入站线索，销售花在录入和分诊上的时间比卖东西还多。
80%
更少的人工分拣
3x
更快的首次响应
02 知识检索
面向企业文档的生产级 RAG
一支内部团队每周都要花好几个小时，在零散的 PDF、wiki 和 ERPNext 记录里翻找，只为回答一些常规问题。
85%+
检索准确率
数小时
每个团队每周节省
03 客户支持
客服场景的语音 AI
一支正在扩张的客服团队被重复的一线咨询压垮，等待时间越来越长，坐席也在耗竭。
60%
无需人工即解决
24/7
可用性
AI、数据、自动化、增长
系统对准的是一个数字，而不是一场演示
在工程之外，这些工作也一直在商业这一侧展开：投放个性化、分群、生命周期与留存分析，以及支撑这三者的客户洞察。这也是为什么这里的架构讨论从一个运营问题开始，而不是从选哪个模型开始。
获客
在意向还热的时候，把匹配的线索通过判定与分派送到人手上。
转化
建立在信息补全而非合并字段之上的个性化，以及会预约而不只是会回答的助手。
互动
用分群、精准触达和行为信号，来决定发什么，以及什么时候该安静。
留存
生命周期与流失分析，让干预发生在客户还没走之前。
客服
在重复咨询上做分流，把产能留给真正需要判断的那些。
销售效率
在 CRM 里花更少时间，每次对话带更多上下文，跟进不再依赖记性。
他们自己的话
让这些工作落地的人。
每一段引述都链接到它所说的那个系统，让说法和实物并排放在一起。
MarqHire 和 Brandry 都从一个想法走到了可以拿给客户看的产品，整个构建由 Dixit 从头负责到尾。他读产品的那一面和读技术一样细，推进很快，把还很模糊的需求变成了能跑的软件。两个产品都因此明显更好。
Tushar Jain
首席执行官, TechMarqX
我们需要的是线索被认真处理，而不是再多一个看板。Dixit 做的 AI 线索管理系统接手了跟进，让真正值得追的机会浮出水面，并为一个小团队带来了合格线索和实实在在的增长。他理解我们所处的限制，并按这些限制去构建。
Jonathan
Audtri
我会用自律这个词。在 UB Webs 的这段时间里，他把项目按期推进，不需要人手把手就能上手陌生技术，独立承担责任的同时还在稳步变强。是团队可以依靠的那类工程师。
Sandeep Aggarwal
董事总经理, UB Webs
底层构造
这些工具，以及它们运行于其中的循环。
我用来交付的每一件工具，按工作真实的连接方式连起来，以及我构建的每一个智能体系统底下的那套推理循环。
The map · drag a node to explore
drag nodes · hover to explore
The loop · every system runs this
User
Query, voice, or event
Agent
LangGraph orchestrator
Reasoning Core
LLM · tools · memory
Vector DB
Hybrid semantic retrieval
Response
Grounded and cited
在哪里划得来
有什么是我可以帮你自动化的？
如果这个季度你们公司里有人说过其中一句，那它已经是一个有形状的系统了。
线索进来了，却没人跟进。
自动化的判定与分派，以及一封几分钟内就发出的首次回复。
销售团队一整天都在更新 CRM。
记录由流水线写入，CRM 成了工作的副产品，而不是第二份工作。
同样的客户问题每天都要落到人身上。
一个锚定在你自己内容上的助手，只把该升级的升级上来。
想找点什么就得在文档堆里翻。
对你自己文件的检索，返回的是带出处的答案，而不是一个文件夹。
投放没办法在规模上做个性化。
先补全，再逐条生成，让个性化背后有事实支撑。
客户数据散在四个系统里。
集成与去重，合成每个系统都能读的一条记录。
核心流程还跑在电子表格上。
把流程搬进记录系统，并保留人们在系统之外发明的那些步骤。
ERP 的工作靠手工，报表没人信。
按真实流程定制的 ERPNext，并与周边一切打通自动化。
有人整天在系统之间搬数据。
事件驱动的同步，并为那些不该由机器决定的情形留一个复核队列。
内容太耗时间，于是就停了。
一条能扛过忙碌一周的调研、生成与发布流水线。
客服电话在吃掉团队的产能。
让语音智能体接住重复来电，并用能带走上下文的热转接兜底。
有 AI 预算，却不知道该投到哪里。
先做一次短期合作，在动手构建之前找出自动化能自己回本的位置。
联系方式
有值得自动化的工作流程吗？
或者是一个空缺职位、一个待开发的产品，或是一个没人愿意负责的流程。以上内容只是介绍，请告诉我是什么原因让你来到这里，回复内容会围绕这一点展开。
接受全职工程岗位，也接受经过筛选的合同或项目合作，远程、任何时区皆可。其中大部分工作与欧洲、英国、北美和澳大利亚的团队进行。当企业从境外聘用时，项目工作以咨询合作的形式开展，而不是雇佣关系，双方都不涉及本地工作许可。