关于我
先看业务问题，
再谈模型。
AI 工程师与自动化顾问，构建能在生产环境中站得住脚的 LLM 智能体、RAG 流水线和语音系统，而不只是演示。 每一个系统都从一个运营问题开始，再倒推到能消除它的最小架构。
我对这份工作的看法
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。
同一套循环，
用在每个系统上。
无论是一份工作、一个客户项目，还是独自交付的东西。步骤不变，变的只是每一步花多久。
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。
- 01
理解
在碰模型或框架之前，先弄清真正的问题和它的约束。产出是：生产环境到底要求什么，有一张清晰的图。
- 02
设计
系统架构、模型选择和数据流，在写任何代码之前想清楚并写下来。
- 03
构建
面向生产的实现，按短周期迭代推进，早早对照真实输入而不是合成数据做验证。
- 04
交付
部署、监控、留下文档。没有黑盒，交接处也没有缺口。
- 05
改进
上线后持续评估与调优。系统在生产中会变好，而不是变差。
工作经历
从企业，到产品，到 AI。
五段经历，各自承担同一条演进路线上的不同部分：理解企业系统是怎么建起来的，学会用产品的方式思考，然后动手构建 AI 系统本身。
为企业场景构建达到生产标准的生成式 AI 与智能体 AI 系统，重点是能在真实负载下保持可靠的系统，而不是实验性原型。
关于 In Time TecGlobal AI & software partner
A global technology partner trusted by enterprise clients across the US, built on a rare promise: ROI, or they don't get paid.
- 用 LangGraph 与 FastAPI 构建生产环境的智能体 AI 与 LLM 应用
- 在 LlamaIndex 与 Qdrant 上设计带混合检索与有据生成的 RAG 架构
- 在 Python、Azure AI 与 Redis 上构建可扩展的 AI 智能体，带有状态的流程编排
- 落地 AI 安全与可靠性机制：个人信息脱敏、内容安全、越狱检测
- 通过可观测性与并行执行改进生产系统
教育背景
工学学士，计算机科学
JK Lakshmipat University, Jaipur
高中毕业，物理、化学、数学
Delhi Public School, India
初中
St. Anselm's Pink City Sr. Sec. School
我怎样与团队协作
以远程方式与任何时区的团队协作，默认覆盖欧洲与英国工作时间。这些系统服务于 10 多个国家的用户。
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。
一次合作是怎样推进的
大多数合作从审计开始，因为一个范围固定、边界清晰的第一步，才让更大的第二步变得可决策。下面的内容不是套餐：分阶段是为了让你能想象出它的形状，而范围会在双方作出承诺之前写下来。
- 01
审计
1 到 2 周 · 通常的起点
对你想自动化的流程，或想构建的 AI 功能，做一次范围固定的审视：数据实际长什么样、哪些部分真的需要模型、哪些部分更适合走确定性逻辑、跑到生产环境要花多少钱。
你会得到
一份写下来的架构和实施计划，归你所有，无论后续是否与我一起构建。 - 02
构建
4 到 12 周
按短周期迭代实现，对照真实输入而不是合成数据。你每周都能看到可运行的软件，而在建的正是审计里那份架构，所以范围之争发生在纸面上，而不是在代码里。
你会得到
一个已部署的系统、它的评估装置，以及你团队里另一个人能接手的文档。 - 03
运行
按月付费，随时可停
大多数 AI 项目跳过的那一部分。模型会漂移，提示词会失效，上游 API 会改变输出结构，第一个月还准确的流水线，如果没人在测，到第四个月就已经悄悄错了。
你会得到
监控、评估运行，以及一份说明这个月变了什么、花了多少的月度记录。
我不承接的部分
有四件事出现得够频繁，值得直接说出来。这些都不是对那类工作本身的评价，而是别人会做得比我更好的地方。
- 从零训练模型
- 在值得的地方做微调，可以。预训练一个基础模型是另一门学科、另一种预算，而告诉你这是某个业务问题答案的人，通常是在卖那次训练本身。
- 背后没有系统的聊天机器人
- 把一个 API 包进聊天窗口，一个下午就能做完，也解决不了任何长久的问题。真正值得付费的是检索、评估和围绕它们的运维，而那些永远上不了线的演示，恰恰就栽在这里。
- 只做设计或品牌
- 这里的界面是为了让系统可被读懂而做的，不是为了拿设计奖。如果交付物是品牌体系或视觉识别，你需要的是一家设计工作室，构建也会因此更好。
- 按小时补人力
- 合作以结果划定范围，背后有一份写下来的架构。在待办列表上开一个长期席位是一项真实的服务，也是合理的采购；只是不是这一项。