代表项目 01 / Selected work

01

StudyHub

study-hub.cn GitHub

校园知识共享平台 · 全栈开发与 AI 应用研发

Next.jsFastAPIMySQLRedisMCPvLLMDocker

主导 StudyHub 校园知识共享平台的架构、核心开发与运营，服务资料共享与 AI 学习；在全栈业务之上集成 RAG、增量 Wiki、Agent 问答、多模态审核与 Monitor–Muse–Codex 自动化运维。

~400用户 ~2,000下载

展开技术细节 收起技术细节

• 职责与协作：提出项目构想并主导产品架构与前后端核心功能开发，负责权限与资料管理、部署运维、开源协作与 PR 审核；结合 Codex 和 Claude Code 辅助开发测试。
• AI 自动化运维：设计 Monitor–Muse–Codex 协同机制：Monitor 监测服务与关键接口、流量和服务器资源异常，通过邮件预警提供运行信息；Muse 结合告警与日志分析原因，按问题类型协调 Codex 进行代码修复、测试与恢复验证。
• RAG 检索管线：采用结构感知切分与 Parent-Child 分层索引，结合 BM25、BGE-M3 向量召回、RRF 融合及 Qwen3-Reranker-0.6B 重排；SciFact 评测中，Hit@5 从 87.5% 提升至 96.9%，MRR@5 从 0.828 提升至 0.932。
• Wiki 知识聚合与更新：以 Map–Reduce 实现跨文档实体及概念聚合，设计 Chunk 级抽取结果缓存、来源追溯和失效知识撤回机制，支持增量构建与更新。
• Agent Harness：基于 Qwen3.5-9B 构建多步工具调用框架，支持面向任务复杂度的 ReAct / Plan-and-Execute 策略选择、参数与引用校验、异常纠错、上下文压缩和执行预算管理；规定来源引用覆盖通过率由 12.5% 提升至 91.7%，上下文预算异常终止降至 0 次。
• 模型后训练：面向 Tool Calling，基于 LoRA 开展 SFT 与 GRPO 后训练和对照评测；工具调用成功率由 87.5% 提升至 93.8%。
• 多模态内容审核：基于 Qwen3Guard-Gen-0.6B、ShieldGemma 2-4B 和 OCR 构建文本与图像审核流程，通过候选类别概率和 0.85 置信度阈值分流至自动处理或人工复核；XSTest 文本离线评测自动处理覆盖率为 73.4%。

02

DDSurfer

论文 GitHub

弱监督深度学习 · 大脑皮层三维重建

PythonPyTorchSimpleITKTrimeshFreeSurfer

面向扩散磁共振成像（dMRI）的弱监督大脑皮层重建模型，无需额外 T1w 图像即可生成白质表面和软脑膜表面；第一作者论文发表于 Advanced Science（2026）。

Advanced Science期刊 一区 TOP中科院分区 14.1影响因子

展开技术细节 收起技术细节

• 职责与协作：主导网络设计、损失函数、训练策略、数据预处理、消融实验和外部数据集泛化评估，并推进核心算法实现与论文实验。
• 弱监督训练：使用传统方法生成训练伪标签，设计 Unidirectional Boundary Loss 与几何正则约束，缓解噪声标签和复杂皮层边界偏差。
• 模型架构：设计 Dual-Stream 双分支网络，分别提取各向异性与扩散率特征，经 Cross-SE 跨分支注意力融合；结合多尺度特征、大核注意力和时变速度场（TVF），以微分同胚形变驱动皮层模板网格连续重建。
• 消融实验：对单分支、移除 Cross-SE、大核注意力及单通道输入进行对照；完整模型相对单分支基线的两类表面 rCoV 分别降低 12.4% / 28.3%。
• 后处理：构建 FreeSurfer 兼容的表面处理流程，包括网格校验、厚度/曲率/面积计算、脑区分区及标准空间映射；多指标映射步骤由 13.68 秒缩短至 3.23 秒。
• 性能验证：两类皮层表面的体积相似性由 0.944 / 0.923 提升至 0.985 / 0.980，区域测量离散度降低 25.5% / 31.7%；在 4 个外部数据集（203 名受试者）上，区域一致性指标 rCoV/RSD 显著优于两种对照方法（p < 0.05）。

03

SlicerDSpace

项目网站 GitHub

医学图像分析软件 · 多算法集成与自动化 Workflow

PythonPyTorchQt3D Slicer

主导开发面向 dMRI 分析的开源 3D Slicer 插件，整合多种深度学习模型和第三方计算工具，通过统一的 GUI/CLI 调度提供可复现的影像处理与分析工作流。（在投）

展开技术细节 收起技术细节

• 职责与协作：主导插件架构、Qt 图形界面和核心功能开发，负责算法集成、工作流调度、工程测试及部署。
• 多模型集成与模块化设计：将 PyTorch 模型和第三方计算工具封装为独立可复用模块，统一输入输出、参数配置和结果管理，并设计依赖检查、模型资源校验及按需执行机制。
• 自动化工作流编排：构建配置驱动、依赖感知的多阶段流程，GUI 与 CLI 共享底层调度；支持任务状态管理、缓存复用、断点续跑和日志追溯。
• 性能优化：针对大规模轨迹处理与区域统计，采用 NumPy/VTK 向量化、分块批量计算和按标签分组；5 万条轨迹筛选与几何拷贝由 6.32 秒降至 0.11 秒，区域统计导出由 5.55 秒降至 0.55 秒，并进行输出一致性校验。

04

dMRI-Agent

GitHub

Plan-and-Execute Agent · 医学影像任务编排

PythonLangChainFastAPI3D Slicer

参与研发以自然语言驱动 3D Slicer 的医学影像 Agent，使用结构化 Protocol、自适应 Planner–Executor 和受控工具调用完成多阶段数据处理与结果分析。（在投）

展开技术细节 收起技术细节

• 职责与协作：参与 Agent 架构设计、外部分析软件集成和实验验证，协同完善工作流协议与交互流程。
• 任务规划：将专家操作封装为结构化 Protocol，借鉴 Agent Skills 渐进式披露按需加载步骤与工具说明；设计自适应 Planner–Executor，分离全局规划与分阶段执行。
• 工具调用与容错：实现受控 Tool Calling、软件模块发现及参数/权限校验；结合阶段质量检查、异常恢复与 JSONL 执行轨迹支持失败定位和追溯。
• 性能评测：构建覆盖 5 类工作流及隐藏异常场景的 Benchmark，5/5 类任务全部完成；同模型配置下相较 Claude Code、Codex 和 Qwen Code，Token 消耗降低 77.8%–88.5%，LLM 请求减少 46.2%–73.9%，工具调用减少 49.7%–56.3%。

技术能力 02 / Technical Skills

AI Coding

Codex、Claude Code Antigravity、Hermes、Muse

模型开发

PyTorch、Transformers、vLLM

工程部署

Linux、Docker、Git

科研 03 / Research log

奖项与荣誉 04 / Recognition

1. 2026学术荣誉
   🌟 获「荣耀信通 · 学术之星」荣誉，同年级仅 2 人获评。
2. 2026学业奖学金
   🎓 电子科技大学研究生学业奖学金一等奖。
3. 2026竞赛获奖
   🏆 中国研究生电子设计竞赛人工智能赛道西南赛区一等奖。
4. 2025学业奖学金
   🎓 电子科技大学研究生学业奖学金一等奖。
5. 2025竞赛获奖
   🥉 华为杯中国研究生数学建模竞赛国家三等奖（队长）。
6. 2025毕业荣誉
   💡 获电子科技大学本科毕业创新奖。
7. 2024创新项目
   💡 大学生创新创业训练计划项目获国家级立项。
8. 2021–2025优秀学生奖学金
   🎓 连续四学年获得电子科技大学校级优秀学生奖学金。