黄浩云 / HHY — AI Agent 作品集 简历 PDF ↓

LLM Application · RAG · GraphRAG · Multi-Agent

独立把一个 AI 产品从零推到双商店上线。

鉴来助手、GraphMind、AI Interview Agent 三个项目,覆盖检索增强、知识图谱与多智能体协同。下表一眼看全,下方逐项目详解与架构。

黄浩云·岭南师范学院 · 人工智能·2023–2027
Chrome + Edge 双商店 独立上线 ICP 备案
01 — 速览

项目一览

项目一句话源码
鉴来助手 已上线 双商店上架的 AI 浏览器扩展,超长文本的渐进式摘要与伏笔雷达 GitHub ↗
GraphMind 可运行 GraphRAG 知识平台,向量 + BM25 + 图谱三路混合检索 GitHub ↗
AI Interview Agent 可运行 Multi-Agent 面试训练,四角色协同 + 流式交互 GitHub ↗
其他实践 练习 Django-Project · 多 app 企业门户,容器化部署 GitHub ↗
02 — 详解

项目详解

01

鉴来助手 小说 AI 伏笔雷达

已上线 Chrome + Edge 双商店的浏览器扩展。独立完成平台过审、合规备案与渠道分发。完整决策链见下文「旗舰复盘」。

角色 · 独立完成

背景

网文连载动辄数百章,读者跨越数月追更,早期伏笔与人物关系在记忆中早已断裂——这是超长文本的结构性问题,与长会议纪要、知识库检索同源。

技术方案

Chromium 扩展采集阅读上下文,后端 FastAPI 提供 AI 分析。核心采用渐进式摘要而非一次性纯 RAG:把数百章分层压缩为可检索的结构化记忆,再按需回看原文,规避超长文本的检索漂移与上下文成本。

关键实现

伏笔雷达做跨章呼应识别;人物关系图谱维护角色网络;划词查询与侧边阅读降低使用门槛。

工程与合规

host_permissions 收窄至单域名通过 Chrome 审核;ICP 备案;Let's Encrypt SSL + Nginx 反代 + systemd;为国内用户提供免梯 zip 与油猴脚本版。

FastAPIJavaScriptSSESQLiteNginx
结构化记忆 · 渐进式摘要
输入:数百章连载原文 按章结构化蒸馏 人物 伏笔 术语 分级汇总 60 章分批 → 阶段总结 → 全书汇总 结构化记忆(可检索) 按需 回看 原文
数百章原文经「按章蒸馏 → 分级汇总」压缩为可检索记忆,查询时按需回看原文——规避一次性长上下文的高成本与检索漂移。
产品界面
鉴来助手「标准概况」界面
标准概况
鉴来助手「伏笔总览」界面
伏笔总览
鉴来助手「周报」界面
周报
鉴来助手「人物关系图」界面
人物关系图
02

GraphMind GraphRAG 知识检索与推理平台

工程化 GraphRAG 平台:文档上传、异步入库、知识检索与智能问答。

角色 · 独立完成

背景

纯向量检索难以回答「跨文档的实体关系与多跳推理」类问题,需要引入知识图谱补足。

技术方案

构建混合检索链路,融合向量(Milvus)、BM25 关键词(Elasticsearch)与知识图谱(Neo4j)三类检索,经倒数排名融合(RRF)与重排序(Reranker)提升召回质量。

关键实现

文档上传后异步入库(解析 → 分块 → 向量化 → 实体抽取 → 图谱写入);构建全链路 Trace 与自动化 Eval,实现检索过程可观测化与检索质量评估。

FastAPINext.jsNeo4jRedisMilvusElasticsearchOpenTelemetry
混合检索 · 三路融合 + 重排序
Query 查询 向量检索 Milvus BM25 关键词 Elasticsearch 图谱检索 Neo4j 倒数排名融合(RRF) 重排序(Reranker) 最终结果
查询并行走向量、BM25、图谱三路,结果经 RRF 融合去重、再经 Reranker 重排——用多路互补覆盖单路检索的召回盲区。
运行界面
GraphMind 知识库文档管理
知识库文档管理
GraphMind 文档入库与解析
文档入库与解析
GraphMind 检索问答与引用
检索问答与引用
GraphMind 追踪链路
追踪链路
03

AI Interview Agent Multi-Agent 面试训练平台

多智能体协同的面试训练系统:简历解析、模拟面试、自动评分、报告生成全流程自动化。

角色 · 独立完成

背景

模拟面试需要多角色配合——理解简历、提问、评分、写报告——单一模型难以兼顾,因此拆分为多智能体分工。

技术方案

设计四个专业 Agent——简历解析、面试官、评分、报告生成,由 Orchestrator(调度)统一编排,通过 Shared Memory(共享记忆)与 Message Bus(消息总线)实现上下文共享与事件驱动协作。

关键实现

基于 SSE 流式交互;缓存 + 限流 + 监控提升实时体验与可观测性;JWT 鉴权 + SQLite 持久化。

实测

以「RAG 架构」主题跑通一次完整面试:8 题全作答、0 跳过,四维评分 正确性 92 · 逻辑 95 · 深度 93 · 表达 90,总体评级 优秀。面试官沿单一主题递进追问,逐层深入到打分函数设计、动态权重与不确定性消解。

工程判断 · Agent ≠ LLM 调用,工具 ≠ Agent

知识检索(Knowledge Retriever)被设计为确定性检索模块,由 Agent 作为工具调用,而不是第 5 个 Agent——把「有自主决策的 Agent」与「被调用的检索工具」分开,避免无谓的编排复杂度。

FastAPIReactSQLiteJWTSSEMulti-Agent
四 Agent 协同 · 调度 + 共享记忆 + 消息总线
Orchestrator · 调度 简历解析 Resume Analyst 面试官 Interviewer 评分 Evaluator 报告生成 Report Writer 共享记忆 · Shared Memory 消息总线 · Message Bus Knowledge Retriever · 确定性检索工具(非 Agent) 由 Agent 作为工具调用,不参与自主决策 被 Agent 调用为工具
四个专业 Agent 由 Orchestrator 编排,经 Message Bus 通信、Shared Memory 共享上下文;Knowledge Retriever 是确定性检索工具,不属于 Agent。
运行界面
AI Interview Agent 面试对话
面试对话
AI Interview Agent 追问交互
追问交互
AI Interview Agent 四维评分
四维评分
AI Interview Agent 学习报告
学习报告
03 — 旗舰复盘

鉴来助手 从 0 到双商店的 7 个决策

  1. 01需求洞察长篇阅读的记忆断层是真实痛点

    网文连载数百章、追更数月,早期伏笔与人物关系在记忆中早已断裂。

  2. 02技术方案渐进式摘要,而非一次性纯 RAG

    分层压缩为可检索的结构化记忆,按需回看原文,规避检索漂移与上下文成本。伏笔雷达在此基础上做跨章呼应识别。

  3. 03Chrome 过审权限收窄:从通配符到单域名

    host_permissions 从通配符收窄到单域名,逐条填写权限用途。「功能覆盖」与「审核风险」的权衡——收敛权限换取过审与信任。

  4. 04合规与基建ICP 备案 + 自建服务器

    ICP 备案;阿里云 + Let's Encrypt SSL + Nginx 反代 + systemd。选自建而非 Serverless:核心推理是长任务,需要更细的资源控制。

    当前:https://jianla.xyz 在线,Nginx 1.18,证书有效期至 2026-09-30。

  5. 05分发渠道设计国内用户装不了 Chrome 商店,所以必须绕

    多数国内用户无法访问 Chrome 商店。因此额外提供免梯 zip + 油猴脚本版(覆盖 Via / Alook)。渠道是从用户真实约束倒推的必选项。

  6. 06商业化调研第一道门槛不是技术,是营业执照

    蓝兔支付已停止新签约;微信商户号要求企业/个体户主体。个人开发者做付费产品的第一道门槛是资质,不是代码。调研结论,尚未办理。

  7. 07增长受阻个位数用户,正在诊断为什么

    产品上线后用户量停留在个位数。正在对目标用户做访谈,定位真实阻力。

04 — 技能

技能

语言
PythonJavaScriptSQL
AI 应用
RAGGraphRAGAgent WorkflowMulti-Agent
后端
FastAPIRESTful APIJWTSSE
存储
SQLiteRedisNeo4jMilvusElasticsearch
部署
NginxDockerLinuxSystemd
05 — 简历

简历 一页版 · A4

一页版完整简历,可直接在页内预览;投递请下载 PDF 或在新标签打开。

06 — 联系

期待交流