刘旭

• StateGraph 双工作流编排：导入链路 MinerU 解析 → LLM 主体识别 → BGE-M3 向量化 → Milvus 入库；查询链路意图识别 → Rerank 精排 → 流式生成。条件边按文档类型动态路由，并行分支使检索吞吐提升 30%。
• Tool-Calling 主体确认 + HITL 反向短路：改造固定工作流为 Agent 模式，LLM 自主调用主体名称检索、反问、拒绝三类工具并执行多轮 tool_calls 循环；条件路由支持短路直达回答节点，跳过不必要检索。
• 多路召回与重排：BGE-M3 同时产出 dense + sparse 向量，Milvus 内加权融合实现语义 + 关键词双路召回；HyDE + Few-shot 构造假设性文档缓解单路遗漏；Reranker 重排后按分数骤降点截断干扰文档。
• Active RAG 降噪：检索结果打分，相关 chunk 不足时触发 query 重写 + 回边重检索，仍不达标走 MCP 兜底——宁可返回空结果，也不把低质上下文注入模型。
• RAGAS 量化评估闭环：忠实度、答案相关性等五项指标搭自动化批量评估流水线，结果反向驱动分块策略与检索权重调优。
• 长期记忆插件：摘要（≤150 字）入库 + 阈值过滤（余弦相似度 < 0.45 丢弃）+ 全链路降级，非侵入接入，任一环节失败均不阻断主问答。
• 匹配逻辑澄清：用数学阈值规则 top1 ≥ 0.85 且 gap ≥ 0.10 替代模糊自然语言，约束 LLM 机械执行，规避「唯一匹配」理解偏差造成的误触发。

仓库链接：待补 — README 首屏放 RAGAS 评测表与 30 秒演示

• 线性工作流 + 开放工具选择：意图分类 → 取数 → 指标计算 → 异动检测 → 下钻归因 → 报告生成共 11 节点；只在工具选择处开放自主决策，避免拆多 Agent 带来的上下文互相污染。
• 41 项指标口径字典 + 确定性计算：所有数字由 SQL / pandas 复算，模型只负责解释与归因；口径写进字典，任何一次回答都能追溯到同一条定义。
• 异动检测与下钻归因：周环比 + 近 4 周同星期基线（z > 2 判异动）；按菜品 / 时段 / 门店 / 渠道 / 新老客五维下钻算贡献度取 top3，结论逐条回挂贡献度明细行。
• 受限图表 DSL：JSON Schema 校验 ECharts option，12 种类型白名单，字段名必须来自查询列名——把「模型画错图」变成「模型没资格画错图」。
• 工具集与执行可靠性：17 个 Function Calling 工具，JSON Schema 定义入参出参并做非法值兜底；查询类统一超时、幂等与失败降级，单工具异常不中断整轮对话。
• 安全与可观测：接入层 Redis 限流，执行层入参白名单拦截跨门店越权，输出层手机号 / 地址脱敏；全链路日志携带 request_id，错误能定位到「路由错 / 工具错 / 生成错」具体一层。
• 评测驱动迭代：80 条人工标注问答集回归（LLM-as-a-Judge + 人工抽检），6 个模板化技能（经营报告、异动归因、排名分析、活动复盘、备餐计划、异常预警）每次改动后重跑。

仓库链接：待补 — 数据为 90 天自造流水，评测集与脚本随仓库提供