PROJECTS / 03

项目经历

从问题识别、方案推进到结果验证，记录每个项目中的执行与收获。

INTERNSHIP · 2026小荷健康医疗知识与智能体工作流
01

医疗大模型数据运营实习生

字节跳动实习生

药品知识库：面向药品知识库更新及分层治理需求，参与设计多 Agent 自动化工作流，实现高流药品定期自动化盘点，治理名单说明书自动寻源，并结合 VLM、OCR 实现药品说明书机标、校验，生产准确率达 90%，整体生产成本降低约 60%。

  • 安全知识生产：针对同通用名药品安全知识调用需求，基于更新说明书设计自动生产与 Merge 流程，对说明书知识进行归并、一致性校验与冲突识别；将高危、易错及冲突内容路由至人工复核，并结合质检与错误 Case 分析持续优化。
  • 诊疗指南结构化：参考 CPG-on-FHIR 方法论，将复杂诊疗指南抽象为适用场景、输入要素、触发条件及推荐动作，探索将专家知识转化为可结构化、可调用、可验证的大模型知识能力，支持医疗问答及辅助决策场景。
知识治理Multi-AgentVLM × OCRCPG-on-FHIR
医疗智能助手 · 网页端在线访问
02

系统构建

医疗知识问答 Agent

针对传统单 Agent 面对复杂症状时，难以兼顾多角度分析、医学知识检索与工具调用，且容易出现问题拆解不充分、回答依据不透明、上下文丢失及医疗安全边界不足的问题，设计多 Agent 医疗问答系统。

  • 架构与检索：上层构建 3 个专业 Agent，下层构建 9 个原子 Skills，基于 MilvusLite 和 BGE 中文向量模型实现临床指南、ICD-10 等医学知识的 RAG 检索。
  • 执行与协作：基于 ReAct 实现自主工具调用，通过调用次数和输出校验约束执行过程；按问题复杂度动态路由单 Agent 或 Swarm，并利用共享上下文和 SQLite 会话记忆支持连续追问。
  • 工程化部署：接入 DeepSeek API，基于 FastAPI 封装 Agent 服务并部署至腾讯云，实现网页端在线访问与多轮对话。
Multi-AgentRAGReAct动态路由SQLiteFastAPI腾讯云
在线体验医疗 Agent
CHARM-DicU 双域降噪框架
03

算法研究

磁粒子成像低浓度重建算法研究

研究背景：针对低浓度FFL-MPI中高次谐波严重衰减，且易受设备背景干扰与结构化噪声污染，导致重建伪影和检测可靠性下降的问题，开展低信噪比谐波测量恢复与图像重建研究，以提升重建图像质量。

  • 模型方法：基于PyTorch构建CHARM-DicU跨谐波双域字典展开框架，利用谐波结构相关性，以低次谐波为先验恢复退化的高次谐波信号；引入选择性谐波门控自适应融合跨谐波信息，并通过可微反投影实现测量域与图像域联合优化。
  • 相关成果已汇总成论文投稿至 Biomedical Signal Processing and Control （第一作者，中科院二区）
PyTorchFFL-MPI双域降噪
Radiometer China
04

实习经历

Radiometer PM Intern

竞品分析与市场调研：梳理血气分析仪市场竞争格局，多渠道收集并拆解 Werfen、Siemens 及理邦等 23 款核心竞品的产品参数与推广策略。针对二级／三级医院市场规模，以及 ICU、ER 等核心科室输出差异化洞察报告。

  • 数据驱动策略优化：深度清洗并处理 2000+ 条历史销售数据，分析不同区域市场竞品表现向好的核心驱动因素。结合真实业务场景，确立产品“速度快、结果准”的核心竞争壁垒。
  • 产品包装与销售赋能：基于 FAB 法则，将器械参数转化为直击客户痛点的营销话术。协助组织血气针销售中国区 Workshop，为一线销售团队提供专业培训与物料支持，提升产品核心优势的转化效率。
竞品分析数据分析售前支持
数学建模项目分析
Honorable Mention 证书
05

数学竞赛

美国大学生数学建模大赛

作为队长带领团队共同完成赛题，并获 Honorable Mention 奖项。

  • 构建 ESIP 评价、PCA-KMeans 聚类、系统动力学模型，量化奥运会对主办国的综合影响，完成 31 国主办潜力分类与差异化方案输出。
  • 调研 IOC 政策与奥运行业生态，结合技术原理落地 ToG 级产品策略，完成可行性验证。
  • 搭建数据指标监控体系，提炼各国主办核心需求并划分优先级，输出官方决策备忘录。
数学建模机器学习团队合作
Cambridge AI+ 项目结业证书
Cambridge AI+ 项目评估报告
06

AI × Drug Discovery

Cambridge AI+ 学术项目

完成课题《大型制药公司如何将 AI 运用于药物发现》，识别出 3 类高潜力药物分子簇。

  • 通过 RDKit 计算药物分子 MACCS 指纹特征，构建 DNN 网络预测药物 ADMET 特性。
  • 将分子转化为加权无向图，通过图切割算法聚类为 12 个簇，分析各簇平均指纹与 ADMET 特性。
RDKitMACCSDNNADMET