AI 系统研究者
我在做的是能长期运行、可检查、可复现、且足够快的 Agent 系统。
我的工作介于研究与系统工程之间：长时运行的编码 harness、可监督执行平台、Rust 原生多 Agent 编排， 以及面向推理与 RAG 的效率和可靠性工具。
当前重点
- 带有显式规划、评估闭环和恢复能力的长时运行编码 Agent
- 面向真实工作区、可监督、可审计的 Agent 执行平台
- Rust 原生、类型化、多 Agent 工作流编排系统
研究重点
我在优化什么
长时运行 Agent 系统
把 planning、generation、evaluation、checkpointing 做成运行时的一等公民，而不是堆砌 prompt 技巧。
可靠的执行基础设施
让 Agent 能在真实项目目录里持续工作，留下可审计痕迹，并在人工监督下稳定推进任务。
推理与 RAG 效率
关注 tokenization、核函数、reranking 稳定性和证据治理，让大模型系统更快、更稳、更不脆弱。
重点项目
本次重点展示的三个近期项目
它们分别对应长时运行开发 harness、可监督执行平台和 Rust 原生多 Agent 编排。
codex-long-running-harness
面向长时运行应用开发的 Codex-first harness，强调 sprint 规划、评估闭环和 benchmark 快照。
- 把开放式应用开发拆成可检查的 sprint。
- 不走单次 prompting，而是显式规划器、生成器、评估器协同。
- 保存 benchmark 快照，让进展可度量、可复现。
TaskCaptain
面向真实工作区的可监督 Agent 执行平台，强调任务状态透明、运行过程可见、控制权本地优先。
- 让 Agent 在真实项目工作区中运行，并保留清晰任务状态。
- 显式管理日志、工件和配置边界。
- 把 AI 定位为可监督执行者，而不是仅会聊天的助手。
研究工程档案
支撑能力的既有研究工程作品
OverSearchGuard
面向 Agentic RAG 的冲突感知证据裁剪层，兼顾鲁棒性与 token 成本。
- 在生成前限制重复且低质量的证据刷屏。
- 无需微调即可建模可靠度与新鲜度。
- 同时提升准确率并显著压缩 token 开销。
FlashToken
面向低延迟 LLM 系统的 Tokenizer 端前缀缓存，在可复用提示上可达 27x-37x 提速。
- 在不改模型权重的前提下复用长提示前缀。
- 同时支持固定前缀和 append-only 对话流程。
- 保持 token 完全一致的同时获得大幅提速。
OrderGuard
通过置换边缘化降低 LLM 判题、重排和工具选择对候选顺序的敏感性。
- 在推理期把候选顺序视作干扰变量处理。
- 结合低方差置换调度与自适应 early-stop。
- 在 Qwen3 评测套件上带来稳定准确率增益。
Turbo-Softmax
面向资源受限 CPU 与 MCU 的高精度快速 Softmax C 内核实现。
- 使用面向 IEEE-754 的实现技巧适配通用 MCU。
- 在数值精度与吞吐之间做平衡优化。
- 体现了进入 Agent 系统之前的底层性能工程兴趣。
教育背景
教育经历
剑桥大学
预期 2026–2027 · 联合培养访问学生 · CSC 全额奖学金
电子科技大学
2024–2027 · 电子科学与技术硕士 · GPA 3.86/4.0 · A+
电子科技大学
2020–2024 · 电子科学与技术学士 · GPA 3.82/4.0 · A+
荣誉
荣誉与研究方向
IEEEXtreme
24 小时编程竞赛全球前 5%，2021。
荣誉学位
学院 Top 2，优秀毕业生。
研究主线
Agent 系统、评估基础设施、推理优化与可靠性导向的 RAG。