关于我们

我是 LJ 联合创始人兼CTO，你将主要和我一起合作。我在美国长大，曾在大厂和创业公司工作，后来来到光华读MBA。在Flexport时，我领导开发了处理约3亿美元GMV的物流基础设施，实现了每天处理10万+事件的数据管道和事件架构。在 Amazon 时，我在 audiobook 团队工作，使用AWS服务处理了1亿+ DAU 客户记录。我拥有卡内基梅隆大学的工程学士学位，现在在北京大学光华管理学院的MBA学位。

我们正在寻找约2名对AI应用感兴趣的软件工程师——主要工作是将非结构化数据转化为embeddings，用于vector databases，以实现RAG + LLMs。这是一个带薪实习机会。请将你的简历和相关信息发送至我的邮件 llj0824@stu.pku.stu.edu。以下是你会参与的项目信息。

1） 【中文】我们的客户是一家帮助中小企业改善运营的咨询公司，我们正在构建一个AI应用，为他们的顾问生成定制化建议，以服务各个企业客户。

技术栈:

- 后端: FastAPI + LLM集成 (Deepseek [生产环境], OpenAI [本地])

- 前端: React (Web) + IOS (Swift - 即将上线)

- 数据库: MongoDB用于用户交互, ChromaDB (vectordb)用于文档embeddings

- RAG: 不会用 framework，自己做。说实话，我觉得大多数 orchestration layers (langchain, haystack, llamaindex) 都会过时。

关键技术挑战:

- 协调复杂的RAG工作流，包括LLM路由、问题和行业分类、报告生成（基本上是为中国中小企业定制的DeepResearch）

- 尝试不同的chunking策略，以改进文档embeddings的检索，为LLMs提供更好的上下文。

2） 【英文】我们的客户是一家生物科技投资公司，我们正在与他们及其内部科学家合作开发一个科学研究 Agent。

一个自主 agent，旨在分析研究趋势，并为临床前试验公司的投资决策提供信息。

技术栈:

- 后端: FastAPI + LLM集成

- 前端: Next.js

- 数据库: MongoDB 6+用于用户交互, ChromaDB (vectordb)用于文档embeddings, Knowledge Graph (Neo4j)用于生物关系

3） 【中文/英语】Autonomous Marketing Agent

我们自己正在构建一个软件，用于监控特定领域的KOLs，该应用通过直接将各种软件工具应用于tweet内容来展示其价值，从而识别展示这些工具的机会。

技术栈:

- 后端: FastAPI + LLM集成 (Deepseek [生产环境], OpenAI [本地])

- 前端: React (Web) + IOS (Swift - 即将上线)

- 数据库: MongoDB用于用户交互, ChromaDB (vectordb)用于文档embeddings

- RAG实现: 自定义retrieval。说实话，我觉得大多数orchestration layers (langchain, haystack, llamaindex) 一年内都会过时。