Zoro

我长期关注自然语言处理、知识图谱与大模型 Agent，也持续把模型、数据和界面组合成真正可运行的系统。

经历覆盖中文信息抽取、文本分类与情感分析、知识图谱构建、多源数据融合、RAG、工具调用和自动化工作流。相比展示职位与单位，我更愿意保留解决问题的方法：理解业务、整理数据、实现模型、接入系统，再用测试与反馈验证结果。

ZoroTreeking 是这些实践之外的一份长期记录。这里有 AI 学习、市场观察、摄影和徒步；既记录技术怎样工作，也记录人怎样理解变化。

• ZoroTreeking

  公开项目

  个人内容与数据自动化实验场，包含双语内容、AI 摘要、市场数据、摄影相册、徒步记录和自动部署。

• LLM Agent 与业务自动化

  近期实践

  围绕长文本理解、数据分析和报告生成搭建 Agent 工作流，覆盖检索、工具调用、结果校验与运行监控。

• 知识图谱与多源信息融合

  工程实践

  完成从文本抽取、实体关系建模、数据清洗融合到图数据库查询的完整链路，并服务于复杂信息分析。

• 中文 NLP 信息抽取

  算法实践

  处理事件抽取、命名实体识别、文本分类和情感分析等任务，积累数据构建、训练、评测与部署经验。

• 算法系统工程化

  持续积累

  把模型能力接入后端服务、数据管道和前端界面，关注稳定性、可维护性、边界条件与真实反馈。

• 📖
  《活着》— 余华

  生命本身的力量

• 📖
  《平凡的世界》— 路遥

  普通人怎样活出光

• 📖
  《明朝那些事儿》— 当年明月

  历史的必然与偶然

• 📖
  《雪中悍刀行》— 烽火戏诸侯

  故事里的人物弧光

• 让 LLM Agent 从演示走向稳定、可维护的真实工作流
• 从实现算法继续走向定义问题、设计方案与验证结果
• 长期记录技术、市场、摄影与徒步中的真实观察
• 保持数据驱动，也为不确定性留下空间

1. 基础积累
   学习计算机、机器学习与数据系统，形成算法与工程并重的基础。
2. NLP 实践
   从中文信息抽取、文本分类和情感分析开始处理非结构化信息。
3. 图谱工程
   将信息抽取扩展到知识图谱、多源数据融合与复杂关系分析。
4. Agent 工程
   转向大模型应用，实践 RAG、工具调用、任务编排、评测与监控。
5. 持续迭代
   建设 ZoroTreeking，并持续把学习、系统实践与真实世界记录在一起。