项目｜李鹏斌
六个项目集中展示我在智能体编排、RAG 质量、安全控制、评测体系与深度学习应用方面的实践。
Trip Planner｜AI 旅行规划系统
2026.06
面向中文用户的 AI 旅行规划系统，将快速行程生成、目的地深度研究、浮动聊天助手、地图与天气增强、 历史管理以及 Markdown/PDF 导出组合为完整闭环。
技术栈： Vue 3 · TypeScript · FastAPI · LangGraph · ChromaDB · Redis · SQLite · RAG
项目亮点
- 设计 Destination Intelligence 深度规划 Agent，包含章节规划、联网检索、证据总结、反思补查和来源追踪；8 份真实报告平均生成 5 个章节、约 103 条来源、84 个独立 URL，平均耗时约 33 分钟，保存产物完成率 8/8。
- 实现 Report Itinerary Agent，通过章节切块、LLM 结构化抽取、质量门控、缓存指纹和断点续跑，将深度规划 Markdown / 历史报告转换为前端可消费的 itinerary。
- 基于 LangGraph 构建 Ask / Search / Research / Update 多分支聊天状态机，支持行程问答、实时查询、多步骤研究、方案比较、风险核查和自然语言改行程。
- 使用 SQLite 构建带 session / trip 作用域的长期记忆系统，并在 Chroma 不可用时自动降级为关键词检索。
- 优化 RAG 检索链路，离线消融中 Top-1 命中率由 53.3% 提升至 93.3%，Top-K 达到 100%，跨目的地污染片段由 17 降至 0。
- 为 RAG、地图、地理编码、路线估算和天气查询接入 Redis 缓存，并设计 Redis 不可用时的优雅降级。
- 参考 tau3-style harness 建立评测与回归体系；最近一次 real LLM + real tools 全量评测覆盖 116 个 case、126 个 turn，核心指标均达到 100%。
- 通过 SSE 流式响应将慢搜索模拟中的首反馈平均延迟由 0.4145s 降至 0.0052s，下降约 98.7%。
企业级 Java AI Agent 平台二次开发
2026.06 – 2026.07
基于 java-up-up/super-agent 持续优化，在保留企业级 Agent、RAG、文档治理与管理后台能力的基础上， 补齐工具扩展、检索闭环、评测、安全、可观测性与引用追踪能力。
技术栈： Java · Spring AI Alibaba · RAG · Neo4j · Redis · Kafka · pgvector · Elasticsearch
项目亮点
- 基于 Spring AI Alibaba ReactAgent 设计可插拔企业级 Tool Registry，并接入 MCP Adapter、工具启停、超时、配额、审计与异常降级。
- 使用历史 Trace 与人工 golden set 构建 RAG 离线评测，覆盖 Recall@K、MRR、nDCG、引用命中率和耗时，支持检索、重排与 Prompt 版本对比。
- 增加最多一次的有界迭代检索闭环：证据充分性判断 → 查询补全 → 二次召回 → 证据合并，并通过 Trace 与离线评测验证效果。
- 为 RAG 与联网搜索增加 Prompt Injection 防护和引用一致性校验，实现外部证据不可执行隔离、风险检测与答案引用回溯。
MyAgent｜防御性安全评估智能体
2026.05 – 2026.06
基于 PI Agent 二次开发的 TypeScript CLI/TUI 智能体，在代码、命令、会话和多模型能力之上， 新增面向授权防御性安全评估的子代理、范围控制、长期记忆和报告能力。
技术栈： TypeScript · Node.js · PI Agent · CLI/TUI · Multi-Agent · Security Guardrails · Vitest
项目亮点
- 在会话启动链路中识别安全请求，并动态注入安全模式 Prompt、工具集和上下文记忆。
- 要求用户明确目标资产、允许动作、授权目的和有效期限后，才允许执行主动验证。
- 将任务拆分为资产发现、攻击面分析、PoC 研究、风险评估、修复建议和报告生成，并通过 step / iteration plan 控制边界。
- 扩展 Asset Discovery、Attack Surface Analysis、PoC Research 三个专用子代理。
- 增强被动情报、受限爬取、CVE/NVD/Exploit-DB/MITRE 归一化、安全记忆、网页分析与 Markdown/JSON 报告工具。
- 使用 Vitest 覆盖意图识别、授权过期、工具注册、记忆持久化、委派、人工确认和报告生成。
Paper Humanizer Skill｜中英文学术文本人性化润色工具
2026.01
面向中英文学术写作的 Claude Code Skill / Python CLI，在严格保护事实、数据、引用、结论和专业术语的前提下， 弱化模板化 AI 写作痕迹，提升自然度与投稿可读性。
技术栈： Claude Code Skill · Python CLI · Prompt Engineering
项目亮点
- 设计中英文学术润色 Prompt、用户模板、语气配置与四段式标准输出。
- 构建 AI 痕迹短语黑名单，降低模板化表达。
- 加入严格事实保护约束，避免数值、结论、引用和专业术语在润色中失真。
- 提供 Python CLI 与示例数据，支持批处理和标准化 Prompt 生成；简历发布时 GitHub Stars 为 96。
AutoPentest-XL｜自主渗透测试多 Agent 平台
2026.01 – 2026.02
面向授权渗透测试的自主化平台，基于 PDEF（感知—决策—执行—反馈）闭环组织资产侦察、漏洞分析、 利用尝试、权限提升与失败反思，并结合 RAG、图状态与安全围栏提升执行效率和可控性。
技术栈： Python · LangGraph · LangChain · ChromaDB · Neo4j · Docker · Scapy
项目亮点
- 基于 LangGraph + PentestState 解耦 Commander / Scanner / Exploiter / Privesc / Reviewer，并支持反射重试、上下文压缩、动态路由和人工接管。
- 使用 ChromaDB 存储工具规范与漏洞知识，Neo4j 维护拓扑、攻击路径与长期记忆，支持 CVE 检索和 GTFOBins 映射。
- 通过 CIDR 越界校验、危险命令拦截、Reviewer 审核和 Docker 隔离，确保执行限定在授权范围。
- 引入忠实度评估、OpenTelemetry 与 Prometheus，监控 Token、耗时和利用成功率。
日本仙台市城市卫星图像语义分割
2024.08 – 2024.09
使用 Python、PyTorch、ViT 与 OpenCV 处理仙台市卫星图像，通过 LoRA 微调完成高分辨率语义分割， 识别道路、植被、建筑和车辆，为城市规划和灾后应急分析提供支持。
技术栈： Python · PyTorch · Vision Transformer · LoRA · OpenCV
项目亮点
- 完成面向真实遥感场景的数据预处理、标注、增强、微调与语义分割流程。
继续交流
如果你正在寻找 AI Agent、RAG、AI 安全或应用型 AI 方向的合作伙伴，欢迎查看完整简历或直接联系我。