关于我
先看业务问题，
再谈模型。
AI 工程师与自动化顾问，构建能在生产环境中站得住脚的 LLM 智能体、RAG 流水线和语音系统，而不只是演示。 每一个系统都从一个运营问题开始，再倒推到能消除它的最小架构。
我对这份工作的看法
演示很容易，生产才是工作。
大多数 AI 项目死在 notebook 与部署之间。我构建的是能活下来的那部分：评估、兜底路径、可观测性，以及真实用户上来之后依然稳定的系统。
先看业务问题，再谈模型。
我交付的每一个系统都从一个运营痛点开始：线索烂在收件箱里、客服队列爆掉、知识锁在 PDF 里。然后我从那里倒推，找到能消除它的最小架构。
全栈，从头到尾。
在 LangGraph 里做智能体编排，用混合检索做信息召回，FastAPI 后端，React 前端。一个人负责整个系统，交接处不会掉东西。
同一套循环，
用在每个系统上。
无论是一份工作、一个客户项目，还是独自交付的东西。步骤不变，变的只是每一步花多久。
I work directly with you on architecture and implementation. Scope, responsibilities, and any additional contributors are agreed before an engagement starts.
- 01
理解
在碰模型或框架之前，先弄清真正的问题和它的约束。产出是：生产环境到底要求什么，有一张清晰的图。
- 02
设计
系统架构、模型选择和数据流，在写任何代码之前想清楚并写下来。
- 03
构建
面向生产的实现，按短周期迭代推进，早早对照真实输入而不是合成数据做验证。
- 04
交付
部署、监控、留下文档。没有黑盒，交接处也没有缺口。
- 05
改进
上线后持续评估与调优。系统在生产中会变好，而不是变差。
任职经历用于介绍专业背景。独立服务与雇主无关，不代表雇主赞助或认可。
工作经历
从企业，到产品，到 AI。
五段经历，各自承担同一条演进路线上的不同部分：理解企业系统是怎么建起来的，学会用产品的方式思考，然后动手构建 AI 系统本身。
为企业场景构建达到生产标准的生成式 AI 与智能体 AI 系统，重点是能在真实负载下保持可靠的系统，而不是实验性原型。
关于 In Time TecGlobal AI & software partner
A global technology partner trusted by enterprise clients across the US, built on a rare promise: ROI, or they don't get paid.
- 用 LangGraph 与 FastAPI 构建生产环境的智能体 AI 与 LLM 应用
- 在 LlamaIndex 与 Qdrant 上设计带混合检索与有据生成的 RAG 架构
- 在 Python、Azure AI 与 Redis 上构建可扩展的 AI 智能体，带有状态的流程编排
- 落地 AI 安全与可靠性机制：个人信息脱敏、内容安全、越狱检测
- 通过可观测性与并行执行改进生产系统
教育背景
工学学士，计算机科学
JK Lakshmipat University, Jaipur
高中毕业，物理、化学、数学
Delhi Public School, India
初中
St. Anselm's Pink City Sr. Sec. School
我怎样与团队协作
我与国际团队远程协作，并在项目开始前商定工作时间和沟通方式。
提供独立的 AI 咨询与开发服务.
一次合作是怎样推进的
大多数合作从审计开始，因为一个范围固定、边界清晰的第一步，才让更大的第二步变得可决策。下面的内容不是套餐：分阶段是为了让你能想象出它的形状，而范围会在双方作出承诺之前写下来。
- 01
Audit
Scope agreed first · 通常的起点
A fixed-scope look at the workflow you want automated or the AI feature you want built: what the data actually looks like, which parts genuinely need a model, which parts are better off deterministic, and what production would cost to run.
你会得到
A written architecture and a build plan you own, whether or not the build happens with me. - 02
Build
Milestones agreed together
Implementation in short iterations against real inputs, not synthetic ones. You see working software every week, and the architecture from the audit is the thing being built, so scope arguments happen on paper rather than in code.
你会得到
A deployed system, its evaluation harness, and documentation someone else on your team can pick up. - 03
Run
Support by agreement
The part most AI projects skip. Models drift, prompts rot, upstream APIs change their output shape, and a pipeline that was accurate in month one is quietly wrong by month four unless someone is measuring it.
你会得到
Monitoring, evaluation runs, and a monthly note on what changed and what it cost.
我不承接的部分
有四件事出现得够频繁，值得直接说出来。这些都不是对那类工作本身的评价，而是别人会做得比我更好的地方。
- 从零训练模型
- 在值得的地方做微调，可以。预训练一个基础模型是另一门学科、另一种预算，而告诉你这是某个业务问题答案的人，通常是在卖那次训练本身。
- 背后没有系统的聊天机器人
- 把一个 API 包进聊天窗口，一个下午就能做完，也解决不了任何长久的问题。真正值得付费的是检索、评估和围绕它们的运维，而那些永远上不了线的演示，恰恰就栽在这里。
- 只做设计或品牌
- 这里的界面是为了让系统可被读懂而做的，不是为了拿设计奖。如果交付物是品牌体系或视觉识别，你需要的是一家设计工作室，构建也会因此更好。
- 按小时补人力
- 合作以结果划定范围，背后有一份写下来的架构。在待办列表上开一个长期席位是一项真实的服务，也是合理的采购；只是不是这一项。