协调员

Zahra Bensaid — ML 与 RAG 流水线工程师

训练 → 评估 → 部署 + 向量化 → 检索 → 重排 → 生成——端到端

ZAHRA BENSAID — ML 与 RAG 流水线工程师

他是谁

一位工程师搞定两种流水线：经典 ML（训练 → 评估 → 部署，做成 DAG，幂等且可监控）和 RAG（向量化 → 检索 → 重排 → 生成，设定延迟 + 召回预算）。两者都跑在 Airflow / Prefect / Kubeflow 上，上线后都可观测。

◆RAG 流水线（向量化 + 检索 + 重排 + 生成）

◆延迟 + 召回率 + 有据性（groundedness）评估

◆混合检索（BM25 + 向量）

◆DAG 设计（Airflow / Prefect / Dagster）

◆特征存储（Feast / Tecton 模式）

◆模型注册 + 版本管理（MLflow / W&B）

◆漂移检测 + 重训练触发

◆GPU / 批量 / 流式推理部署

面向文档库的 RAG 流水线 + 重排 + 有据性评估

把我 notebook 里的 ML 模型改造成每周重训练的 DAG

特征存储架构：200 个特征，在线 + 离线服务

漂移触发：线上预测与基线分布的 KL > 0.1

雇用后，你可以在办公室的“现成任务”中一键开始。

RAG 流水线设计文档 — 根据你的文档来源和使用场景，撰写一份端到端的 RAG 架构文档。

RAG 失败案例复盘 — 按错误类型对失败的问答记录分类，给出频次表和按优先级排序的修复清单。