大一升大二暑期实习 | AI研发工程师 | 智能广告审核系统
这是我作为 AI研发工程师 实习期间的技术学习与实践记录，共计 46篇 技术日志，涵盖：
| 领域 | 内容 |
|---|---|
| AI/LLM | 多模态模型、ReAct架构、提示词工程、工具调用 |
| Docker | 容器化部署、显存优化、镜像配置 |
| Python | FastAPI开发、异步编程、性能优化 |
| 系统设计 | 智能审核系统、规则解析器、数据验证 |
在为期三个月的实习期间，我参与了企业级智能审核系统的研发工作，旨在重构传统的广告审核流程。
在医疗器械、保健食品等特殊领域，广告内容的合规性审核具有很强的专业性和复杂性。传统的人工审核模式面临着：
- 效率低下：人工逐条审核耗时耗力
- 标准不统一：不同审核员判断标准存在差异
- 难以规模化：业务增长时审核能力无法快速扩展
项目经历了三个关键阶段：
阶段一：基础功能构建
- 实现 OCR 和基础图像分析功能
- 遇到显存管理、准确率和性能问题
阶段二：架构重构与优化
- 设计智能显存管理系统
- 引入多模态 AI 模型
- 实现异步处理框架
阶段三：智能化升级
- 实现基于 ReAct 的决策系统
- 模拟人类专家思维方式进行多步推理和验证
| 指标 | 成果 |
|---|---|
| 显存使用峰值 | ↓ 75% |
| 处理成功率 | 99.9% |
| 系统准确率 | ↑ 95%+ |
| 响应时间 | 小时级 → 分钟级 |
- 智能显存管理：通过实时监控和动态调整，显存使用峰值降低 75%，处理成功率达 99.9%
- 多模态 AI 集成：结合视觉和语言模型，系统准确率提升至 95% 以上
- 异步处理框架：通过并行处理和资源池化，响应时间从小时级降至分钟级
- ReAct 决策机制：结合思维链和工具调用，实现复杂场景下的多步推理，模拟人类专家决策过程
- 提示词工程：设计结构化提示模板，实现精确的指令控制和输出格式化
- 工具调用：构建可靠的工具调用机制，处理边缘情况和容错机制
- 多模态分析：实现图文一体化分析，提取关键信息并进行交叉验证
- 规则解析器：设计高效灵活的规则解析系统，将法规文本转化为结构化数据
- 大文本处理：实现智能分段算法，处理超长文本的内容理解和上下文维护
- 规则模型设计：基于 Pydantic 构建类型安全的数据模型，实现自动验证
- 性能调优：实现多级缓存、并行处理和资源池化
- 错误处理：设计多层次异常捕获和优雅降级策略
- 数据迁移：设计数据结构优化和迁移方案，降低存储空间并提升处理速度
Docker 与环境配置 (8篇)
| # | 标题 |
|---|---|
| 2 | Docker与Conda环境配置 |
| 3 | Docker生态系统与开发环境配置 |
| 4 | Docker环境配置优化：镜像源与网络配置 |
| 5 | Docker环境配置与最佳实践 |
| 6 | Langchain-Chatchat项目的Docker化部署 |
| 7 | Docker容器化部署实践 |
| 17 | Docker显存优化与异步编程实践 |
| 27 | Docker性能调优实践 |
Python 工程实践 (8篇)
| # | 标题 |
|---|---|
| 8 | Python虚拟环境与开发环境配置 |
| 9 | Python跨平台开发与依赖管理 |
| 10 | Mac环境下的Python虚拟环境与FastAPI部署 |
| 18 | API服务器配置与版本控制 |
| 20 | Python企业级应用开发实践 |
| 28 | Python数据分析与自动化 |
| 29 | 实时数据处理与优化实践 |
| 30 | 异步操作与资源管理优化 |
AI/LLM 应用开发 (12篇)
| # | 标题 |
|---|---|
| 0 | 深度学习模型优化实践：显存管理与动态批处理 |
| 19 | AI场景开发与性能优化 |
| 24 | 视觉识别与LLM优化：多模态分析 |
| 31 | 多模态模型与广告分析 |
| 33 | ReAct架构与推理实践 |
| 34 | GPU资源管理与优化 |
| 35 | ReAct技术选择指南 |
| 36 | 智能法规审核系统：模块化设计 |
| 37 | 基于LLM的广告审核系统 |
| 40 | 保健食品广告智能审核系统 |
| 41 | 构建可靠的LLM工具调用系统 |
| 44 | 基于Pydantic的规则模型设计 |
广告审核系统 (6篇)
| # | 标题 |
|---|---|
| 21 | 保健食品广告自动审查系统 |
| 22 | 数据验证与模型优化实践 |
| 25 | 广告审核与模型训练 |
| 26 | 多模态广告审核系统：ReAct架构 |
| 42 | 规则解析器的设计与演进 |
| 43 | 大规模法规文本的智能分段处理 |
虚拟化与环境 (7篇)
| # | 标题 |
|---|---|
| 11 | 虚拟化技术与系统架构选择 |
| 13 | VMware Fusion虚拟机的创建与管理 |
| 14 | 网络配置与远程开发环境 |
| 15 | 虚拟机网络配置与开发工具链整合 |
| 16 | ARM虚拟机部署与PDF处理优化 |
| 23 | Mac开发环境与网络配置 |
| 32 | 网络代理技术解析：TUN模式 |
图像处理与其他 (5篇)
| # | 标题 |
|---|---|
| 1 | 图像对比系统优化 |
| 12 | 图像对比系统的自适应内存管理 |
| 38 | Python与百度地图API集成 |
| 39 | 自动化小区分析实践 |
| 45 | 规则结构的优化与简化 |
完整日志列表 (46篇)
本仓库中的日志按时间顺序编号，但可以根据以下主题分类阅读：
本仓库使用知识图谱组织技术内容，帮助在不同概念和技术之间建立连接，覆盖以下核心领域：
- ReAct 架构
- 模块化系统设计
- FastAPI 应用开发
- 提示词工程
- 工具调用
- 多模态分析
- LLM 输出解析与后处理
- 规则解析
- 数据模型
- 文本处理
- JSON 处理
- 性能优化
- 错误处理
- 缓存策略
- 数据迁移与重构
- 异步编程模式
- 测试策略
- 日志与监控
- 代码组织与设计模式
- 版本管理与演进
详细内容：
通过这段实习经历，我的技术能力得到了显著提升：
| 方向 | 成长 |
|---|---|
| AI应用开发 | 从基础模型应用到复杂系统集成 |
| 系统架构设计 | 从单一功能实现到模块化、可扩展架构 |
| 性能优化 | 掌握内存管理、并发控制、资源调度等核心技术 |
- 开发流程：掌握需求分析、架构设计、开发测试的完整流程
- 质量保障：建立健全的测试、日志和监控体系
- 持续优化：通过数据驱动的方法持续改进系统性能
- 领域知识：深入理解广告审核领域的专业知识和法规要求
- 价值转化：将技术创新转化为业务价值，提升效率和准确率
- 用户视角：从用户需求出发，优化系统交互和体验
Technical learning records from my internship as an AI Development Engineer, containing 46 technical logs.
During a three-month internship, I participated in developing an enterprise-level intelligent review system for advertisement compliance in specialized fields like medical devices and health foods.
| Phase | Focus |
|---|---|
| Phase 1 | Basic OCR and image analysis, facing memory and accuracy challenges |
| Phase 2 | Architecture restructuring with intelligent memory management and multimodal AI |
| Phase 3 | Intelligence upgrade with ReAct-based decision system |
| Metric | Result |
|---|---|
| Peak Memory Usage | ↓ 75% |
| Processing Success Rate | 99.9% |
| System Accuracy | ↑ 95%+ |
| Response Time | Hours → Minutes |
LLM Applications
- Prompt engineering with structured templates
- Reliable tool calling mechanisms with fault tolerance
- Multimodal analysis for text-image integration
Rule Processing
- Efficient rule parsing system for regulatory texts
- Intelligent segmentation for large text handling
- Type-safe data models with Pydantic
System Optimization
- Multi-level caching and parallel processing
- Graceful degradation strategies
- Data structure optimization and migration
- Email: 1436286758@qq.com
- GitHub: PDGGK