我是赖至伟（Zhiwei Lai），墨尔本大学生物信息学硕士，北京大学药学院理学学士（药学）。
我的学习和项目经历横跨生命科学与人工智能，目前主要关注大语言模型、AI Agent 与 AI for Science，重点方向包括医疗循证检索、Agent 后训练以及蛋白质与肽序列建模。
过去一段时间，我主要围绕三个方向做了较完整的项目实践：多智能体医疗循证问答与风险分诊系统、医疗 Deep Search Agent 后训练，以及基于 Protein Language Model 的抗菌肽计算发现系统。相比单纯堆叠模型组件，我更关注系统是否形成清晰的运行时边界、可追踪的实验链路，以及新增模块是否真正带来任务级收益。
面向健康咨询、风险分诊与循证研究场景，构建任务导向型医疗 AI Agent 系统，将复杂医疗问题拆解为检索、分析、风险判断与证据整合等不同任务。
系统以 Multi-Agent 协作为核心，结合 Hybrid RAG、Evidence Search、双层 Memory 与 Safety Harness，重点解决多 Agent 之间的职责划分、工具调用、证据引用与医疗安全约束。
项目更关注真实运行时能力：不仅要求组件“存在”，还要求检索、Memory 与 Safety 真正进入可验证的执行链路。
从医疗循证 Agent 中进一步拆出 Deep Search 后训练任务，重点研究模型在长程工具调用、证据检索、失败恢复与多步决策中的 Agent policy。
项目围绕 Agentic SFT、Recovery SFT 与 Agentic RL 构建完整后训练链路，并通过 trajectory、tool call、reward 与 controlled-failure evaluation 分析模型在真实 rollout 中的行为变化。
整个实验体系强调 local-first 与可复现性，在单卡环境下完成训练、消融、checkpoint lineage 与 formal evaluation。
面向抗菌肽计算发现，设计 Generate → Filter → Rank 三阶段建模框架，分别完成条件肽序列生成、AMP/非 AMP 判别与 MIC 活性排序。
Generator 使用 GPT-2-style Protein LM 与 Soft Prompt / Function Embedding，Sorter 结合 LoRA、SupCon 与 ArcFace 做参数高效判别，MIC 模块进一步探索 ESM-2 residue relation 与 GATv2 图表示。
项目通过严格的配对实验和 artifact audit 检查每个新增组件的真实贡献，而不是仅依赖更低的 loss 或更复杂的模型结构判断效果。
Email: zhiwei.lai@pku.edu.cn
GitHub: EdwardLaiPKU