项目
LLM 系统、AI Agents、Medical AI 与 AI for Science 方向的代表项目。
多智能体医疗循证问答与风险分诊系统
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。
主要工作
- 构建面向健康咨询、风险分诊与医学研究工作流的任务路由。
- 引入 Agent 级能力策略，控制各 Agent 可访问的医疗与 Memory 工具。
- 实现结合 Dense Search、BM25 与 Reciprocal Rank Fusion 的 Hybrid RAG。
- 集成 Redis 短期 Memory 与基于 Mem0 的长期 Memory。
- 加入路由前风险筛查与最终回复安全校验。
医疗 Deep Search Agent 与 Agentic 后训练
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。
主要工作
- 设计多步医疗证据获取的 runtime contract。
- 定义结构化工具观察、证据元数据与 fatal-error 边界。
- 构建 Agentic SFT、Recovery SFT 与 Agentic RL 的数据契约和训练流程。
- 设计涵盖工具轨迹 SFT、分组 rollout 与 Fatal-Aware GRPO 的训练路径。
- 采用 local-first 架构开发，并保留可扩展训练组件。
基于 Protein Language Model 的抗菌肽计算发现系统
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。
主要工作
- 基于 GPT-2-style Protein LM、Soft Prompt 与显式 Function Embedding 构建条件肽序列生成模块。
- 探索 LoRA、SupCon 与 margin-based classification 在抗菌肽判别中的应用。
- 结合序列表征、残基图与蛋白质 embedding 进行 MIC 预测。
- 围绕 Generate → Filter → Rank 组织生成、判别与活性排序三个独立计算模块。