陈灿旭

参与电子配件销售及售后业务相关的数据建设与 AI 训练数据项目，工作覆盖客服问答与 RAG 评测、电商售后图片识别与问题归因评测、多模态素材筛选、图片/视频结构化标注及图像理解模型回复评测。

• 整理电商客服问答、历史对话及知识库材料，将用户问题、召回材料和模型回答进行结构化处理，形成可用于智能客服 RAG 问答评测的数据样本。
• 对照用户问题、知识库材料和模型回复进行评测，判断回答是否命中用户意图，是否存在关键信息遗漏、材料依据不足、答非所问、无依据扩展或客服口径不一致等问题。
• 对异常样本进行原因标注，并根据业务规则改写部分参考回答，区分材料缺失、召回不匹配、模型遗漏关键点、用户表达不清等情况。
• 累计参与整理电商客服问答及 RAG 评测样本约 5000 条，覆盖商品咨询、规格适配、售后政策、物流异常、退款规则和售后处理等场景。
• 累计参与售后图片识别与问题归因模型评测约 7000 条，覆盖商品破损、包装异常、错发漏发、配件缺失、规格/颜色不符及证据不足等高频场景。
• 累计参与整理、标注及评测多模态样本约 1500 条，覆盖图片/视频质量筛选、视觉属性标注及图像理解回复评测。

负责粤语 ASR 转写结果普通话规范化，将粤语口语表达转换为自然、通顺的普通话文本，并按项目标注规范完成校对和一致性检查。

• 根据上下文修正方言词、口语词、语序差异、语义不完整及表达不顺等问题，保证转换结果准确、自然。
• 按项目标注规范完成文本校对和一致性检查，反馈常见转换问题，提升数据可用性。
• 累计完成粤语 ASR 转写结果普通话规范化及校对约 9000 条，协助提升方言语音转写数据的准确性、规范性和训练可用性。

整理电商客服问答、历史对话及知识库材料，将用户问题、召回材料和模型回答结构化处理，并围绕意图命中、召回相关、依据充分、回答完整和客服口径一致等维度进行评测。

• 按业务场景对用户问题进行分类，覆盖商品功能咨询、规格型号确认、物流异常、发货时效、退换货规则、退款规则及退款时效等高频问题。
• 汇总评测中的高频问题和缺失知识点，反馈用于补充 FAQ、优化知识条目表达，并协助统一智能客服与人工客服回答口径。
• 沉淀回答可采纳、需改写、材料缺失、召回不准、意图不清及口径不一致等常见判断原因。

基于 Dify Workflow 搭建评测规则库与售后业务知识库双知识库流程，统一处理用户问题、原召回材料和模型回答，核验回答是否符合业务规则和售后口径。

• 将人工 RAG 评测流程结构化，输出可采纳、需改写、不可采纳、人工复核四类初审建议，并自动生成错误归因、判断依据、改写建议和质检备注。
• 搭建 HTML 本地控制台，支持单条评测、CSV 批量处理、黄金集验证、问题统计和结果导出，并加入信息脱敏、版本校验及人工确认机制。
• 应用于实际 RAG 评测工作，将流程优化为“Agent 生成结构化初稿 + 人工复核”，使初审及复盘整理效率提升 50% 以上。

围绕电子配件售后场景，结合用户上传图片、问题描述、订单商品信息及模型输出结果，评测模型对售后问题类型的识别准确性。

• 核验模型对商品破损、包装破损、配件缺失、错发漏发、颜色/型号不符、使用痕迹明显、图片证据不足等问题的判断结果。
• 判断模型的问题归因和处理建议是否符合业务规则，识别证据不足直接下结论、责任归因偏差、漏判误判、无依据推断等异常情况。
• 汇总高频错误和典型案例，协助沉淀售后图片识别、问题归因、证据充分性判断及质检复核口径。

对图片及视频素材进行质量筛选、分类和结构化标注，并参与图像理解模型回复评测，判断回答在事实准确性、内容完整性、格式规范性和指令遵循方面是否符合要求。

• 根据清晰度、曝光、水印、主体完整度、画面稳定性及内容可用性，判断样本是否符合使用要求。
• 将图片区分为摄影类、绘画类等类别，将视频区分为实拍、动画及混合视频，并记录不合格或无法判断原因。
• 对内容遗漏、图像识别错误、属性描述不准确、未按用户指令回答、回答格式不规范及回答与图片内容无关等问题进行分类，并按要求补充或改写人工参考答案。