面向课程提供的运营商客服对话数据约8000条，按7:1:2划分训练验证测试集。我负责数据清洗、类别平衡与模型选型，使用Python与HuggingFace Transformers微调BERT-base完成意图分类，并对比TextCNN与BiLSTM-CRF的槽位填充效果。组织3人分工与每周同步，最终课程测试集意图准确率0.89、槽位F1 0.82，撰写实验报告并完成答辩展示，积累了文本分类与序列标注的完整建模经验。

为熟悉大模型应用链路，个人搭建基于RAG的文档问答原型，使用Python、LangChain与FAISS，将约200页PDF切分并向量化，调用开源7B模型生成答案。在自建50题测试集上，回答可用率从纯提示的62%提升至80%。我进一步整理检索失败案例与优化方向，形成可复现实验记录，加深了对检索增强生成与提示工程的理解。