针对大语言模型在 Text-to-SQL 任务中“生成能力强、选择能力弱”的问题，提出 DPC（Dual-Paradigm Consistency）框架，将候选选择从“概率猜测”转化为“确定性验证”。采用多智能体协同方法，通过对抗性反馈循环合成「最小区分数据库（MDD）」，利用 SQL 与 Python 在执行逻辑上的互补性构建独立于模型的先验参考锚点。作为即插即用模块集成至 DAIL-SQL、CHESS 等 SOTA 系统，实现平均 1.8% 的准确率提升。本人作为第二作者，负责多模型多系统实验执行、案例深度分析及论文修改。
基于大语言模型构建 NL2SQL 转换框架。生成阶段通过多语言及多数据库方言提示工程系统化构建多样化 SQL 候选集；选择阶段设计了基于语法树解析的一致性投票算法，利用查询结构而非执行结果进行筛选。在 BIRD-dev 数据集上执行准确率相比传统 Self-Consistency 提升约 4%，验证语法结构信息在选择模块中的有效性。
复现指令反演与质量自筛选闭环的自对齐方法：利用 LoRA 对 Qwen2.5-3B-Instruct 进行参数高效微调，在 OpenAssistant-Guanaco 数据集上训练反向模型（response → instruction），仅训练 0.2% 参数量完成微调。从 LIMA 数据集采样回答，通过反向模型生成伪指令，构建（指令，回答）候选对；使用基座模型作为评判器并进行 few-shot 质量评分（1–5 分），筛选高质量子集再次 LoRA 微调。全流程无人工标注，显著提升基座模型响应质量。
为开源项目 AnkiDroid 贡献“选择题模式”与“学习报告”模块。设计用户行为采集模块，收集卡片评分、学习间隔、状态时长等多维数据，通过 JSON 序列化上传后端。使用 Flask 构建 GBM 模型推理 REST API，部署至云服务器；设计特征工程流水线提取 memory_strength、review_interval、cognitive_load 等关键特征。前端动态调取推理结果，实现从行为采集、特征工程、远程推理到个性化建议生成的完整闭环，并支持动态端点配置及本地调试。
基于 K3s / Kubernetes 搭建多租户资源管理平台，设计 Namespace + RBAC 权限体系，实现Admin、Developer、Viewer 多级访问控制及租户间权限隔离；使用ResourceQuota、LimitRange、NetworkPolicy 实现计算资源与网络隔离，并编写自动化脚本完成 Namespace、ServiceAccount、RBAC、Kubeconfig 等租户环境的一键创建；基于 Flask + Kubernetes Python Client 开发 Web 管理平台，并使用 Docker Compose 完成容器化部署与完整功能验证。
统筹招新与日常排练，独立策划并举办专场音乐会，负责场地协调、节目编排及全流程宣传，推动校内外民乐交流。
协助破冰及团队活动设计，引导国际学生融入校园文化，高效处理现场突发状况，强化跨文化沟通能力。
参与国家级赛事开幕式志愿服务，保障现场流程顺利，锻炼大型活动协作与应变能力。
