Code-Reviewer SubAgent：开发基于 Git Diff 的审查脚本，对照 design.md 自动检查接口签名、错误码等契约一致性，输出三档结果，替代全文件读取，单次审查 Token 消耗降低约 40%。
API 自愈：负责 P4 API 测试失败自愈链路的日志采集脚本开发，实现 trace-id 自动提取与 CLS 日志拉取，为 Debugger SubAgent 提供结构化上下文并辅助生成故障诊断报告，实现"请求失败 → 自动拉取日志 → 生成诊断报告"的自动化闭环。
Context & Token 优化：优化 Agent 上下文加载机制，通过索引式按需检索、Git Diff 增量读取与 SubAgent 上下文隔离降低无效上下文占用。
Knowledge Base：按四类标记将变更增量合并至项目知识库，避免全量复制导致的知识膨胀，使历史经验可被后续 Agent 复用。
Quick 模式：小改动跳过完整阶段，只保留需求直取 + 只读代理评估 + 单文件闭环 + checklist 断点续跑，同时保留五道门禁。
指标与效果：双源检索与信源治理使有效信源占比提升约 30%，引用可追溯率 95%+，平均高质量信源占比 80%+；单份研报生成时间 ≤ 30 分钟，减少 70% 人工调研时间。
双源检索与信源治理：设计本地知识库 + Web Search 双通道检索链路，引入信源评分、MD5 去重、递归溯源及引用校验。
专家审核与研究质量闭环：设计半导体领域 Critic 审核机制，从术语准确性、工艺逻辑、信源充分性及产业链映射等维度进行质量评估，建立"审核不通过 → 标记问题 → 触发重写"的迭代闭环。
工程稳定性优化：设计 Checkpoint 阶段级断点恢复、SSE 流式进度、JSON 容错及异常降级机制，提升复杂研究任务执行稳定性。
指标与效果：Recall@5 由 72% → 89%，MRR 由 0.61 → 0.78；GRPO 训练后偏好判断准确率 90%+，答案幻觉率由 9.2% 降至 2.1%，引用事实一致性 95%+。
知识库构建：负责多格式文档解析、结构化切分及 Metadata 设计，完成专业资料向可检索知识库的转换。
Query 优化与检索：Query 侧加入术语增强、纠错、改写、扩展；实现 BM25 + 向量的混合召回，结合 Milvus 语义检索、关键词、元数据过滤与 Cross-Encoder 重排。
GRPO 偏好数据 & 训练：基于 RAG 评测集与 Bad Case 构造偏好数据，引入幻觉注入、证据遗漏、错误引用、术语扰动等 Hard Negative；围绕事实一致性、引用正确性等维度设计奖励信号，采用"推理蒸馏 + GRPO"训练 Reasoning Reward Model。
评估体系：覆盖工艺 / 设备 / 材料 / 缺陷的领域测试集，检索侧定义 Recall@K、MRR，生成侧评估偏好准确率、幻觉率、引用一致性，通过 Bad Case 归因持续优化。
方案设计：主导业务痛点分析，将人工布线规则转化为多约束路径规划数学模型，确立"线长最优、跳线最少"的多目标优化框架，满足几何规则、边界限制、层间切换与已有图形避让约束。
建模与算法：结合 Boundary、Width、Space 等约束建立多目标 Routing 模型；基于 pyAether 实现自动布线算法。
方案设计与建模：完成业务需求拆解、技术方案设计、算法选型、开发验证及落地；将晶圆测试冗余识别建模为大规模 Set Cover 优化问题，求解最小非冗余测试集合。
算法设计：设计 DFG（Disk-Friendly Greedy）磁盘友好型近似算法，结合指数分层、近似选择与动态降层机制，在保证解质量的同时显著降低求解时间与内存占用。