• 邮箱别名好像是没有，但是不是用学校邮箱会比QQ邮箱更好一些呢
• 我之前把雅思成绩单放在google drive里了，在简历里添加了超链接，不知道能不能打开
• 学院排名有但是是比例版，而且好像不是很好看（14.0%），我有点拿捏不准写不写
• 国创项目-修改
  • 刚刚结项，评级可能要比较晚出（6月中旬以后），而且证书可能出的时间更晚（9月）
  • 任务目的没问题
  • 内部架构主要模式：
    1. 用户通过GUI界面提出问题，首先问题会经过判定器，如果缺少信息返回给用户并提示补充提问信息
    2. 构建了一个prompt生成器，根据问题的分类（gpt解决、传递至子系统解决、数据库无关）从问题中提取关键词，构建类似于{“role”：“system”，“content”：“statement”}的json文件传递给gpt
    3. gpt根据其中内容，决定是否传递给子系统进行处理，并会返回一个raw answer
    4. 子系统中搭建了中央处理器和对应的子处理器，用于解决问题并返回raw answer。
    5. 搭建了答案合成器，把这两部分raw answer合并打磨，最终再返回给用户
    6. 前端采用的是vue框架、后端采用的是flask框架
  • 内部架构方面疑问：
    • 这个平台属于是老师自己开发的，知名度不是很高
    • 我们主要是面向了平台上的三个子系统编写了数据集和prompt，但是如果介绍这三个子系统的话需要废些笔墨，我是否还有必要在cv中提到子系统名称？
    • 我有点担心如果在cv上具体写出子系统名的话，是否会有被询问的可能？
    • 贡献度的话，大概只有数据集搭建和正确性验证集，因为这个项目是有学长带着我们一起做的，所以前后端的东西我了解的并不多
• 项目研究-修改
  • 这是一个课设的包装，参考了github上的一些内容，但是好像正确率也一般般（），不知道该怎么美化这部分

简历修改-补充

• 三个子系统：ARENA、LANTERN和MOCHA

• 数据集搭建：面向子系统的功能搭建

• 正确性验证集：包含十多个类别的问题，主要为数据库专有名词解释，生成SQL语句，DBEDU相关介绍，连续的DBEDU查询、单个DBEDU查询。测试集部分内容如下：

  Q1: Who are you?
  Q2: Generate a SQL to retrieve items with an extended price greater than 100
  Q3: How will select
        l_orderkey,
        sum(l_extendedprice * (1 - l_discount)) as revenue,
        o_orderdate,
        o_shippriority
      from
        customer,
        orders,
        lineitem
      where
        c_mktsegment = 'BUILDING'
        and c_custkey = o_custkey
        and l_orderkey = o_orderkey
        and o_totalprice > 10
        and l_extendedprice > 10
      group by
        l_orderkey,
        o_orderdate,
        o_shippriority
      order by
        revenue desc,
        o_orderdate execute?
  Q4: What is hash join?
  Q5: How will the SQL execute without hash join and index scan?
  Q6: Can you give me some other plans?
  Q7: What is relational processor?
  

• prompt生成器：基于规则的生成，用于接收用户输入并生成对应的prompt引导gpt，并提供必要的信息。

  • 通过分隔符###分隔不同部分的内容，生成json
  • 介绍各种后端数据库教育平台，
  • 为每个平台手工制作问答示例，允许模型以标准化格式返回提取的参数。因此我们为子系统的每个功能手工制作了一个问答示例。
  • 数据库模式，方便模型为用户快速生成随机SQL语句。并不是所有的信息都明确地显示在提示符中。例如，如果采用TPC-H数据集，其中LLM熟悉TPC-H的模式，则只提及TPC-H的使用，而不提供模式的详尽描述。

• datalink processor：提供LLM-子系统之间的连接

  • 主要由中央处理器和子处理器组成
  • 中央处理器负责预处理LLM提取的参数（json文件），并预执行SQL语句
    • 出现错误：返回纠正反馈
    • 正确：交付子处理器处理
  • 子处理器负责协调交互式机器人与子系统之间交互风格的差异。例如，在MOCHA子系统是网页交互，涉及操作算子选择问题，而在交互式机器人中则是对话交互，并不包含复选框。

• 判别器问题：我原本以为要用的，后来发现变成了gpt判断问题类型💔，可能gpt更聪明一点吧

• 整体框架图: