Yu-Jun Wen

AI Engineer

在 Trend Micro 做 LLM-based 自動化平台，平常研究 AI Agent 架構設計與 Harness Engineering。

目前專注

AI Agent 系統設計

研究 Agent 框架的架構設計（deepagents、hermes-agent、OpenClaw、CrewAI），專注在 context management、multi-agent 協作與 production 穩定性。

Harness Engineering

探索如何用工程方法馴服 LLM 的不確定性，包括 prompt 設計、評估框架、執行路徑控制與 observability。

LLM Production 系統

在 Trend Micro 實際交付 LLM-based 自動化平台，從架構設計到 multi-region 部署，關注 reliability 與可維護性。

技能樹

LLM Engineering
RAG Systems Prompt Engineering LLM Evaluation LangChain LangGraph LangFuse Azure OpenAI
AI Agent
Agent Framework Design Multi-Agent Systems Context Engineering Tool Calling Human-in-the-Loop
Backend
Python Go FastAPI Gin REST API OpenAPI
Data & ML
PyTorch TensorFlow PySpark PostgreSQL Anomaly Detection
Infrastructure
AWS (EKS, Lambda, S3, SQS, Athena) Kubernetes Docker Terraform Helm GitHub Actions

Projects

Automated Analysis Platform
自動化資安分析平台 — 把 1,000 件/天的人工調查壓縮成 1–2 人可以處理
  • 獨立設計並交付 4 個微服務：Root-Cause Analyzer（Go/Athena）、LLM Report Generator（Python/FastAPI/Azure OpenAI）、Async Remediation Pipeline（SQS/S3）、Case Management（Go/PostgreSQL）
  • OpenAPI-first 開發流程，自動產生 server interface 與跨服務 client
  • Helm library chart + Helmfile 部署 3 環境 × 4 AWS regions，Terraform 管理雲端資源
  • 從偵測到修復全流程自動化，支援團隊從 5–7 人縮減到 1 人接管升級案
Go Python FastAPI Azure OpenAI AWS PostgreSQL Kubernetes Helm Terraform
LLM Evaluation Framework
LLM 輸出品質的持續監控與回歸測試框架
  • 整合 LangFuse + DeepEval，建立 config-driven 多維度評估（正確性、完整性、格式）
  • 無需改 code 即可調整評估維度，支援自動化回歸測試
Python LangFuse DeepEval Azure OpenAI
Factory AI — Audio Anomaly Detection
工廠設備音訊異常偵測系統，從 0 到 production
  • 設計 4-service 微服務架構（Record → DataPreprocess → DataControl → Predict），以無監督 AutoEncoder 解決生產環境缺乏故障樣本的問題
  • 實作 3-mode 自適應 pipeline（Warm-up → Training → Detection），無需人工介入自動重訓
  • 從硬體採購、K3s cluster 建置到 Jetson Nano edge 裝置部署，全程獨立執行
Python TensorFlow K3s Docker MQTT Grafana InfluxDB