要件からアーキテクチャへ
プロダクト要件を、明確なサービス境界、データの責任範囲、障害時の処理方針に落とし込みます。
仕事の進め方
要件を、開発・テスト・保守しやすいソフトウェアに落とし込みます。機能だけでなく、サービス境界、データの流れ、障害時の処理も考えます。
オーストラリアのシドニーを拠点にしています。
長時間実行する AI ワークフロー
非同期 Worker、進捗の永続化、再試行、コアバックエンドとの明確な境界を備えた AI ワークフローを設計します。
スタックを横断して
バックエンド、フロントエンド、AI 連携、デプロイまで経験し、機能を設計からリリースまで進めてきました。
使用言語
中国語が母語です。英語で学習と業務を行い、日本語も継続して学んでいます。
インターン経験
本番障害の調査、信頼性の改善、テスト、データ分析、開発ツールの改善を経験しています。
2025.06 - 2025.08
Meituan Platform
ソフトウェア開発エンジニアインターン
コアシステムの信頼性と開発生産性の改善に取り組みました。弱いネットワークでの状態報告、問題調査、データ分析、Gradle ビルドの最適化を担当しました。
- 01
状態報告と再試行ロジックを改善し、弱いネットワーク環境での信頼性を高めました。
- 02
JADX を用いて難読化された他社コード内の報告フォーマット不具合を特定し、ペイロード形式を修正しました。
- 03
Spark と SQL で異常検知と傾向分析のダッシュボードを構築しました。
- 04
Gradle の task DAG を分析し、ビルドの安定性を保ちながらボトルネックを最適化しました。
- 05
AI 支援ツールを使い、未知のコードの理解、API の調査、問題の切り分けを行いました。
学歴
中国とオーストラリアで二つの学士号を取得し、現在はシドニーでデータサイエンスと AI を専攻する修士課程に在学しています。
横にスクロール
在学中 · 2027年11月 修了予定
シドニー大学
コンピュータサイエンス修士データサイエンス・人工知能
現在の修士課程では、機械学習、データパイプライン、モデル結果の厳密な評価を学んでいます。
2026年卒業 · Distinction
スウィンバーン工科大学
工学士（優等）ソフトウェア工学
ソフトウェア工学の優等学位課程で、AI、応用機械学習、チームでのソフトウェア開発を学びました。
卒業
山東科技大学
工学学士ソフトウェア工学
アルゴリズム、OS、データベースを含むコンピュータサイエンスの基礎を学びました。卒業研究では、データを共有できない端末間の連合学習を扱いました。
主なプロジェクト
AI セキュリティ、AI プラットフォーム、連合学習、コンピュータビジョンのプロジェクトです。
開発・研究 / 2026.07 - 現在
RedCell — AI エージェント適応型レッドチーミング
ツールを呼び出す LLM エージェントを対象に、限られたテスト予算の中でプロンプトインジェクション、データ漏洩、権限外のツール呼び出しを検査し、確認された問題を回帰テストに変換するオープンソースツールです。
PythonPydanticSQLAlchemyThompson Sampling
ソースを見る課題
ツールを呼び出す LLM エージェントはデータベース、ファイル、業務 API にアクセスできるため、操作されるとデータを漏らしたり、実行すべきでない動作を行う可能性があります。攻撃面は自然言語による判断とモデルの非決定性から生じるため、固定のジェイルブレイク文面の一覧では対応できません。
アプローチ
レッドチーミングを予算制約のある探索問題として定式化しました。bandit コントローラが次の試行をどの攻撃戦略に割り当てるかを決め、LLM がプロンプトを変異させます。成功判定は別の LLM ではなく、canary 文字列、ツール権限チェック、ユーザー間アクセスといった計装によって行います。
実装内容
意図的に脆弱にしたベンチマークアリーナ、三種類のコントローラ、予算と信頼性のガード、実験フィンガープリント、クラッシュ後の再開を含むパイプライン全体を構築しました。Phase 0 の仮説は 18 回の実行と 1,080 回の試行で支持されなかったため、負の結果として記録しました。
使用技術
Python 3.11、asyncio、Pydantic、SQLAlchemy、Typer CLI、Jinja2 レポート、pytest。テストスイートは完全にオフラインで動作します。
- 01
適応的な攻撃探索を設計しました。試行回数、トークン、コストの予算内で、bandit による戦略選択と LLM によるプロンプト変異を組み合わせています。
- 02
canary 文字列、ツール権限チェック、ユーザー間アクセスに基づく確定的な判定を実装し、違反の意図、試行されたツール呼び出し、実際に生じた影響を区別しました。
- 03
意図的に脆弱にしたエージェントのベンチマークアリーナを構築し、正例・負例の対照と、校正実行の前に攻撃側モデル自体を検証する仕組みを備えました。
- 04
実験フィンガープリント、SQLite への完全なトレース保存、クラッシュ後の再開、確認された問題の回帰テスト出力により、各実行を再現可能にしました。
- 05
18 回の実行と 1,080 回の試行の後、Phase 0 の研究仮説を NOT SUPPORTED として報告し、都合のよい一部だけを示すのではなく証拠の限界を公開しました。
使用技術
プロジェクトやインターンで実際に使用した技術です。
AI・機械学習
モデル学習、動画のライブネス検知、意味検索、LLM エージェントの評価に使用。
PyTorchTensorFlowTensorFlow LiteRAGFAISSSentenceTransformers
バックエンド・データ
API の構築、アプリケーションデータの管理、サービスのデプロイに使用。
Spring BootJavaMyBatisMicroservicesPythonPydanticSQLAlchemySparkSQLAWS
フロントエンド・モバイル
このサイトを含む Web と Android の画面開発に使用。
Next.jsTypeScriptTailwind CSSAndroidKotlinJUnit