系统抽象
把模糊需求翻译成模块、数据归属、失败路径,以及团队真正能据此开发的设计判断。
01 / 介绍
我会重度使用 AI,但我更重视的是决定“应该做什么”:模块怎么拆,状态放在哪里,worker 如何协作,哪些失败路径必须处理,以及产品需求如何变成可靠的软件机制。
我的语言能力是中文、英语和日语:中文为母语,英语可用于学习与技术协作,日语正在持续学习中。
把模糊需求翻译成模块、数据归属、失败路径,以及团队真正能据此开发的设计判断。
设计由 AI 服务主动领取任务、回写状态,并与业务 API 保持边界清晰的 pull-based 工作流。
用后端、前端、Android 和部署工作,把设计真正落到 demo 之后仍然可用的产品里。
中文、可用于技术协作的英语,以及持续学习中的日语。
02 / 实习
这里不再把经历折成一张张简历卡片,而是按 scope 和 impact 呈现:我理解了什么、拆开了什么、调试了什么,以及最终让什么变得更可靠。
软件开发工程师实习生
参与核心业务系统的可靠性、状态上报、调试、看板和构建流程优化。设计并优化弱网环境下的系统状态上报与重试机制。
将 AI 辅助流程用于复杂问题分析和系统行为调查。
使用 JADX 分析与调试混淆代码,提升上报格式可靠性。
基于 Spark 和 SQL 构建异常检测与趋势分析看板。
分析 Gradle task DAG 瓶颈并优化构建流程,同时保持构建稳定。
03 / 教育
课程与研究实践把软件工程基础、应用机器学习和团队产品交付联系在一起。
学习重点围绕软件工程、应用机器学习、产品思维与团队交付,通过课程和项目实践把它们连接起来。
建立计算机科学基础,覆盖算法、操作系统、数据库、软件工程,并在毕业论文中研究联邦学习协调机制。
横向滑动切换学校
04 / 项目
代表性工作不只展示生成出来的代码,更强调 AI worker、检索、移动端约束和模型评估背后的系统设计判断。
在这里切换项目;切换条会固定在上方,方便边看蓝图边切换。
采用 AI worker 分析流程的企业级 SaaS,用于非结构化数据知识抽取与结构化决策支持。
面向客户的 AI 分析不能停留在一次性请求里,因为文档、证据、重试和长任务都需要稳定的任务状态。
我提出 pull-based AI worker 模式:后端保存任务,AI worker 主动领取、回写状态,并和业务 API 保持解耦。
架构把 Spring Boot API、Python AI worker、持久化、回调状态和部署路径拆开,让变更可以通过契约和测试来 review。
AI Worker、RAG、Spring Boot、Python services、PostgreSQL、AWS。
01主导企业级 AI SaaS 平台的架构设计、任务拆解与全栈开发。
02提出 pull-based AI worker 模式:AI 服务主动领取后端任务、回写状态,避免和业务请求强耦合。
03设计 RAG 流水线,覆盖解析、切分、向量化、语义检索与动态上下文注入。
04封装 OpenAI-compatible LLM 调用层,支持模型切换、流式输出和 schema-constrained JSON generation。
05 / 技术栈
下面的工具按它们支撑的系统决策分组:编排、服务边界、产品界面、测试与部署。
用于检索、模型集成、视觉推理与训练流程。
用于服务架构、API、持久化、数据处理与部署。
用于产品界面、Android SDK 工作、测试与作品集交付。