技术能力

高级特性：异步编程（asyncio、aiohttp、FastAPI核心原理）、元类 / 装饰器的底层实现、静态类型检查（mypy）、生成器 / 协程的性能优化；
性能优化：Cython/Numba 加速 Python 代码、cProfile/line_profiler定位性能瓶颈、多进程 / 多线程 / 异步任务调度（Celery、Ray）；
工程规范：大型项目架构设计（模块化、依赖注入）、依赖管理（Poetry/PDM替代pip）、测试框架（pytest+hypothesis做属性测试）、代码质量管控（black/flake8/pre-commit钩子）。
数据处理：Pandas高级用法（窗口函数、自定义聚合、Dask处理 TB 级大数据）、NumPy向量化编程（替代循环提升 100x 性能）、Polars（比 Pandas 更快的新兴库）；
可视化：Matplotlib/Seaborn做统计可视化、Plotly做交互式可视化、Gradio/Streamlit快速搭建 AI Demo（落地前快速验证需求）。
机器学习：梯度下降变种（AdamW、LBFGS、AdaFactor）、正则化（Weight Decay、LayerNorm、DropPath）、损失函数设计（自定义损失适配业务）、评估指标（AUC、F1-score、MAPE 的场景适用）；
深度学习：CNN/RNN/Transformer 的底层原理（比如 Transformer 的 Multi-Head Attention 计算细节、位置编码的作用）、不同任务的模型选型（什么时候用 CNN，什么时候用 ViT，什么时候用 LLM）
PyTorch分布式训练（DDP、FSDP适配大模型）、混合精度训练（FP16/FP8，用torch.cuda.amp或bitsandbytes量化）、ONNX 模型导出与优化、TorchScript静态图部署
容器化部署：Docker打包 AI 服务、Docker Compose本地调试、Kubernetes（K8s）编排多实例 / 自动扩缩容
高可用设计：负载均衡（Nginx）、熔断降级（Sentinel）、请求缓存（Redis）、离线任务与在线服务解耦
大模型 LLM 方向：RAG 检索增强生成（LangChain/LLaMA Index）、大模型微调（

项目经验

湖北电信数字人相关项目开发，包括传统项目转AI项目和新的AI应用项目，例如客服运营AI报警，多AI项目智能网关及AI运维等等

团队情况