GIN
有团队 · 可整包
后端开发工程师 · 2年经验 · 阿里巴巴
0
累计接单
0
用户评价
0
被收藏
技术能力
. 全栈开发与架构（Full-Stack Development & Architecture）
我具备从概念到部署的完整全栈能力，侧重于高性能、高可用的应用构建。
前端技术：精通 React/Vue.js，熟悉 Redux/Vuex 状态管理，具备高性能 Webpack 配置和响应式 UI 设计能力。
后端技术：熟练使用 Python (Django/Flask) 和 Node.js (Express) 进行 API 设计和业务逻辑开发。深入理解 RESTful/GraphQL API 规范和微服务架构。
DevOps/云服务：掌握 Docker 容器化技术和 Kubernetes (K8s) 编排。具备 AWS/阿里云 等云平台上的应用部署、监控（Prometheus/Grafana）和性能优化经验。
2. AI/ML 工程化与模型开发（AI/ML Engineering & Model Development）
我在将前沿的 AI 模型转化为可靠的商业解决方案方面具有深厚经验，特别是在大模型（LLM）的应用。
模型开发：掌握 PyTorch/TensorFlow 框架，熟悉 CNN、RNN、Transformer 等深度学习模型的设计与训练。
AI 工程实践：具备 MLOps 经验，能构建端到端的模型训练、版本控制、CI/CD 和部署流程（如使用 MLflow、Kubeflow）。
自然语言处理 (NLP)：擅长大语言模型 (LLM) 的微调 (Fine-tuning)、RAG (Retrieval-Augmented Generation) 架构的搭建和提示词工程 (Prompt Engineering)，以解决复杂的业务理解和生成任务。
3. 数据处理与数据库（Data Processing & Databases）
能够设计和优化大规模数据存储和处理方案。
数据库：精通 PostgreSQL/MySQL 关系型数据库设计和查询优化。熟悉 MongoDB/Redis 等 NoSQL 数据库在缓存和高并发场景下的应用。
数据管道：熟悉 ETL/ELT 流程，掌握 Apache Spark 等大数据处理框架的基础知识，能够处理和清洗大规模异构数据
我具备从概念到部署的完整全栈能力，侧重于高性能、高可用的应用构建。
前端技术：精通 React/Vue.js，熟悉 Redux/Vuex 状态管理，具备高性能 Webpack 配置和响应式 UI 设计能力。
后端技术：熟练使用 Python (Django/Flask) 和 Node.js (Express) 进行 API 设计和业务逻辑开发。深入理解 RESTful/GraphQL API 规范和微服务架构。
DevOps/云服务：掌握 Docker 容器化技术和 Kubernetes (K8s) 编排。具备 AWS/阿里云 等云平台上的应用部署、监控（Prometheus/Grafana）和性能优化经验。
2. AI/ML 工程化与模型开发（AI/ML Engineering & Model Development）
我在将前沿的 AI 模型转化为可靠的商业解决方案方面具有深厚经验，特别是在大模型（LLM）的应用。
模型开发：掌握 PyTorch/TensorFlow 框架，熟悉 CNN、RNN、Transformer 等深度学习模型的设计与训练。
AI 工程实践：具备 MLOps 经验，能构建端到端的模型训练、版本控制、CI/CD 和部署流程（如使用 MLflow、Kubeflow）。
自然语言处理 (NLP)：擅长大语言模型 (LLM) 的微调 (Fine-tuning)、RAG (Retrieval-Augmented Generation) 架构的搭建和提示词工程 (Prompt Engineering)，以解决复杂的业务理解和生成任务。
3. 数据处理与数据库（Data Processing & Databases）
能够设计和优化大规模数据存储和处理方案。
数据库：精通 PostgreSQL/MySQL 关系型数据库设计和查询优化。熟悉 MongoDB/Redis 等 NoSQL 数据库在缓存和高并发场景下的应用。
数据管道：熟悉 ETL/ELT 流程，掌握 Apache Spark 等大数据处理框架的基础知识，能够处理和清洗大规模异构数据
项目经验
1. 高并发实时内容推荐系统（AI/ML 工程化与后端优化）
技术挑战与目标： 为日活用户超过百万的资讯平台，设计并实现一套低延迟、高召回的实时内容推荐系统，以提升用户留存率和点击率。
技术亮点：
后端架构： 采用 Python/Flask 搭建推荐服务，结合 Redis 进行用户特征和模型权重的毫秒级缓存，确保高并发下的响应速度。
AI 模型： 部署 Transformer-based 的深度学习模型，利用 MLflow 进行模型版本管理和 A/B 测试。
数据流： 使用 Kafka 实时收集用户行为数据，驱动实时特征工程。
成果： 系统平均延迟低于 50 毫秒，CTR（点击率）提升 15%。
2. 企业级智能化合同审批平台（全栈开发与数据集成）
技术挑战与目标： 替代传统人工审核流程，构建一个集合同上传、文本分析、风险预警和多级审批于一体的全流程数字化平台。
技术亮点：
前端交互： 采用 React 和 Ant Design，实现复杂表单的快速构建和友好的用户体验。
AI 应用： 集成 NLP 模型（基于内部微调的 LLM），实现合同关键条款自动提取、合规性风险点自动识别和预警。
数据库与安全： 使用 PostgreSQL 存储结构化数据，设计严格的权限控制模型（RBAC），确保数据安全性和可追溯性。
成果： 合同审核时间从平均 2 天缩短至 3 小时，人工审核工作量降低 60%。
3. 跨云平台微服务治理项目（DevOps 与架构优化）
技术挑战与目标： 将公司原有单体应用拆分为 20+ 微服务，并实现跨 AWS 和阿里云的统一容器化部署和流量治理。
技术亮点：
容器化与编排： 完成所有服务的 Docker 容器化，并基于 Kubernetes (K8s) 进行自动化部署和资源调度。
服务网格： 引入 Istio 实现服务间的流量控制、熔断、限流和安全认证，大大提高了系统的健壮性和可观测性。
监控体系： 搭建 Prometheus + Grafana 监控报警体系，对 CPU、内存、延迟等关键指标进行实时监控。
成果： 系统部署效率提升 80%，解决了跨云平台部署和扩展性的难题，系统整体稳定性达 99.95%。
技术挑战与目标： 为日活用户超过百万的资讯平台，设计并实现一套低延迟、高召回的实时内容推荐系统，以提升用户留存率和点击率。
技术亮点：
后端架构： 采用 Python/Flask 搭建推荐服务，结合 Redis 进行用户特征和模型权重的毫秒级缓存，确保高并发下的响应速度。
AI 模型： 部署 Transformer-based 的深度学习模型，利用 MLflow 进行模型版本管理和 A/B 测试。
数据流： 使用 Kafka 实时收集用户行为数据，驱动实时特征工程。
成果： 系统平均延迟低于 50 毫秒，CTR（点击率）提升 15%。
2. 企业级智能化合同审批平台（全栈开发与数据集成）
技术挑战与目标： 替代传统人工审核流程，构建一个集合同上传、文本分析、风险预警和多级审批于一体的全流程数字化平台。
技术亮点：
前端交互： 采用 React 和 Ant Design，实现复杂表单的快速构建和友好的用户体验。
AI 应用： 集成 NLP 模型（基于内部微调的 LLM），实现合同关键条款自动提取、合规性风险点自动识别和预警。
数据库与安全： 使用 PostgreSQL 存储结构化数据，设计严格的权限控制模型（RBAC），确保数据安全性和可追溯性。
成果： 合同审核时间从平均 2 天缩短至 3 小时，人工审核工作量降低 60%。
3. 跨云平台微服务治理项目（DevOps 与架构优化）
技术挑战与目标： 将公司原有单体应用拆分为 20+ 微服务，并实现跨 AWS 和阿里云的统一容器化部署和流量治理。
技术亮点：
容器化与编排： 完成所有服务的 Docker 容器化，并基于 Kubernetes (K8s) 进行自动化部署和资源调度。
服务网格： 引入 Istio 实现服务间的流量控制、熔断、限流和安全认证，大大提高了系统的健壮性和可观测性。
监控体系： 搭建 Prometheus + Grafana 监控报警体系，对 CPU、内存、延迟等关键指标进行实时监控。
成果： 系统部署效率提升 80%，解决了跨云平台部署和扩展性的难题，系统整体稳定性达 99.95%。
团队情况
服务范围：
团队构成：
负责人(后端开发工程师)
|
核心队员：产品经理 ·
UI设计师 ·
iOS工程师 ·
安卓工程师 ·
前端工程师 ·
后端工程师
立即沟通
相似人才推荐：
