技术能力

拥有扎实的数据结构与算法基础，深入理解面向对象编程、异常处理机制与集合框架。熟练掌握 Java 开发及 Spring Boot、Spring MVC、Spring Data JPA 等核心体系，能够基于 IOC/AOP 原理进行后端业务架构设计。熟悉 MyBatis-Plus 及其自动化映射能力。

精通 MySQL、PostgreSQL 等关系型数据库与性能优化，结合 SQLAlchemy 与 Alembic 能高效实现数据建模演进。熟悉 Redis 缓存机制与 ARQ 异步任务队列，能处理复杂事务、长耗时任务调度与分布式数据。具备 Docker 容器化部署能力，熟练掌握 Git 版本协作与项目管理。

在大模型（LLM）后端工程方面具备深度实践能力。熟练掌握 Python 与 FastAPI 框架，深入应用 LangGraph 进行多智能体（Multi-Agent）有限状态机编排。能够基于 Pydantic 构建多层结构化输出容错链路，具备落地高可用、可观测 AI 应用架构的实战经验。

项目经验

四川望舒软件有限公司 全栈开发
2026.01-2026.03
项目名称：Verse（成章）-- AI 辅助长篇小说创作平台

技术栈：

Python | FastAPI | LangGraph | PostgreSQL | Redis | ARQ | SQLAlchemy | Alembic | Qdrant | React 18 | Zustand | TailwindCSS | Tauri v2 | Docker

项目简介：

"Verse（成章）"是一套面向长篇小说创作者的多智能体（Multi-Agent）AI 创作平台，支持 Web SaaS 与 Tauri 桌面端双模运行。系统模拟真实出版社编辑部流程，将创作过程拆解为大纲规划、内容起草、连贯性审查、行文润色等阶段，由专用 Agent 协同执行。底层构建了自研 Agent 基建框架（ImprovedBaseAgent）、动态 Token 预算上下文引擎（Context Engine）和统一多提供商大模型网关（LLM Gateway），通过 PostgreSQL 持久化全量业务数据，ARQ 异步任务队列与 Redis Pub/Sub 加 WebSocket 实现实时进度推送。

功能亮点：

智能创作管线：Archivist / Writer / Reviewer / Editor / Polisher 五阶段 Agent 流水线，由 Orchestrator 统一编排 | 交互式架构师：基于 LangGraph 状态机的 Architect Agent，支持阶段驱动的大纲规划与世界观构建 | 记忆与上下文引擎：自动信息抽取、人物/事实/时间线注入与 Token 预算均衡分配 | 可观测性：请求级 Trace、LLM 调用全量落库、会话阶段耗时剖析 | 内容质量守门：Reviewer Agent 作为 LLM-as-Judge 执行 6 类一致性校验

岗位贡献：

独立负责多智能体核心引擎研发与全栈架构搭建：

设计并实现 ImprovedBaseAgent 基础框架，引入 IUnitOfWork 工作单元模式实现 Agent 执行逻辑与存储层严格解耦；通过控制反转支持多模型、多工具与多持久化实现的统一接入，提升多 Agent 系统的扩展性与工程可维护性。
将创作流程拆解为 Archivist / Writer / Reviewer / Editor / Polisher 五个职责单一的专用 Agent，由中心 Orchestrator 执行"信息抽取、草稿生成、一致性审查、风格重写"闭环，解决单次大模型生成在长篇场景下的记忆遗忘、剧情断裂和角色漂移问题。
重构 Architect Agent 为基于 LangGraph 的阶段驱动有限状态机（Ideation、Bible Ready、Outline Ready、Outline Revision 四阶段），通过 StageToolPolicy 按阶段限制可用工具白名单，杜绝意图漂移与越权调用。越权工具调用（Illegal Tool Call）拦截率为 100%
独立研发 Context Engine 动态 Token 预算系统，对世界观设定(20%)、人物卡片(20%)、前文摘要(20%)、近期草稿(30%)进行精细配比；按人物出场与时间线事实进行上下文裁剪注入，根治长篇创作中的"吃书"与设定断层问题。
封装统一 LLM Gateway，屏蔽 OpenAI / Anthropic / DeepSeek / Gemini 四家提供商差异，支持 Agent 级 / Action 级模型路由、指数退避重试（1/2/4s）、API Key 轮询与统一异常传播，将 LLM 调用按"不稳定外部依赖"治理。
基于 Pydantic 加 call_function() 构建多层结构化输出容错链路：Tool Call 原生解析、Markdown 包裹清理、截断 JSON 修复、Content 降级提取；同时内置 Prompt 注入检测与 System Prompt 泄露检测作为 Agent 输入/输出双向 Guardrail。
构建 Agent 可观测性基础设施：TokenUsage 记录每次 LLM 调用延迟 / TTFB / 重试次数 / 错误类型；SessionMetrics 按阶段记录管线耗时；architect_trace_store 实现 Redis 持久化请求级追踪，支持按 trace_id 回放诊断。
前端基于 React 18 加 WebSocket（Redis Pub/Sub 桥

团队情况