熟练掌握全栈开发架构、人工智能技术落地与企业级工作流自动化,具备独立设计与交付复杂系统底座的能力。
在后端开发领域,精通 Python 与 Node.js (JavaScript/TypeScript) 编程,深入理解异步编程与微服务架构。具备扎实的数据库设计与调优能力,熟练运用 PostgreSQL (精通 JSONB 复杂数据类型存储与检索) 以及 Redis 缓存架构,有效解决高并发场景下的数据一致性与系统延迟问题。
在 AI 与自动化方向,拥有丰富的大模型(LLM)API 集成经验,能够熟练对接 OpenAI、Gemini、Claude 等主流模型,并深入应用 Model Context Protocol (MCP) 协议进行工具级上下文连接。精通 n8n、Dify 等低代码自动化平台,擅长设计 multi-node(多节点)复杂工作流及 Agentic Workflows(智能体工作流)。
在运维交付上,全面采用 Docker 与 Docker Compose 容器化部署,熟练管理高可用生产环境、网络配置及系统级别监控,能够运用正则表达式进行高精度的数据清洗与文本结构化提取。
一、企业级敏捷数据分析平台(Superset)现代化架构升级与性能优化
项目描述:
针对企业核心商业智能(BI)环境进行全方位的架构升级,解决旧版本在处理大规模多维数据报表时的性能瓶颈与潜在安全隐患。
核心职责与贡献:
1. 环境迁移与升级:主导了多套生产与测试环境中 Apache Superset 从 5.0.0 版本向 6.0.0 版本的平滑升级,全程采用 Docker 和 Docker Compose 进行容器化编排。
2. 缓存与性能调优:针对系统大数据量查询缓慢的问题,设计并引入了 Redis 缓存层,重新优化了底层核心数据表的索引结构与查询逻辑,极大缓解了服务器内存限制带来的压力。
3. 容灾与回归测试:制定了详尽的迁移数据备份与回归验证方案,通过自动化脚本模拟高并发访问,确保了升级过程中的数据零丢失与业务零中断。
项目成果:
成功完成整套 BI 环境的无缝切换,升级后复杂报表的整体加载速度提升了 40% 以上,显著增强了系统在高并发场景下的服务稳定性。
二、基于大模型的智能化企业级数据抽取与流程自动化系统
项目描述:
该项目旨在解决传统人工处理大量复杂财务发票及候选人简历时效率低、易出错的痛点,通过引入先进的 AI 技术栈实现全自动化流水线。
核心职责与贡献:
1. 架构搭建:作为核心开发人员,使用 Node.js 与 Python 构建了高可用的后端系统,利用 Systemd 与 Webhook 机制保障分布式架构的高稳定运行。
2. AI落地集成:深入集成 Gemini 及 OpenAI API,设计了精密的 Prompt 策略,结合高复杂度的正则表达式,成功实现了对电子发票及多格式简历数据的无损、高精度结构化提取。
3. 自动化流设计:在 n8n 与 Dify 平台中精心编排多节点工作流,建立智能体(Agent)协同框架,实现从多渠道数据源抓取、语义识别匹配(简历与职位描述匹配度达 85% 以上)到自动通知的闭环。
项目成果:
系统上线后彻底消除了人工录入的瓶颈,数据处理时效提升 70% 以上,数据库(PostgreSQL JSONB)查询性能优化近 40%,实现了“一人公司”级别的高效运营。