猿急送>

西安Java兼职程序员

ID：420332

王辉

Java高级工程师

公司信息：
众阳健康科技有限公司

工作经验：
3年

兼职日薪：
500元/8小时

兼职时间：
下班后
周六
周日

所在区域：
西安
全区

技术能力

1、精通Java基础语法、IO 流、集合、多线程、反射、泛型、注解、网络编程；熟悉 JVM 垃圾收集器、内存结构、核心参数调优。研究Spring核心源码（IOC/AOP），具备轻量框架开发思维。
2、精通 JUC 包核心源码，熟练使用单机锁、线程池，精通分布式锁设计与落地，具备高并发场景解决方案设计能力。
3、熟悉MySQL底层结构、存储引擎、事务隔离级别、索引、MVCC 工作原理，精通SQL优化与慢查询调优；熟练使用 PostgreSQL，具备海量数据分库分表实战经验
4、熟练掌握SpringBoot、SpringMVC、MyBatisPlus以及SpringCloudAlibaba相关微服务组件。
5、熟练使⽤ Redis，了解 Redis线程模型，熟练掌握Redis核⼼数据结构的使⽤场景，熟悉缓存⾼并发的使⽤场景，如缓存雪崩、缓存穿透、缓存失效等。熟练运用Redis实现分布式锁并落地实际业务场景
6、熟悉常⻅消息中间件Kafka、RocketMQ的使⽤，精通消息丢失、重复消费、顺序消费、大规模消息积压等典型问题的解决方案。
7、熟悉 SpringAI、LangChain、Dify、RAG（召回优化、重排序策略、混合检索）、MCP 等AI相关技术，具备医学领域AI工程化落地经验。
8、熟练掌握常⽤的数据结构和设计模式，如策略模式，责任链模式，模板方法模式等，并可以在项⽬中熟练使⽤。
9、熟悉Linux系统，熟练掌握日志分析、性能排查、常用运维命令，能快速定位线上Bug；熟练使用Docker 进行环境搭建与项目部署。

项目经验

HIS电子病历系统（2023/07 - 至今）
技术架构：
SpringBoot、PostgreSQL、Redis、Elasticsearch、RocketMQ、SpringCloud、XXL-Job、Seata、Redission、MongoDB

项⽬介绍：本项目是一款面向中大型医院的高性能电子病历管理系统，旨在数字化重构临床诊疗全流程。系统涵盖了病历书写、医嘱开立、收入院管理及多学科会诊管理等核心业务模块。通过标准化临床路径管理，大幅提升了医护人员的操作效率与医疗数据的合规性。目前全国已有1000+二级以上医疗单位客户，累计服务人口3亿人。

职责描述：
1、系统需求设计：深度参与电子病历（EMR）核心模块的业务梳理，负责医嘱域、病历域及诊疗路径的领域模型设计，确保业务边界清晰、高内聚低耦合。
2、接口性能优化：深度参与PostgreSQL数据库性能调优，通过分析Explain Analyze执行计划，针对就诊记录检索、跨表统计报表等复杂查询进行索引覆盖优化与 SQL 改写，使核心查询响应耗时降低了 80% 以上。
3、异常问题排查：具备深厚的JVM故障排查经验，曾多次独立定位并解决生产环境中的OOM、频繁Full GC及CPU使用率爆满问题，通过jmap、visualVM深度分析堆转储文件，精准定位非正常持有的ThreadLocal变量与第三方SDK内存泄漏点。
4、病历检索功能优化：针对百万级门诊病历数据，主导了从传统数据库模糊查询向Elasticsearch 倒排索引架构的迁移。通过设计合理的Mapping策略，使用MaxNgramScore分词算法，实现了对非结构化病历文本的高效索引，使多维度复合检索响应速度由秒级由13s提升至2s以内，彻底解决了历史数据堆积导致的检索延迟瓶颈。
5、病历数据水平分表：针对单表千万级数据量导致的性能拐点，主导了核心病历表的水平分表工作。基于业务特性自主实现了按时间片的逻辑分表方案。通过在数据访问层封装动态表名路由逻辑，实现了业务侧透明的数据读写。
6、基于责任链模式的门诊处方全链路架构重构：针对门诊处方签名逻辑中存在的高度耦合、分支判断冗余（If-Else 堆砌）及难以扩展等问题，利用责任链模式将医嘱保存、签名校验、订单生成、自动支付及药房发药等独立逻辑抽象为标准处理节点。彻底解决了“牵一发而动全身”的修改风险，显著提升了核心业务代码的可维护性和效率

门诊医生智能体（2024/12 - 至今）
技术架构：SpringBoot、PostgreSQL、Redis、Elasticsearch、RocketMQ、WebSocket，SpringCloud、XXL-Job，SpringAi、Dify、RAG、MCP

项目介绍：针对医生门诊压力大、文书工作烦琐等痛点，打造了一款深度嵌入诊疗全流程的 AI 助手。通过语音实时转写与意图识别，系统支持语音自动生成病历及口令控制，彻底解放医生双手；同时结合患者历史数据与大语言模型，提供精准诊断推荐、风险预警、肿瘤筛查及转诊分析，辅助医生做出更科学的决策。目前已经在12家医院落地使用，医生书写病历时间降低了70%，医疗推荐准确率达到70%以上。

职责描述：
医学 RAG 架构落地：参与构建基于向量数据库的医学知识库检索增强方案，解决大模型在智能医嘱、诊断推荐场景下的“幻觉”问题，同时实现查询扩展（Query Expansion）与意图识别前置过滤，将检索召回率提升至 92%。针对医学术语复杂、缩写多的特点，设计医学分词器与同义词扩展模块，有效解决大模型在智能医嘱、诊断推荐场景下的“幻觉”问题，将大模型医疗建议的‘幻觉率’降至不足3%，医疗建议权威性符合国家临床规范

患者画像与数据建模：负责海量历史病历数据的清洗与聚合，构建多维度患者标签体系，为智能转诊分析及医疗风险预警模型提供底层数据支撑。支撑智能转诊分析的准确率达80%，医疗风险预警响应时间缩短40%，预警准确性提高60%。

高扩展的意图识别引擎：基于自然语言处理与路由转发技术，构建了一套高可扩展的语音指令分发系统。针对医疗场景下的复杂指令（如语音收入院、语音开药等），采用模板方法模式抽象标准执行链路，并结合动态策略模式实现了不同业务意图的解耦与定制化逻辑。支持十几种医疗场景复杂语音指令，指令识别准确率达95%+