Programming & Scripting
精通Python，具备扎实的异步编程（asyncio/aiohttp）和类型注解（Pydantic/Type Hints）能力，擅长构建高并发、可维护的后端服务。熟练使用Shell/Bash进行自动化运维与部署脚本编写；熟悉Java和C/C++，能够进行底层性能调优或跨语言组件封装，保障Agent系统的核心执行效率。

Cloud & DevOps
深度实践Kubernetes与Docker容器化技术，能够设计高可用、弹性伸缩的Agent服务集群；熟练使用Helm管理应用发布，并基于Jenkins构建完整的CI/CD流水线，实现代码质量检查、镜像构建与自动化部署，确保远程协作下的交付效率与稳定性。

AI & LLM Engineering
专注LLM驱动的智能体（Agent）工程，擅长基于LangGraph构建有状态、可回溯的多角色协作Agent工作流，熟练设计ReAct、Plan-and-Execute等推理范式。精通RAG（检索增强生成）全链路优化，包括向量数据库选型、chunk策略、混合检索及重排序；掌握Prompt Engineering的系统化方法论（如few-shot、思维链、结构化输出），并能结合LLM Evaluation框架（如RAGAS、DeepEval）对Agent问答质量、工具调用准确率进行量化评估与迭代优化。

Development & Analysis Tools
熟练使用Git进行团队协作与版本管理；借助Coverity、Bullseye进行静态代码分析与测试覆盖率追踪；利用wrk/ab实施压力测试，保障Agent服务在高并发场景下的响应延迟与吞吐量满足SLA要求。

专注于LLM智能体（Agent）工程化落地，核心工具链为LangGraph + RAG + Prompt Engineering。

独立搭建过一套多智能体协作框架，支持ReAct、Plan-and-Execute等推理模式，能处理多轮对话、动态工具调用和状态回溯。这套框架接入了10多条业务线，自动跑通了2000+复杂任务流，顺便挖出了50多个隐藏的逻辑坑。

在RAG增强检索方面，熟悉向量数据库选型、分块策略及混合检索优化，能够有效提升知识召回准确率，支撑Agent更精准地获取上下文信息。

构建过基于量化指标的LLM评估流程（如RAGAS/DeepEval），持续监控Agent输出质量，为提示词迭代和模型版本调优提供数据支撑。

工程层面，具备Docker、Kubernetes及Jenkins的容器化与CI/CD部署经验，习惯远程协作与独立交付，能够快速将Agent原型转化为稳定可用的服务。