Fancy Wu
Java开发工程师、AI开发工程师 · 6年经验 · 大成基金
0
累计接单
0
用户评价
0
被收藏
技术能力
1.熟悉Java核心基础，包括面向对象编程三大特性、集合框架、I/O流、多线程与并发编程、泛型等，具备良好的编码规范与编程习惯。
2.熟悉SpringBoot、SpringCloud、SpringAI/SpringAIAlibaba、Jrescloud、Spring-WebFlux等框架，具备实际项目开发经验。
3.熟悉微服务架构体系：服务注册与发现、配置中心、API网关、限流熔断、远程调用等技术栈。
4.熟悉SQL语法及数据库操作，具备事务管理、索引优化、触发器及日志分析能力，能够进行基础的SQL性能优化。
5.熟悉Redis主从架构、哨兵机制与集群部署，掌握缓存设计、分布式锁等常见应用场景。
6.熟悉RabbitMQ常用消费模式、消息持久化、死信队列、消息可靠性投递及ACK应答机制。
7.熟悉Kafka的生产与消费模型，了解事务性消费、分区分配策略及配置机制。
8.熟悉Docker及docker-compose工具，掌握常用命令与容器化部署实践。
9.熟悉Elasticsearch的使用，了解Elasticsearch 8版本的新特性及在搜索场景中的应用。
10.熟悉AI相关技术与理论，具备在Java体系下进行AI工程化落地的生产级项目经验。
2.熟悉SpringBoot、SpringCloud、SpringAI/SpringAIAlibaba、Jrescloud、Spring-WebFlux等框架，具备实际项目开发经验。
3.熟悉微服务架构体系：服务注册与发现、配置中心、API网关、限流熔断、远程调用等技术栈。
4.熟悉SQL语法及数据库操作，具备事务管理、索引优化、触发器及日志分析能力，能够进行基础的SQL性能优化。
5.熟悉Redis主从架构、哨兵机制与集群部署，掌握缓存设计、分布式锁等常见应用场景。
6.熟悉RabbitMQ常用消费模式、消息持久化、死信队列、消息可靠性投递及ACK应答机制。
7.熟悉Kafka的生产与消费模型，了解事务性消费、分区分配策略及配置机制。
8.熟悉Docker及docker-compose工具，掌握常用命令与容器化部署实践。
9.熟悉Elasticsearch的使用，了解Elasticsearch 8版本的新特性及在搜索场景中的应用。
10.熟悉AI相关技术与理论，具备在Java体系下进行AI工程化落地的生产级项目经验。
项目经验
项目名称：交易风险监控
项目介绍：对接O32核心交易系统、聚源、恒生场外等系统，监控指令下达、委托/确认、成交至交收的交易全流程，将数据监控可视化并及时播报。对各类操作风险、市场风险、管理风险和交易所要求，
支持各种预警策略和播报，同时提供权限管理和合规性功能，系统核心目的是及时提供数据，辅助交易员风险管理，覆盖日常交易的执行风险、市场风险、管理风险等。
开发技术栈：Jrescloud + SpringBoot + Redis + RabbitMQ + Kafka + Zookeeper + WebSocket + Mybatis + Oracle + SQLServer
部署运维技术栈：Jenkins + 恒生SEE平台 + Linux
项目职责：
1.主导业务需求迭代与日常维护核心工作，负责业务部门需求落地，保障交易风险监控系统的稳定运行和交易指令的实时监控不中断，为交易风控提供可靠系统保障。
2.负责多系统实时数据推送与预警播报模块的设计与实现：基于定时任务调度拉取O32核心交易系统、聚源等上游系统数据，结合RabbitMQ消息队列实现异步消费与数据落库，通过策略模式封装多类预警规则的动态加载，最终借助 WebSocket 技术实现预警信息向大屏的实时推送与语音播报。该方案有效解决了传统监控信息滞后问题，将风险预警响应时间从分钟级缩短至秒级，帮助交易员及时规避风险操作，为交易决策提供精准、及时的数据支撑。
3.主导设计并开发实时行情涨跌幅动态计算模块：对接交易所实时行情数据，自定义Kafka多消费者分组机制，按市场维度拆分数据消费链路提升处理效率；引入Redis的Stream类型来实现滑动窗口数据存储，精准计算N分钟级行情涨跌幅指标。通过全链路优化，实现行情数据的低延迟处理，并通过WebSocket实时同步至预警大屏可视化展示，帮助交易员快速捕捉市场波动风险，强化市场风险预判能力。
项目名称：大成智能AI
项目介绍： 服务于大成基金内部的AI平台，基于Java生态开发并根据不同业务需求，囊括RAG问答、联网搜索、Agent、FunctionCall/NLPToSQL/NLPToApi、WorkFlow、Openclaw（小龙虾）等多种场景满足业务需求，AI平台有效提升业务人员工作效率，减少了重复造轮子或需要处理低价值的频率，让业务人员回归于业务本身；同时大成智能AI还可以记住复杂业务知识，或协助处理各种日常业务办理，不仅是提效工具，更是创造额外价值的平台。
已上线项目：现券询价/成交语料的要素解析、和大模型直接对话/联网问答/私有文档上传问答、各业务定制的agent、智能客服坐席平台、智能会议纪要、基金定报分析与对比、数字员工等等；
使用技术：SpringAI/SpringAIAlibaba + Jrescloud + SpringBoot + Spring-WebFlux + Langchan4J + OkHttp + Ffmpeg + Mybatis + Oracle + Elasticsearch + Redis + Kafka + Docker/K8s + Linux等等
项目职责：
1.担任大成智能AI的核心开发人员，主导核心业务需求迭代，承接并落地各业务部门 AI 相关需求，保障 AI 平台核心服务稳定运行，为平台落地提供坚实的系统支撑。
2.精通 SSE 流式传输协议、OpenAI-V1 标准协议、OkHttp 网络通信技术，基于标准协议规范完成 AI 接口开发与适配，保障AI服务交互兼容性与通用性。
3.研究 RAG 检索增强、提示词工程、上下文工程、长期记忆体、NLPToApi、NLPToSQL 等 AI 工程化落地技术，针对性解决业界大模型应用中token上下文过长、知识召回精度低、生成回答失真 / 知识不准确等核心痛点，提升大模型业务落地的实用性与可靠性。
4.研究 Dify、Xinference 、Openclaw等主流 AI 开发与推理框架，独立完成框架内网私有化部署与环境适配，输出标准化、可复用的部署文档，赋能项目组高效开展框架选型与落地工作，降低团队技术调研与部署成本。
5.对开源 LLM 模型进行效果测评与性能验证，基于Docker+VLLM技术实现开源模型的轻量化、高性能部署，兼顾模型推理效率与资源利用率，为 AI 应用提供灵活、低成本的模型部署方案。
6.配合算法侧，梳理业务场景核心诉求，收集并治理业务反馈的问题数据，完成精细化数据标注；同步配合模型微调的性能测试与Bad Case 回归测试，基于数据有效治理体系与 Bad Case 闭环回归机制，大大提升模型对业务场景的识别准确度。
7.研究 Spring-WebFlux、Spring
项目介绍：对接O32核心交易系统、聚源、恒生场外等系统，监控指令下达、委托/确认、成交至交收的交易全流程，将数据监控可视化并及时播报。对各类操作风险、市场风险、管理风险和交易所要求，
支持各种预警策略和播报，同时提供权限管理和合规性功能，系统核心目的是及时提供数据，辅助交易员风险管理，覆盖日常交易的执行风险、市场风险、管理风险等。
开发技术栈：Jrescloud + SpringBoot + Redis + RabbitMQ + Kafka + Zookeeper + WebSocket + Mybatis + Oracle + SQLServer
部署运维技术栈：Jenkins + 恒生SEE平台 + Linux
项目职责：
1.主导业务需求迭代与日常维护核心工作，负责业务部门需求落地，保障交易风险监控系统的稳定运行和交易指令的实时监控不中断，为交易风控提供可靠系统保障。
2.负责多系统实时数据推送与预警播报模块的设计与实现：基于定时任务调度拉取O32核心交易系统、聚源等上游系统数据，结合RabbitMQ消息队列实现异步消费与数据落库，通过策略模式封装多类预警规则的动态加载，最终借助 WebSocket 技术实现预警信息向大屏的实时推送与语音播报。该方案有效解决了传统监控信息滞后问题，将风险预警响应时间从分钟级缩短至秒级，帮助交易员及时规避风险操作，为交易决策提供精准、及时的数据支撑。
3.主导设计并开发实时行情涨跌幅动态计算模块：对接交易所实时行情数据，自定义Kafka多消费者分组机制，按市场维度拆分数据消费链路提升处理效率；引入Redis的Stream类型来实现滑动窗口数据存储，精准计算N分钟级行情涨跌幅指标。通过全链路优化，实现行情数据的低延迟处理，并通过WebSocket实时同步至预警大屏可视化展示，帮助交易员快速捕捉市场波动风险，强化市场风险预判能力。
项目名称：大成智能AI
项目介绍： 服务于大成基金内部的AI平台，基于Java生态开发并根据不同业务需求，囊括RAG问答、联网搜索、Agent、FunctionCall/NLPToSQL/NLPToApi、WorkFlow、Openclaw（小龙虾）等多种场景满足业务需求，AI平台有效提升业务人员工作效率，减少了重复造轮子或需要处理低价值的频率，让业务人员回归于业务本身；同时大成智能AI还可以记住复杂业务知识，或协助处理各种日常业务办理，不仅是提效工具，更是创造额外价值的平台。
已上线项目：现券询价/成交语料的要素解析、和大模型直接对话/联网问答/私有文档上传问答、各业务定制的agent、智能客服坐席平台、智能会议纪要、基金定报分析与对比、数字员工等等；
使用技术：SpringAI/SpringAIAlibaba + Jrescloud + SpringBoot + Spring-WebFlux + Langchan4J + OkHttp + Ffmpeg + Mybatis + Oracle + Elasticsearch + Redis + Kafka + Docker/K8s + Linux等等
项目职责：
1.担任大成智能AI的核心开发人员，主导核心业务需求迭代，承接并落地各业务部门 AI 相关需求，保障 AI 平台核心服务稳定运行，为平台落地提供坚实的系统支撑。
2.精通 SSE 流式传输协议、OpenAI-V1 标准协议、OkHttp 网络通信技术，基于标准协议规范完成 AI 接口开发与适配，保障AI服务交互兼容性与通用性。
3.研究 RAG 检索增强、提示词工程、上下文工程、长期记忆体、NLPToApi、NLPToSQL 等 AI 工程化落地技术，针对性解决业界大模型应用中token上下文过长、知识召回精度低、生成回答失真 / 知识不准确等核心痛点，提升大模型业务落地的实用性与可靠性。
4.研究 Dify、Xinference 、Openclaw等主流 AI 开发与推理框架，独立完成框架内网私有化部署与环境适配，输出标准化、可复用的部署文档，赋能项目组高效开展框架选型与落地工作，降低团队技术调研与部署成本。
5.对开源 LLM 模型进行效果测评与性能验证，基于Docker+VLLM技术实现开源模型的轻量化、高性能部署，兼顾模型推理效率与资源利用率，为 AI 应用提供灵活、低成本的模型部署方案。
6.配合算法侧，梳理业务场景核心诉求，收集并治理业务反馈的问题数据，完成精细化数据标注；同步配合模型微调的性能测试与Bad Case 回归测试，基于数据有效治理体系与 Bad Case 闭环回归机制，大大提升模型对业务场景的识别准确度。
7.研究 Spring-WebFlux、Spring
立即沟通
相似人才推荐：
