xurenlin
高级Java工程师
保密 · 9年经验
日薪：
￥500/8h
地点：
合肥 全区
时间：
可工作日远程
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
拥有8年Java后端开发经验，近12个月深度实践AI辅助编程（deepseek、Gemini），在保持高质量代码输出的同时，将研发效能提升40%以上。核心能力如下：
1. 微服务与云原生架构（核心强项）
精通Spring Cloud生态（Gateway、Nacos、OpenFeign、Sentinel、Seata），具备从0到1搭建高并发、高可用微服务集群的实战经验。深入理解服务熔断降级、分布式事务（TCC/Saga）及全链路灰度发布策略。熟悉Kubernetes+Docker容器化部署，能编写Helm Chart完成应用编排，曾主导日均百万级请求的系统重构，将接口P99延迟从850ms压降至210ms。
2. 多语言混合开发能力
主力语言为Java（JDK8），掌握函数式编程及并发框架。具备Python数据分析与自动化脚本编写能力，用于压测数据构造及监控日志清洗；同时具备Rust基础，能在性能敏感场景下编写安全的Native模块，通过JNI或GraalVM实现Java与Rust的异构融合。
3. AI赋能研发流程（近一年核心实践）
熟练将大语言模型嵌入日常开发闭环：利用AI生成单元测试（JUnit5+Mockito）、自动转化Swagger/OpenAPI为Mock数据、辅助重构遗留代码（Struts→Spring Boot）、以及智能化SQL优化（Explain分析+索引建议）。能基于LangChain或Spring AI搭建轻量级知识库问答助手，用于内部技术文档检索与运维日志排障。
4. 数据库与中间件
精通MySQL（索引优化、分库分表ShardingSphere）、Redis（缓存穿透/雪崩解决方案）、RocketMQ/Kafka（异步解耦与最终一致性）。具备InfluxDB时序数据库及Elasticsearch搜索引擎的使用经验。
1. 微服务与云原生架构（核心强项）
精通Spring Cloud生态（Gateway、Nacos、OpenFeign、Sentinel、Seata），具备从0到1搭建高并发、高可用微服务集群的实战经验。深入理解服务熔断降级、分布式事务（TCC/Saga）及全链路灰度发布策略。熟悉Kubernetes+Docker容器化部署，能编写Helm Chart完成应用编排，曾主导日均百万级请求的系统重构，将接口P99延迟从850ms压降至210ms。
2. 多语言混合开发能力
主力语言为Java（JDK8），掌握函数式编程及并发框架。具备Python数据分析与自动化脚本编写能力，用于压测数据构造及监控日志清洗；同时具备Rust基础，能在性能敏感场景下编写安全的Native模块，通过JNI或GraalVM实现Java与Rust的异构融合。
3. AI赋能研发流程（近一年核心实践）
熟练将大语言模型嵌入日常开发闭环：利用AI生成单元测试（JUnit5+Mockito）、自动转化Swagger/OpenAPI为Mock数据、辅助重构遗留代码（Struts→Spring Boot）、以及智能化SQL优化（Explain分析+索引建议）。能基于LangChain或Spring AI搭建轻量级知识库问答助手，用于内部技术文档检索与运维日志排障。
4. 数据库与中间件
精通MySQL（索引优化、分库分表ShardingSphere）、Redis（缓存穿透/雪崩解决方案）、RocketMQ/Kafka（异步解耦与最终一致性）。具备InfluxDB时序数据库及Elasticsearch搜索引擎的使用经验。
项目经验
项目一：智能公交调度与综合运营管理平台
项目角色： 核心开发工程师 / 技术负责人（后端）
技术栈： Spring Cloud Alibaba、Netty、MySQL、Redis、RocketMQ、InfluxDB、MinIO
项目描述：
该平台服务某省会城市公交集团，覆盖全市200+条线路、3000余辆运营车辆，日均处理定位报文超5000万条。系统涵盖智能排班调度、车载终端数据解析、ERP物资管理、运营统计及实时告警监控五大模块。
核心难点与解决方案：
1. 复杂灵活排班业务（最大难点）
公交排班涉及司乘人员资格（驾照类型、线路熟识度）、车辆维保周期、劳动法工时约束、节假日差异化时刻表等多重限制条件。传统硬编码规则无法应对频繁调整的运营策略。
解决方案： 抽象出规则引擎层（基于Drools），将排班约束条件动态配置化；同时采用Java 8 Stream + 并行计算，将单次周排班计算耗时从12分钟压缩至2.8分钟。对于临时调班、跨线路支援等异常场景，设计基于Redis Bitmap的冲突检测算法，秒级返回可替换人员清单。
2. 大数据量二进制数据解析分发
车载终端上报的原始数据为自定义二进制协议（含GPS、OBD、客流计数器等多帧类型），日增原始文件约60GB。
解决方案： 采用Netty自定义编解码器实现零拷贝解析，将二进制报文转译为标准化JSON后，根据报文头动态路由至不同Kafka Topic。引入多线程消费者组（每分区独立消费），结合批量写入（Batch Insert + 预处理Statement），使入库TPS稳定在12000+。同时使用MinIO对原始二进制文件做冷热分层归档，满足审计追溯需求。
3. 配套基础系统（ERP/统计/监控）
设计通用权限中台（RBAC + 数据权限行级控制），支撑所有子系统的统一认证审计。开发动态报表生成器，允许业务人员自助拖拽生成运营指标看板。告警监控模块基于InfluxDB + Chronograf，对车辆离线、超速、脱线运行等异常实时推送至钉钉/企业微信。
项目成果： 上线后调度员排班工作量降低70%，车辆准点率由82%提升至93%，系统已稳定运行18个月无P0级故障。
项目二：基于AI Agent的企业智能服务矩阵
项目角色： AI应用开发工程师
技术栈： Spring AI、LangChain4j、Python FastAPI、Qdrant向量数据库、DeepSeek大模型（API调用 + 本地私有化部署）
项目描述：
针对公交集团内部及乘客侧场景，构建了三个AI Agent应用：公交智能客服（面向公众）、规章制度问答系统（面向员工）、无人机驾驶执照题库助手（面向学员）。
核心难点与解决方案：
1. 公交客服的多意图识别与上下文衔接
乘客咨询常包含复合意图（如同时问"到站时间+是否支持刷卡+换乘路线"），传统意图分类模型准确率不足75%。
解决方案： 采用ReAct Agent模式，将问题拆解为多个子任务：第一层调用轻量级BERT分类器粗分领域，第二层由大模型（DeepSeek-V3 / DeepSeek-R1）结合工具调用（Function Calling）——查询实时到站API、线路库、支付规则库，最后融合生成自然语言回复。在RAG增强方面，将历史工单和FAQ按语义切分后存入Qdrant，检索Top-5相似案例作为Prompt上下文，实测首轮解决率达89%。
2. 规章制度问答的权限隔离与版本管理
公司内部制度文档存在密级区分（全员/部门/管理层），且版本更新频繁。
解决方案： 在向量入库时对每篇文档打上"可见范围"标签，查询时动态注入当前用户的LDAP权限组，通过Qdrant的Filter条件实现行级权限过滤。利用Python脚本定期扫描OA系统新发布公文，自动完成文档解析、分块、向量化及增量更新。同时引入Rust编写的文档解析中间件（基于serde和regex），处理Word/PDF中复杂表格的提取准确率提升至96%。
3. 无人机题库的高频检索与学习路径生成
题库含3000+道题目（含图片、多选、案例分析），需要支持按知识点、难度、错题记录的多维筛选。
解决方案： 将题目向量化后构建混合检索（关键词BM25 + 向量相似度），利用Elasticsearch + Qdrant双路召回融合。基于用户历史答题数据，通过简单的贝叶斯知识追踪模型预估薄弱知识点，动态推荐下一轮练习题目。后端采用Spring AI的ChatClient统一对接不同LLM提供商，保证系统可平滑切换模型。
项目成果： 智能客服上线后人工坐席咨询量下
项目角色： 核心开发工程师 / 技术负责人（后端）
技术栈： Spring Cloud Alibaba、Netty、MySQL、Redis、RocketMQ、InfluxDB、MinIO
项目描述：
该平台服务某省会城市公交集团，覆盖全市200+条线路、3000余辆运营车辆，日均处理定位报文超5000万条。系统涵盖智能排班调度、车载终端数据解析、ERP物资管理、运营统计及实时告警监控五大模块。
核心难点与解决方案：
1. 复杂灵活排班业务（最大难点）
公交排班涉及司乘人员资格（驾照类型、线路熟识度）、车辆维保周期、劳动法工时约束、节假日差异化时刻表等多重限制条件。传统硬编码规则无法应对频繁调整的运营策略。
解决方案： 抽象出规则引擎层（基于Drools），将排班约束条件动态配置化；同时采用Java 8 Stream + 并行计算，将单次周排班计算耗时从12分钟压缩至2.8分钟。对于临时调班、跨线路支援等异常场景，设计基于Redis Bitmap的冲突检测算法，秒级返回可替换人员清单。
2. 大数据量二进制数据解析分发
车载终端上报的原始数据为自定义二进制协议（含GPS、OBD、客流计数器等多帧类型），日增原始文件约60GB。
解决方案： 采用Netty自定义编解码器实现零拷贝解析，将二进制报文转译为标准化JSON后，根据报文头动态路由至不同Kafka Topic。引入多线程消费者组（每分区独立消费），结合批量写入（Batch Insert + 预处理Statement），使入库TPS稳定在12000+。同时使用MinIO对原始二进制文件做冷热分层归档，满足审计追溯需求。
3. 配套基础系统（ERP/统计/监控）
设计通用权限中台（RBAC + 数据权限行级控制），支撑所有子系统的统一认证审计。开发动态报表生成器，允许业务人员自助拖拽生成运营指标看板。告警监控模块基于InfluxDB + Chronograf，对车辆离线、超速、脱线运行等异常实时推送至钉钉/企业微信。
项目成果： 上线后调度员排班工作量降低70%，车辆准点率由82%提升至93%，系统已稳定运行18个月无P0级故障。
项目二：基于AI Agent的企业智能服务矩阵
项目角色： AI应用开发工程师
技术栈： Spring AI、LangChain4j、Python FastAPI、Qdrant向量数据库、DeepSeek大模型（API调用 + 本地私有化部署）
项目描述：
针对公交集团内部及乘客侧场景，构建了三个AI Agent应用：公交智能客服（面向公众）、规章制度问答系统（面向员工）、无人机驾驶执照题库助手（面向学员）。
核心难点与解决方案：
1. 公交客服的多意图识别与上下文衔接
乘客咨询常包含复合意图（如同时问"到站时间+是否支持刷卡+换乘路线"），传统意图分类模型准确率不足75%。
解决方案： 采用ReAct Agent模式，将问题拆解为多个子任务：第一层调用轻量级BERT分类器粗分领域，第二层由大模型（DeepSeek-V3 / DeepSeek-R1）结合工具调用（Function Calling）——查询实时到站API、线路库、支付规则库，最后融合生成自然语言回复。在RAG增强方面，将历史工单和FAQ按语义切分后存入Qdrant，检索Top-5相似案例作为Prompt上下文，实测首轮解决率达89%。
2. 规章制度问答的权限隔离与版本管理
公司内部制度文档存在密级区分（全员/部门/管理层），且版本更新频繁。
解决方案： 在向量入库时对每篇文档打上"可见范围"标签，查询时动态注入当前用户的LDAP权限组，通过Qdrant的Filter条件实现行级权限过滤。利用Python脚本定期扫描OA系统新发布公文，自动完成文档解析、分块、向量化及增量更新。同时引入Rust编写的文档解析中间件（基于serde和regex），处理Word/PDF中复杂表格的提取准确率提升至96%。
3. 无人机题库的高频检索与学习路径生成
题库含3000+道题目（含图片、多选、案例分析），需要支持按知识点、难度、错题记录的多维筛选。
解决方案： 将题目向量化后构建混合检索（关键词BM25 + 向量相似度），利用Elasticsearch + Qdrant双路召回融合。基于用户历史答题数据，通过简单的贝叶斯知识追踪模型预估薄弱知识点，动态推荐下一轮练习题目。后端采用Spring AI的ChatClient统一对接不同LLM提供商，保证系统可平滑切换模型。
项目成果： 智能客服上线后人工坐席咨询量下
案例展示 全部案例 >
xurenlin
高级Java工程师 · 9年经验 · 保密
0
累计接单
0
用户评价
0
被收藏
信用行为
0
接单数
0
评价数
0
收藏数
技术能力
拥有8年Java后端开发经验，近12个月深度实践AI辅助编程（deepseek、Gemini），在保持高质量代码输出的同时，将研发效能提升40%以上。核心能力如下：
1. 微服务与云原生架构（核心强项）
精通Spring Cloud生态（Gateway、Nacos、OpenFeign、Sentinel、Seata），具备从0到1搭建高并发、高可用微服务集群的实战经验。深入理解服务熔断降级、分布式事务（TCC/Saga）及全链路灰度发布策略。熟悉Kubernetes+Docker容器化部署，能编写Helm Chart完成应用编排，曾主导日均百万级请求的系统重构，将接口P99延迟从850ms压降至210ms。
2. 多语言混合开发能力
主力语言为Java（JDK8），掌握函数式编程及并发框架。具备Python数据分析与自动化脚本编写能力，用于压测数据构造及监控日志清洗；同时具备Rust基础，能在性能敏感场景下编写安全的Native模块，通过JNI或GraalVM实现Java与Rust的异构融合。
3. AI赋能研发流程（近一年核心实践）
熟练将大语言模型嵌入日常开发闭环：利用AI生成单元测试（JUnit5+Mockito）、自动转化Swagger/OpenAPI为Mock数据、辅助重构遗留代码（Struts→Spring Boot）、以及智能化SQL优化（Explain分析+索引建议）。能基于LangChain或Spring AI搭建轻量级知识库问答助手，用于内部技术文档检索与运维日志排障。
4. 数据库与中间件
精通MySQL（索引优化、分库分表ShardingSphere）、Redis（缓存穿透/雪崩解决方案）、RocketMQ/Kafka（异步解耦与最终一致性）。具备InfluxDB时序数据库及Elasticsearch搜索引擎的使用经验。
1. 微服务与云原生架构（核心强项）
精通Spring Cloud生态（Gateway、Nacos、OpenFeign、Sentinel、Seata），具备从0到1搭建高并发、高可用微服务集群的实战经验。深入理解服务熔断降级、分布式事务（TCC/Saga）及全链路灰度发布策略。熟悉Kubernetes+Docker容器化部署，能编写Helm Chart完成应用编排，曾主导日均百万级请求的系统重构，将接口P99延迟从850ms压降至210ms。
2. 多语言混合开发能力
主力语言为Java（JDK8），掌握函数式编程及并发框架。具备Python数据分析与自动化脚本编写能力，用于压测数据构造及监控日志清洗；同时具备Rust基础，能在性能敏感场景下编写安全的Native模块，通过JNI或GraalVM实现Java与Rust的异构融合。
3. AI赋能研发流程（近一年核心实践）
熟练将大语言模型嵌入日常开发闭环：利用AI生成单元测试（JUnit5+Mockito）、自动转化Swagger/OpenAPI为Mock数据、辅助重构遗留代码（Struts→Spring Boot）、以及智能化SQL优化（Explain分析+索引建议）。能基于LangChain或Spring AI搭建轻量级知识库问答助手，用于内部技术文档检索与运维日志排障。
4. 数据库与中间件
精通MySQL（索引优化、分库分表ShardingSphere）、Redis（缓存穿透/雪崩解决方案）、RocketMQ/Kafka（异步解耦与最终一致性）。具备InfluxDB时序数据库及Elasticsearch搜索引擎的使用经验。
项目经验
项目一：智能公交调度与综合运营管理平台
项目角色： 核心开发工程师 / 技术负责人（后端）
技术栈： Spring Cloud Alibaba、Netty、MySQL、Redis、RocketMQ、InfluxDB、MinIO
项目描述：
该平台服务某省会城市公交集团，覆盖全市200+条线路、3000余辆运营车辆，日均处理定位报文超5000万条。系统涵盖智能排班调度、车载终端数据解析、ERP物资管理、运营统计及实时告警监控五大模块。
核心难点与解决方案：
1. 复杂灵活排班业务（最大难点）
公交排班涉及司乘人员资格（驾照类型、线路熟识度）、车辆维保周期、劳动法工时约束、节假日差异化时刻表等多重限制条件。传统硬编码规则无法应对频繁调整的运营策略。
解决方案： 抽象出规则引擎层（基于Drools），将排班约束条件动态配置化；同时采用Java 8 Stream + 并行计算，将单次周排班计算耗时从12分钟压缩至2.8分钟。对于临时调班、跨线路支援等异常场景，设计基于Redis Bitmap的冲突检测算法，秒级返回可替换人员清单。
2. 大数据量二进制数据解析分发
车载终端上报的原始数据为自定义二进制协议（含GPS、OBD、客流计数器等多帧类型），日增原始文件约60GB。
解决方案： 采用Netty自定义编解码器实现零拷贝解析，将二进制报文转译为标准化JSON后，根据报文头动态路由至不同Kafka Topic。引入多线程消费者组（每分区独立消费），结合批量写入（Batch Insert + 预处理Statement），使入库TPS稳定在12000+。同时使用MinIO对原始二进制文件做冷热分层归档，满足审计追溯需求。
3. 配套基础系统（ERP/统计/监控）
设计通用权限中台（RBAC + 数据权限行级控制），支撑所有子系统的统一认证审计。开发动态报表生成器，允许业务人员自助拖拽生成运营指标看板。告警监控模块基于InfluxDB + Chronograf，对车辆离线、超速、脱线运行等异常实时推送至钉钉/企业微信。
项目成果： 上线后调度员排班工作量降低70%，车辆准点率由82%提升至93%，系统已稳定运行18个月无P0级故障。
项目二：基于AI Agent的企业智能服务矩阵
项目角色： AI应用开发工程师
技术栈： Spring AI、LangChain4j、Python FastAPI、Qdrant向量数据库、DeepSeek大模型（API调用 + 本地私有化部署）
项目描述：
针对公交集团内部及乘客侧场景，构建了三个AI Agent应用：公交智能客服（面向公众）、规章制度问答系统（面向员工）、无人机驾驶执照题库助手（面向学员）。
核心难点与解决方案：
1. 公交客服的多意图识别与上下文衔接
乘客咨询常包含复合意图（如同时问"到站时间+是否支持刷卡+换乘路线"），传统意图分类模型准确率不足75%。
解决方案： 采用ReAct Agent模式，将问题拆解为多个子任务：第一层调用轻量级BERT分类器粗分领域，第二层由大模型（DeepSeek-V3 / DeepSeek-R1）结合工具调用（Function Calling）——查询实时到站API、线路库、支付规则库，最后融合生成自然语言回复。在RAG增强方面，将历史工单和FAQ按语义切分后存入Qdrant，检索Top-5相似案例作为Prompt上下文，实测首轮解决率达89%。
2. 规章制度问答的权限隔离与版本管理
公司内部制度文档存在密级区分（全员/部门/管理层），且版本更新频繁。
解决方案： 在向量入库时对每篇文档打上"可见范围"标签，查询时动态注入当前用户的LDAP权限组，通过Qdrant的Filter条件实现行级权限过滤。利用Python脚本定期扫描OA系统新发布公文，自动完成文档解析、分块、向量化及增量更新。同时引入Rust编写的文档解析中间件（基于serde和regex），处理Word/PDF中复杂表格的提取准确率提升至96%。
3. 无人机题库的高频检索与学习路径生成
题库含3000+道题目（含图片、多选、案例分析），需要支持按知识点、难度、错题记录的多维筛选。
解决方案： 将题目向量化后构建混合检索（关键词BM25 + 向量相似度），利用Elasticsearch + Qdrant双路召回融合。基于用户历史答题数据，通过简单的贝叶斯知识追踪模型预估薄弱知识点，动态推荐下一轮练习题目。后端采用Spring AI的ChatClient统一对接不同LLM提供商，保证系统可平滑切换模型。
项目成果： 智能客服上线后人工坐席咨询量下
项目角色： 核心开发工程师 / 技术负责人（后端）
技术栈： Spring Cloud Alibaba、Netty、MySQL、Redis、RocketMQ、InfluxDB、MinIO
项目描述：
该平台服务某省会城市公交集团，覆盖全市200+条线路、3000余辆运营车辆，日均处理定位报文超5000万条。系统涵盖智能排班调度、车载终端数据解析、ERP物资管理、运营统计及实时告警监控五大模块。
核心难点与解决方案：
1. 复杂灵活排班业务（最大难点）
公交排班涉及司乘人员资格（驾照类型、线路熟识度）、车辆维保周期、劳动法工时约束、节假日差异化时刻表等多重限制条件。传统硬编码规则无法应对频繁调整的运营策略。
解决方案： 抽象出规则引擎层（基于Drools），将排班约束条件动态配置化；同时采用Java 8 Stream + 并行计算，将单次周排班计算耗时从12分钟压缩至2.8分钟。对于临时调班、跨线路支援等异常场景，设计基于Redis Bitmap的冲突检测算法，秒级返回可替换人员清单。
2. 大数据量二进制数据解析分发
车载终端上报的原始数据为自定义二进制协议（含GPS、OBD、客流计数器等多帧类型），日增原始文件约60GB。
解决方案： 采用Netty自定义编解码器实现零拷贝解析，将二进制报文转译为标准化JSON后，根据报文头动态路由至不同Kafka Topic。引入多线程消费者组（每分区独立消费），结合批量写入（Batch Insert + 预处理Statement），使入库TPS稳定在12000+。同时使用MinIO对原始二进制文件做冷热分层归档，满足审计追溯需求。
3. 配套基础系统（ERP/统计/监控）
设计通用权限中台（RBAC + 数据权限行级控制），支撑所有子系统的统一认证审计。开发动态报表生成器，允许业务人员自助拖拽生成运营指标看板。告警监控模块基于InfluxDB + Chronograf，对车辆离线、超速、脱线运行等异常实时推送至钉钉/企业微信。
项目成果： 上线后调度员排班工作量降低70%，车辆准点率由82%提升至93%，系统已稳定运行18个月无P0级故障。
项目二：基于AI Agent的企业智能服务矩阵
项目角色： AI应用开发工程师
技术栈： Spring AI、LangChain4j、Python FastAPI、Qdrant向量数据库、DeepSeek大模型（API调用 + 本地私有化部署）
项目描述：
针对公交集团内部及乘客侧场景，构建了三个AI Agent应用：公交智能客服（面向公众）、规章制度问答系统（面向员工）、无人机驾驶执照题库助手（面向学员）。
核心难点与解决方案：
1. 公交客服的多意图识别与上下文衔接
乘客咨询常包含复合意图（如同时问"到站时间+是否支持刷卡+换乘路线"），传统意图分类模型准确率不足75%。
解决方案： 采用ReAct Agent模式，将问题拆解为多个子任务：第一层调用轻量级BERT分类器粗分领域，第二层由大模型（DeepSeek-V3 / DeepSeek-R1）结合工具调用（Function Calling）——查询实时到站API、线路库、支付规则库，最后融合生成自然语言回复。在RAG增强方面，将历史工单和FAQ按语义切分后存入Qdrant，检索Top-5相似案例作为Prompt上下文，实测首轮解决率达89%。
2. 规章制度问答的权限隔离与版本管理
公司内部制度文档存在密级区分（全员/部门/管理层），且版本更新频繁。
解决方案： 在向量入库时对每篇文档打上"可见范围"标签，查询时动态注入当前用户的LDAP权限组，通过Qdrant的Filter条件实现行级权限过滤。利用Python脚本定期扫描OA系统新发布公文，自动完成文档解析、分块、向量化及增量更新。同时引入Rust编写的文档解析中间件（基于serde和regex），处理Word/PDF中复杂表格的提取准确率提升至96%。
3. 无人机题库的高频检索与学习路径生成
题库含3000+道题目（含图片、多选、案例分析），需要支持按知识点、难度、错题记录的多维筛选。
解决方案： 将题目向量化后构建混合检索（关键词BM25 + 向量相似度），利用Elasticsearch + Qdrant双路召回融合。基于用户历史答题数据，通过简单的贝叶斯知识追踪模型预估薄弱知识点，动态推荐下一轮练习题目。后端采用Spring AI的ChatClient统一对接不同LLM提供商，保证系统可平滑切换模型。
项目成果： 智能客服上线后人工坐席咨询量下
立即沟通
