猿急送>

深圳Python兼职程序员

ID：428112

gsh

后端工程师

公司信息：
深圳市南伽科技

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
可工作日远程

所在区域：
深圳
福田

技术能力

1. 深入理解 python 语言编程，熟练运用装饰器、生成器、迭代器、上下文管理器，熟悉 asyncio 异步编程与内存管理垃圾回收，构建高性能、高可用的应用程序。
2. 熟悉Flask、FastAPI、Django框架，掌握应用工厂模式、RESTful API 设计、SQLAlchemy 数据优化、JWT 认证及中间件定制，具备 RESTful API 架构设计与企业级后端系统开发经验。
3. 熟悉 LangGraph + LangChain 构建 LLM 应用，支持多 Agent 编排、Tools/Skills 注册管理、MCP 协议工具扩展；结合向量数据库与全文搜索引擎构建混合检索管线，实现智能问答、结构化报告生成及 JSON 输出落库。
4. 熟悉 AI 记忆系统架构设计，掌握短期/长期记忆转换、存取淘汰策略与 Mem0、Letta等框架；结合向量数据库实现语义检索与跨会话记忆复用，保障多轮对话的上下文延续性与信息一致性。
5. 熟悉 RAG 知识检索增强技术，掌握文档解析、文本分片、向量化入库及混合召回策略；熟练掌握 RAG-Fusion 多查询融合、Cross-Encoder 重排与上下文精炼，有效解决检索噪声与 Token 窗口膨胀问题。
6. 熟悉 Celery 异步任务与 Airflow 工作流调度，掌握任务分片、幂等设计、指数退避重试与状态机追踪，具备异步场景下的事务解耦与最终一致性保障经验。
7. 掌握 MySQL 架构设计、索引优化、SQL 性能调优及事务管理；熟悉 Redis 分布式锁、缓存优化与消息队列，保障分布式系统高可用。
8. 熟悉 Scrap、Playwright、BS4等爬虫技术；掌握动态渲染页面处理、验证码通关、代理池管理、逆向，保证抓取完整性与成功率，可使用影刀快速实现临时爬虫任务。
9. 熟悉 Linux 运维与 Shell 脚本，掌握 Nginx、Supervisor 部署及 Docker 容器化管理，支持高可用架构、版本管理与快速发布。
10. 熟悉阿里云、腾讯云等云服务、OSS、CDN、短信及支付 API，支持分布式存储、内容分发及多场景支付开发。
11. 熟悉电商后台业务，具备亚马逊、沃尔玛平台对接经验：掌握订单、库存、物流等跨境贸易全链路业务流程，熟悉分页拉取、增量/全量同步、Webhook、限流、重试与签名鉴权等通用对接机制。
12. 具备沃尔玛 EDI 对接经验：熟悉 ANSI X12 标准下的核心业务报文；了解 AS2 / SFTP 传输协议下的报文收发、解析与系统集成流程，掌握供应商与 Walmart 之间从订单接收、发货通知到发票结算的 EDI 全链路协同。
13. 熟悉亚马逊广告体系与运营逻辑：了解广告多层级投放模型，掌握广告指标及策略应用，具备基于表现数据的自动管理广告的设计经验。

项目经验

Infiai AI 平台
1. 项目概况
本项目为企业级多 Agent AI 平台，基于 FastAPI + LangGraph + Celery 构建，支持多 Agent 协作、流式对话与异步任务调度。平台涵盖 LLM 网关代理、三层记忆架构、RAG 知识检索增强、权限安全体系等核心模块，后端以 PostgreSQL + pgvector 为向量存储、Redis 为缓存与会话层、Celery 负责异步任务编排。项目从 0 到 1 完成架构设计与核心系统交付，验证多Agent 协作、记忆管理与 RAG 增强全链路可行性。
2. 我的分工
（1）Agent 运行时引擎与管线优化
- 参与 Pipeline 管线工厂与 SSE 流式响应通道建设，承担 Agent 请求路由、上下文装配与事件推送的开发与联调。
- 参与构建统一上下文引擎，按需聚合短期消息、长期向量检索、知识库 RAG、用户画像等多层上下文，结合动态 Token 估算与裁剪机制，防止超出 LLM
窗口上限导致关键信息截断。
- 实现复杂任务 Plan 模式，支持 Agent 将复杂任务拆解为多步执行计划，引入工具结果缓存减少重复 LLM 调用，配置 MCP 超时保护防止任务卡死。
- 推动多项性能优化：推理循环消除冗余复制、会话增量持久化、I/O 并行化缩短首 Token 延迟；Function Calling 替代 Prompt 硬编码工具描述节省 Token用量；网关层实现语义缓存，相似查询直接返回缓存结果，降低 API 重复调用成本。
（2）记忆系统 + RAG 检索增强
记忆系统：
- 搭建三层记忆架构：短期记忆基于 Redis 自研 LRU 缓存结构，设计时间优先与评分优先双轨淘汰策略；长期记忆基于 pgvector 向量存储，设计时间衰减淘汰引擎，综合访问频次与语义相关度评分进行智能淘汰。
- 设计短→长记忆迁移机制，通过 LLM 萃取会话中的关键偏好与事实，自动 Embedding 后持久化落库，支持用户级、Agent级、全局级三级共享可见范围，实现记忆跨会话精细隔离与复用。
- 后期主导记忆系统向 Mem0 全面迁移，配置自动降级容错与多维度过滤，检索性能明显提升的同时消除自建向量存储运维成本。
RAG 知识检索增强：
- 搭建多格式文档解析引擎，支持 PDF、DOCX、Markdown、JSON、CSV 等格式的段落边界感知智能分片与向量化入库。
- 基于 pgvector HNSW 索引 + PostgreSQL 全文搜索构建向量与关键词双通道混合召回，集成 RBAC 模型进行三级可见范围的权限过滤。
- 主导 RAG-Fusion 方案设计：通过多意图变体查询拓宽检索覆盖面，采用 RRF 粗筛 + Cross-Encoder 重排 + 动态分数阈值深度去噪，结合 Token 熔断机制防止检索结果过多导致 LLM 输入窗口膨胀。
（3）Agent 工具链与 MCP 协议扩展
- 主导 MCP（Model Context Protocol）协议的接入与分层架构重构，将工具注册、权限校验、生命周期管理抽象为独立层，支撑 Agent 按需挂载外部工具。
- 集成 Epixa MCP、SIF-MCP、Playwright MCP 等多套外部工具，为 MCP 设计 Hooks 机制实现结果后处理（如截图自动上传阿里云 OSS）。
- 独立完成市场调研 Agent 的产品化落地：遵循平台 Agent 基类与自动注册机制，设计智能双模式响应策略，覆盖平台/品牌/趋势/竞品四大场景，内嵌权威溯源机制降低 LLM 幻觉风险。
(4) 参与邮件分类大模型的微调调研，基于阿里云百炼平台对 Qwen-7B 模型进行 SFT，实现邮件意图的多层级分类，验证大模型微调方案在跨境电商客服邮件场景下的可行性。

亚马逊商品数据爬虫集群
1. 项目概况
本项目为亚马逊多站点数据采集与监控系统，采用 Scrapy/Scrapyd + Redis + MySQL 的分布式爬虫集群架构，覆盖 US/UK/DE 等共计 9 个站点、14 种爬虫，涵盖商品详情、关联推荐/广告、BSR 榜单、评论、卖家信息、广告关键词排名、分类品牌榜单等核心数据维度。集群拓扑：1 个主节点负责 URL 生成与任务编排，2 个从节点并行消费 Redis 队列；由 Airflow 定时触发生成任务，7 条 Pipeline 分流写入 5 套独立 MySQL 数据库，其中广告关键词 Pipeline 同时通过 HTTP API 双写到 HBase。针对强动态与反爬场景，引入 Playwright 无头浏览器与住宅代理池，并在 AmazonSpider 公共基类

案例展示

RAGLAN

1.支持多阶段 RAG 检索流程，包括问题改写（Query Rewrite）、多路召回、结果融合、文档扩展、语义重排等能力。 2.支持混合检索模式，融合向量语义检索与 BM25 关键词检索，提高复杂问题场景下的知识召回准确率。 3.支持父子文档检索（Parent Docume
INFIAI AI

本项目为企业级多 Agent AI 平台，基于 FastAPI + LangGraph + Celery 构建，支持多 Agent 协作、流式对话与异步任务调度。平台涵盖 LLM 网关代理、三层记忆架构、RAG 知识检索增强、权限安全体系等核心模块，后端以 PostgreSQL