9年 Java 后端，Spring Cloud 微服务与高并发经验。近一年聚焦 AI 应用落地：自研 ReAct Agent
运行时（Java 17、零第三方依赖），打通 Function Calling / Tool Calling、Prompt Engineering
与 RAG（BM25 与向量双路召回、RRF 融合、条款引用与未命中拒答）。擅长把大模型接入已有业务
系统：把库存、额度、审批、飞书通知封装为 7 个工具，用 JSON Schema 与执行前校验、只读 3s
与副作用 5s 超时、五类错误分型保证确定性；单笔超 2000 元自动暂停人工确认，跳过审批在提交
接口被拒，单号幂等避免重复扣库存与重复通知。熟悉 Nacos、Redis、RabbitMQ、MySQL 调优，
能用 Arthas 定位慢 SQL 与线上问题。有 LangChain4j 适配经验，模型层可在 DeepSeek / 千问
之间切换，业务代码不绑定厂商。

项目背景：公司内部物资领用平台，覆盖 2000+ 员工，日均请求 1.2 万+；目标是让员工用自然
语言完成领用与制度咨询。

我的职责：独立设计并实现领用 Agent。自研 ReAct 循环（最多 8 步），把已上线的库存、额度、
审批和飞书通知收成 7 个工具，模型只决定下一步调用；建立工具契约（JSON Schema、执行前校验、
按工具超时、错误分型）、审批护栏与单号幂等；用 RAG 做制度问答，回答带条款编号，未命中拒答；
搭建 12 条固定场景评测与逐步 trace。

结果：12 条场景覆盖小额办结、超额确认、缺货、诱导越权、条款引用、知识库外拒答与幂等，逐条
断言副作用；会话落盘支持进程重启后继续人工确认；平台从 0 到 1 上线，飞书通知经限流与分批
优化，2000 条消息从 40 分钟降到 2 分钟。