负责供应链协同平台核心模块的Node.js架构设计、迭代开发与性能优化，工作边界覆盖需求拆解、高并发接口实现、分布式事务处理及线上全链路稳定性保障

• 主导供应链订单中心异步处理架构升级，基于Koa3+TypeScript重构旧版Express系统，针对旧系统同步阻塞导致的QPS瓶颈（峰值800），采用async/await+Redis分布式锁优化订单状态流转逻辑，同时用OpenTelemetry实现全链路追踪，定位并优化3处跨服务调用耗时点，最终QPS提升至3500，接口错误率从1.2%降至0.72%，支撑大促期间120万+订单实时处理
• 设计供应商协同平台实时消息推送模块，选用RabbitMQ Direct Exchange+死信队列机制实现消息可靠投递，结合Socket.io搭建长连接通道，解决旧系统轮询导致的服务器压力问题（CPU利用率从75%降至30%），消息到达率从95%提升至99.9%，用户实时审批通知满意度提升35%
• 牵头解决订单与库存跨库分布式事务一致性问题，引入Seata TCC模式，自定义超时补偿逻辑覆盖12类异常场景，编写15+个单元测试用例验证分支逻辑，上线后事务成功率从98%提升至99.95%，彻底避免超卖或库存积压问题
• 推动Node.js服务容器化改造，用Docker+K8s优化部署流程，结合HPA实现自动扩缩容，大促期间服务资源利用率从40%提升至75%，部署时间从2小时缩短至15分钟

负责零售供应链后端接口开发、性能优化及第三方系统对接，工作边界涵盖需求分析、微服务搭建、数据库调优及线上问题排查

• 核心参与门店补货系统Node.js微服务开发，用NestJS框架搭建服务架构，对接WMS系统RESTful接口，设计基于Axios拦截器+指数退避的重试中间件，解决跨系统调用失败导致的补货延迟问题，接口成功率从92%提升至99%，补货周期从2天缩短至1天内
• 优化商品库存查询接口性能，用Mongoose重构MongoDB查询语句，添加(storeId+skuId+status)复合索引，单条查询时间从200ms降至50ms，同时引入Redis缓存热点商品库存（TTL5分钟），缓存命中率达85%，支撑双11期间5万+/秒的库存查询请求
• 负责第三方物流接口对接与异步处理，用BullMQ搭建任务队列解决物流轨迹回调的并发问题，实现回调任务的异步消费与死信重发，物流信息更新及时率从90%提升至98%，降低客服物流查询投诉量20%
• 搭建服务监控体系，用Prometheus+Grafana监控QPS、内存占用及错误率，设置三级告警阈值，及时处理1次MongoDB主节点宕机问题，通过副本集切换保障服务可用性99.9%

负责电商供应链基础服务的Node.js开发、维护及稳定性保障，工作边界包括需求落地、BUG修复、日常监控及小型功能迭代

• 独立开发供应商信息管理模块，用Express+MongoDB实现CRUD功能，设计基于Joi的数据校验中间件覆盖15+字段格式验证，减少后台人工审核工作量40%，模块上线后供应商信息录入错误率从8%降至2%
• 优化旧系统接口响应慢问题，用Chrome DevTools分析请求链路，定位数据库无索引痛点，添加索引后接口响应时间从400ms降至100ms，同时重构循环嵌套逻辑，服务CPU利用率从60%降至40%
• 负责日常服务故障排查，处理过Redis缓存击穿（通过设置热点key永不过期+布隆过滤器解决）及MongoDB慢查询（优化查询语句+添加覆盖索引）问题，保障系统可用性从99.5%提升至99.9%
• 协助团队完成Node.js版本升级（从v10到v14），梳理兼容性问题清单，修改20+处废弃API调用，确保服务平滑过渡无故障

星途直播平台高并发实时互动系统重构项目

• 星途直播作为公司核心娱乐产品，原有单体架构在峰值并发超800万时出现严重性能瓶颈——消息推送延迟高达500ms+、互动（点赞/评论/送礼）失败率达8%，直接导致礼物打赏转化率下降12%、用户30日留存率下跌5%。我的总体职责是主导系统从单体到分布式的重构，锚定“支撑千万级并发、将互动延迟降至200ms内、失败率低于2%”的核心目标，同时保障商业化场景的稳定性。
• 项目面临三大关键挑战：1）单体服务无法水平扩展，核心互动接口QPS仅能支撑6000；2）原有RabbitMQ消息队列无法区分优先级，主播回复、礼物特效等重要消息被普通评论积压；3）互动数据一致性依赖数据库行锁，在峰值下引发性能雪崩，导致20%的送礼请求超时。
• 我主导设计了“微服务拆分+事件驱动”的架构方案：首先用Spring Cloud Alibaba将系统拆分为用户鉴权、消息路由、互动处理、实时统计四大微服务，通过Sentinel实现熔断降级，避免单点故障扩散；针对消息优先级问题，自定义Kafka分区策略，将消息按“主播回复>礼物打赏>评论”权重分配至不同队列，确保高优先级消息延迟降低70%；为解决一致性难题，采用Seata TCC模式实现“送礼-主播账户更新-积分发放”的分布式事务，同时用Redis分布式锁优化礼物库存扣减逻辑，将超卖率从3%降至0.1%。此外，自研消息堆积预警系统，基于Prometheus+Grafana实现队列长度实时监控，当队列超过阈值时自动触发EC2实例扩容，将故障恢复时间从30分钟缩短至2分钟。
• 重构后系统成功支撑2023年双11直播峰值1200万并发，消息平均延迟降至120ms，互动失败率降至0.8%；礼物打赏转化率回升至15%（较重构前提升25%），主播开播率提升18%。项目为公司节省年服务器运维成本约350万元，我个人也因此获得“年度技术突破奖”，并主导输出《高并发实时系统设计手册》，成为团队后续大促项目的标准参考。

星途短视频内容分发与推荐后端优化项目

• 星途短视频当时面临“推荐不准、分发慢”的核心问题——用户刷新推荐结果需2秒，个性化内容占比仅35%，导致用户日均使用时长不足40分钟、30日留存率仅22%。我的职责是优化推荐系统的后端数据处理与模型部署流程，打通实时与离线数据链路，提升分发效率与用户留存。
• 项目难点集中在三方面：1）原“离线批处理+小时级特征更新”模式无法捕捉用户实时行为（如刚观看的视频类型），导致推荐结果滞后；2）用户画像、视频元数据、行为日志分散存储在MySQL、HDFS、Redis中，融合成本高且实时性差；3）推荐模型更新需重启服务，每次更新会导致10分钟用户体验中断。
• 我主导搭建“实时+离线”混合数据处理 pipeline：用Flink处理用户实时行为（点击、滑屏），将特征实时写入Redis；用Spark处理离线用户画像与视频标签，同步至HBase；设计特征路由中间件，根据推荐场景（首页/关注页/搜索页）动态选择特征源，将特征获取延迟从600ms降至80ms。针对模型部署，引入TensorFlow Serving实现模型热更新，无需重启服务即可加载新训练的DIN（深度兴趣网络）模型，将模型迭代周期从7天缩短至3天。此外，优化召回层算法，将协同过滤与DIN模型结合，个性化内容召回率提升50%。
• 项目上线后，推荐响应时间从2秒降至450ms，个性化内容占比提升至65%；用户日均使用时长增加至65分钟，30日留存率提升至30%；内容分发效率（用户点击推荐视频的概率）提升42%，带动平台DAU增长18%。此项目奠定了公司短视频业务的后端技术基础，我也因此晋升为后端技术主管，开始负责团队技术方案评审与新⼈培养。

支教时发现乡村小学因缺乏实验器材，科学课多停留在课本讲解。返校后联合实验室开发出百元级科学实验背包，内含20个基础实验器材。为确保可持续运营，设计配套视频课程与城乡结对系统，并培训132名大学生担任远程助教。项目覆盖9省47所学校后，学生科学兴趣评分提升35%。这段经历教会我用产品思维解决社会问题，当看到孩子们用自制望远镜发现土星光环时，我理解了教育的真谛是点燃可能性。