负责社区团购供应链平台核心交易链路（供应商管理、库存周转、履约调度）的架构设计与功能迭代，支撑日均百万级订单的供应链协同

• 主导供应商准入与资质审核模块重构，基于Django REST framework搭建分层架构，引入Celery异步任务队列处理资质文件校验（PDF解析、OCR识别），针对高并发下审核延迟问题，采用Redis Cluster做缓存（存储高频查询的供应商基础信息）与分布式锁（解决资质更新冲突），优化后单条资质审核耗时从3s降至500ms，日均处理10万+供应商资质更新，支撑平台供应商数量从5万增长至15万
• 优化库存实时计算逻辑，针对原有MySQL全表扫描导致的峰值延迟（大促期间超2s），引入ClickHouse作为实时数仓，用Python的Pandas库做数据预处理（清洗订单、入库、出库流水），构建库存宽表，结合Redis做库存缓存（TTL设置为5分钟），库存准确率从98%提升至99.9%，大促期间库存扣减成功率从95%提升至99.5%，避免100+次超卖事故
• 设计履约调度算法的Python实现，针对社区团购多仓多团点场景，基于遗传算法（使用DEAP库）优化配送路径，结合实时交通数据（调用地图API）动态调整路线，降低单均履约成本15%（从2.1元降至1.78元），覆盖200+城市的供应链节点，支撑平台日订单量从50万增长至200万
• 搭建供应商绩效评估系统，用Scikit-learn训练随机森林模型，基于履约时效、缺货率、客诉率等8个指标预测供应商风险等级（高/中/低），提前30天预警高风险供应商，推动供应商整改率达90%，每月减少供应链中断损失约80万

负责本地生活服务平台商家端后端功能开发与性能优化，支撑商家入驻、订单管理、营销活动等核心流程

• 核心参与商家入驻流程全链路开发，基于FastAPI搭建RESTful API，使用SQLAlchemy ORM映射商家、资质、银行账户等多张表，解决跨库关联查询慢的问题（原有查询耗时800ms），通过冗余字段（将商家状态同步到资质表）和索引优化（添加联合索引），入驻审核时间从1天缩短至2小时，商家入驻转化率从15%提升至35%
• 优化营销活动库存锁定机制，针对原有Redis分布式锁存在的死锁问题（峰值时出现1%的死锁率），改用Redlock算法实现分布式锁，结合Python的asyncio库实现异步锁管理，活动期间库存冲突率从1.2%降至0.1%，支撑双11期间100万+营销活动的并发，未出现因库存锁死导致的活动失败
• 搭建商家数据统计平台，基于Airflow设计数据pipeline，整合MySQL（订单、商家信息）、MongoDB（营销活动数据）的数据，每日凌晨跑批生成商家的订单量、客单价、复购率等10+个核心指标报表，商家数据查询效率从分钟级提升至秒级，帮助商家提升运营决策效率，平台商家活跃率从40%提升至55%
• 解决商家端接口幂等性问题，设计基于UUID+Redis的幂等校验方案（UUID作为请求唯一标识，Redis存储请求状态，TTL为24小时），拦截重复提交请求10万+/天，避免商家因重复下单导致的资金损失约50万/月，接口报错率从2%降至0.1%

参与互联网教育平台的课程管理与用户学习行为后端开发，协助完成核心功能的迭代与性能优化

• 协助开发互联网教育平台的课程发布与管理模块，基于Django搭建后台管理系统，实现课程分类（直播/录播/小班课）、章节上传（支持MP4/PDF/文档）、权限控制（讲师/助教/管理员）等功能，支持日均1000+课程的发布与更新，课程发布成功率从90%提升至99%
• 优化用户学习记录的存储与查询，针对原有MySQL按时间分表的策略导致的查询慢问题（查询某用户1年的学习记录需扫描12张表），改为按用户ID哈希分表（分成8张表），查询耗时从500ms降至100ms，支撑百万级用户的学习数据统计（如学习时长、课程完成率）
• 搭建学习行为埋点系统，基于Flask搭建数据接收服务，接收前端发送的学习行为数据（播放、暂停、完成），将数据写入Kafka集群（3个节点），再用Spark Streaming做实时处理（每5分钟统计一次用户学习时长），实现用户学习行为的实时监控，帮助产品优化课程推荐算法，推荐准确率提升10%
• 解决课程播放时的并发加载问题，用Nginx做负载均衡（配置4台后端服务器），结合Gunicorn做WSGI服务器（worker数设置为8），将并发处理能力从500QPS提升至2000QPS，播放卡顿率从15%降至5%，用户满意度提升20%

潮玩电商大促高并发交易系统重构项目

• 公司为应对潮玩品类双11大促的百万级并发交易需求，原单体交易架构暴露性能瓶颈——峰值并发仅5万/秒、库存超卖率0.1%、支付成功率不足99.5%，需重构分布式系统支撑业务增长。我主导交易系统的领域建模、核心模块开发及全链路压测，保障大促稳定性。
• 面临三大挑战：1. 单体转分布式的服务拆分边界不清，易引发核心域依赖；2. 高并发下库存扣减冲突率高（传统乐观锁达15%）；3. 订单、库存、支付跨服务强一致性难保障。针对性采用DDD划分核心域（交易/库存）与支持域，用Redis Lua脚本实现库存“预占+异步确认”原子操作，选Seata TCC模式解决跨服务事务。
• 主导3人小组完成交易领域建模，拆分出订单、库存、支付三个微服务并定义标准接口；优化库存逻辑——用户下单先预占Redis库存（Lua脚本保证原子性），支付成功后异步同步数据库，降低数据库压力70%；调整Seata事务协调器线程池与超时策略，将事务响应时间从200ms缩至50ms内。
• 重构后系统支撑30万/秒峰值并发，库存超卖率降至0、支付成功率99.95%，大促处理1200万订单无故障，支撑营收增长25%。项目获公司年度技术突破奖，我主导解决了分布式交易核心痛点，成为潮玩交易基础设施负责人。

潮玩社区实时用户行为分析系统研发

• 公司为提升潮玩个性化推荐效果，需整合APP/小程序/官网多端用户行为数据，但原离线系统延迟高（分钟级）、数据碎片化，无法支撑实时推荐。我负责实时数据处理 pipeline、用户画像构建及与推荐服务对接。
• 难点在于：1. 多端SDK数据字段差异30%，难以统一采集；2. 需支持每秒20万条数据的实时清洗聚合；3. 用户实时画像查询需毫秒级响应。采用Kafka统一采集多源数据，Flink做实时处理，Redis存储画像解决性能问题。
• 设计标准化数据schema，开发各端SDK适配器解决数据碎片化；优化Flink作业——并行度调至16、用5分钟滑动窗口聚合行为数据，将延迟从1分钟缩至200ms内；用Redis Hash分桶存储画像（按行为类型拆分字段），使推荐服务查询时间从500ms降至50ms。
• 系统上线后，实时吞吐量达25万条/秒，延迟稳定在300ms内，推荐点击率提升35%、用户留存率从28%升至46%。项目成为公司推荐业务核心数据平台，我借此晋升技术负责人，积累了实时数据处理与架构设计经验。

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。