负责生鲜供应链履约系统核心模块（订单调度、仓储对接、供应商协同）的设计开发与性能优化，支撑日均150万+订单的全链路履约，衔接全国200+仓库、5000+配送站点及3000+供应商系统

• 针对履约流程中“订单分拣-配送调度”环节平均45s/单的延迟瓶颈，主导异步化改造：基于Celery 5.3构建分层任务队列，将串行的“订单详情获取→配送员匹配→状态更新”拆分为独立子任务；结合Redis Cluster缓存高频访问的配送站点覆盖范围与骑手实时负载数据（QPS峰值达1.2万），减少MySQL查询次数60%。最终将该环节延迟降至12s/单，支撑日均订单峰值从100万提升至150万，履约及时率从92%升至98%
• 推动供应商协同接口标准化：基于OpenAPI 3.0定义统一契约规范，采用Pact框架实现消费者驱动的契约测试，解决原接口参数不兼容、响应格式混乱问题；同时封装requests库的异常重试与熔断逻辑（基于tenacity库），将供应商接口调用成功率从95%提升至99.9%，减少人工排查时间80%
• 设计库存准确性保障体系：针对“超卖”与“库存冻结不一致”问题，引入Redis分布式锁（redlock算法）控制库存扣减逻辑，结合数据库乐观锁（version字段）实现双重校验；同时搭建实时库存对账任务（基于Apache Airflow调度），每日凌晨核对仓库WMS与系统库存，差异率从0.3%降至0.01%
• 主导履约系统监控体系搭建：基于Prometheus+Grafana构建指标看板，跟踪“订单处理时长”“配送调度成功率”“供应商接口响应时间”等15个核心指标；集成Alertmanager实现异常告警（如订单积压超10万触发钉钉通知），将故障定位时间从30分钟缩短至5分钟内

负责食材全链路溯源系统后端开发，支撑每批次食材“产地-加工-仓储-终端”全流程溯源码生成与查询，保障数据一致性与时效性，服务B端商家与C端用户的溯源需求

• 解决溯源系统高并发查询性能问题：针对溯源码查询接口QPS从1000骤增到8000的瓶颈，采用Redis多级缓存策略——一级缓存存储热点溯源码数据（过期时间5分钟），二级缓存存储溯源链路元数据（如产地批次、加工车间），将查询响应时间从200ms降至50ms以内，缓存命中率达92%
• 实现跨系统数据实时同步：对接上游ERP系统的食材批次数据，采用Debezium CDC工具捕获数据库binlog变更，通过Kafka消息队列传递至溯源系统，替代原有的定时ETL同步方式；解决数据延迟问题（从1小时缩短至1分钟），同时通过幂等消费逻辑（基于消息ID去重）保障数据一致性，错误率从0.1%降至0
• 优化权限管理粒度：原RBAC模型无法满足“区域商家仅查看本地溯源数据”的需求，扩展为RBAC+ABAC混合模型——基于用户区域属性与数据标签动态计算访问权限；使用Casbin框架实现策略管理，支持可视化配置，权限校验耗时从10ms降至2ms，满足10万+商家的细粒度访问需求
• 构建自动化测试体系：采用pytest框架编写接口测试用例，结合factory_boy生成测试数据，覆盖溯源码生成、查询、数据同步等核心场景；引入Allure生成测试报告，测试覆盖率从65%提升至88%，上线前缺陷率下降70%

参与生鲜电商后台管理系统基础功能开发，支撑商品管理、订单处理、库存盘点等核心流程，保障系统稳定性与用户体验

• 重构商品分类模块：原模块采用Django原生ORM实现，接口响应慢（平均300ms/次）且难以维护。改用Django REST framework重构，优化序列化逻辑（排除冗余字段），并添加Redis缓存分类树结构；最终接口响应时间降至80ms/次，支撑商品运营人员快速操作，操作效率提升50%
• 优化订单超时处理逻辑：原方案采用Celery定时任务每5分钟扫描超时订单，资源消耗大（CPU占用率15%）。改为基于Redis Sorted Set的延迟队列，将订单超时时间作为score存储，定时轮询Top100订单判断是否超时；资源占用率降至3%，日均处理超时订单1.2万单，准确率100%
• 解决数据库慢查询问题：通过EXPLAIN分析订单表查询语句，发现“按用户ID+下单时间排序”的查询未命中索引，新增复合索引（user_id, create_time DESC）；将该查询耗时从1.2秒降至150ms以内，支撑用户“我的订单”页面快速加载，页面打开率提升20%
• 协助搭建CI/CD流程：使用Jenkins搭建自动化部署 pipeline，整合GitLab CI代码检查、pytest测试、Docker镜像构建与K8s部署；将部署时间从45分钟缩短至15分钟，上线频率从每周1次提升至每日3次，支撑快速迭代需求

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。

• 大二观察到毕业生离校时大量教材被废弃，而新生购书支出占生活费12%，便发起校园书籍教材循环计划。为解决传统二手书交易效率低的问题，我们开发微信小程序实现扫码估价、预约取件功能，并说服快递中心以成本价承接物流。
• 通过建立翻新消毒标准打消卫生顾虑，项目年流通教材1.2万册，累计为同学节省书费38万元。这段经历让我从商业小白成长为能设计闭环模式的实践者，项目不仅获省级创业金奖，更被纳入学校官方服务体系延续至今。