负责公司核心订单履约系统的全链路架构设计与迭代，覆盖从用户下单到骑手完成配送的关键环节，保障系统在高并发（日均150万单）场景下的稳定性与毫秒级响应，协同产品、算法团队优化履约效率与成本

• 主导订单处理模块的异步化重构：针对原同步处理逻辑导致的峰值延迟问题（订单积压超10万单/小时），采用Celery+Redis Cluster构建分布式任务队列，拆分「接单-分配骑手-确认取件」大任务为原子化子任务，引入任务分片与优先级队列机制，解决消费者处理瓶颈；最终订单全链路处理延迟从500ms降至150ms，峰值吞吐量提升3倍，支撑双11期间200万单/日的高峰流量
• 设计骑手实时轨迹同步系统：为解决弱网环境下轨迹更新丢失与延迟问题，基于WebSocket+MQTT协议搭建双向通信链路，结合Redis Pub/Sub实现状态缓存与离线消息重发；针对轨迹数据一致性痛点，设计幂等性校验（基于订单ID+时间戳哈希）与断点续传机制（记录最后成功同步的位置）；上线后轨迹更新成功率从95%提升至99.9%，骑手端定位延迟降低至200ms以内，客诉率下降40%
• 推动数据库性能优化与成本管控：通过Py-Spy性能 profiling 定位到订单列表接口慢查询（响应时间800ms+）源于多表关联缺少复合索引，添加`(order_status, create_time, rider_id)`联合索引，同时将近7天热点订单缓存至Redis（采用LFU淘汰策略，TTL设置为10分钟）；优化后接口响应时间降至120ms，数据库CPU利用率从75%降至30%，月度数据库成本减少25%
• 协同算法团队落地路径规划服务：将算法团队的Dijkstra优化算法输出（JSON格式路径坐标）转化为后端可调用的路线规划微服务，使用FastAPI搭建服务并定义OpenAPI 3.0契约，针对高并发场景（1万次/秒路径计算）调整Gunicorn配置（worker=16, worker_class=gevent），并通过Locust压测验证服务稳定性；服务上线后响应时间稳定在50ms以内，支撑日均100万单的路径计算需求

负责公司同城跑腿系统的后端开发与微服务转型，覆盖用户下单、任务派单、支付结算全流程，保障业务快速迭代的同时提升系统扩展性与可靠性

• 主导系统微服务拆分项目：将原单体应用拆分为「订单服务」「派单服务」「支付服务」三个核心微服务，使用Django REST framework+Docker构建服务容器，通过gRPC实现服务间通信；解决单体应用部署慢（2小时/次）、故障扩散问题，部署时间缩短至15分钟，故障隔离率提升至90%，支撑业务线从3个扩展至8个
• 优化支付回调链路可靠性：原同步支付回调逻辑易因网络波动导致订单状态不一致，改为异步处理方案——用RabbitMQ做消息队列，添加指数退避重试机制（最大重试5次，间隔10s递增）与死信队列（人工介入处理失败消息）；上线后支付成功率从92%提升至98%，回调处理延迟从1秒降至300ms，支付相关客诉减少60%
• 搭建后端性能监控体系：基于Prometheus+Grafana构建监控平台，采集服务QPS、响应时间、错误率、数据库连接池利用率等指标，设置阈值告警（如错误率超1%触发钉钉通知）；通过监控及时发现订单服务数据库连接池耗尽问题，调整连接池大小（从20增至50）并优化SQL查询，避免线上P0级故障，系统可用性从99.5%提升至99.9%

协助开发公司内部OA系统与客户管理系统（CRM）的后端功能，参与需求分析、编码测试与线上问题排查，掌握Python后端开发全流程与团队协作规范

• 独立开发OA系统请假审批模块：采用Django框架实现RESTful API，对接MySQL数据库，设计「待审批-审批中-已通过-已拒绝」状态机，支持多级审批（直属领导→部门经理→HR）；上线后处理1000+条请假申请，无重大bug，审批流程效率提升50%（从1天缩短至半天）
• 优化文件上传功能性能：原功能直接上传文件至服务器，导致存储成本高（月度100GB+）且上传速度慢；改用阿里云OSS存储，通过Python boto3 SDK实现分片上传（10MB/片），添加文件类型（仅允许PDF/Excel/图片）与大小（≤20MB）校验；优化后存储成本降低40%，上传速度提升50%，支持大文件上传
• 搭建自动化测试体系：用pytest编写单元测试（覆盖核心函数）与集成测试（覆盖API接口），测试覆盖率达到80%；减少回归测试时间（从2天缩短至半天），上线后bug率下降30%，提升团队交付质量

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。