负责公司核心课程交易系统（含下单、支付、退课链路）的架构设计、迭代优化及高并发稳定性保障，边界覆盖需求拆解、技术方案落地、线上问题排查及团队技术协同

• 主导课程秒杀场景下单链路重构：针对原同步架构下库存超卖、下单成功率低（仅75%）的问题，采用Celery+RabbitMQ实现异步下单解耦，结合Redis分布式锁+Lua脚本保证库存原子操作，同时引入Sentinel做流量削峰，最终下单成功率提升至95%，峰值QPS从1200提升至3500，大促期间未出现超卖事故
• 优化订单系统数据库性能：通过EXPLAIN分析慢查询日志，定位到订单列表查询未命中联合索引、关联表查询冗余问题，重构索引策略（新增复合索引3个）并拆分关联查询为批量预加载，将单条订单查询耗时从800ms降至150ms，DBA统计QPS提升30%，月度数据库CPU使用率下降25%
• 核心参与用户学习行为分析模块搭建：基于Django REST framework设计RESTful接口，对接前端埋点数据，用Celery定时任务将MySQL中的行为数据同步至ClickHouse，支持运营实时查询用户观看时长、课程完成率的聚合报表，接口响应时间从5s缩短至1s，支撑了3个季度的运营活动优化
• 推动团队工程化升级：引入Poetry替代原有requirements.txt管理依赖，制定版本锁定与虚拟环境规范，解决不同开发环境依赖冲突问题，部署失败率从15%降至5%；同时主导编写《Python后端异常处理规范》，覆盖数据库操作、接口幂等性等场景，团队代码BUG率下降20%

负责课程管理系统（含课程创建、排课、教师分配）的基础功能开发与性能优化，边界覆盖功能实现、线上故障排查及跨部门（产品、测试、前端）协作

• 优化课程创建流程性能：原流程同步调用第三方支付接口校验课程价格，导致超时率达15%、用户投诉多；改成异步回调+本地状态机（用Django FSM管理课程状态），将同步操作转为后台任务，超时率降至2%，用户投诉量减少60%，课程创建平均耗时从3s缩短至800ms
• 搭建系统监控与告警体系：用Prometheus采集服务器CPU、内存及接口响应指标，Grafana可视化展示，设置阈值告警（如接口5xx错误率超过1%触发钉钉通知），将故障定位时间从1小时缩短至10分钟内，月度P0级故障从4次降至1次
• 重构权限管理系统：原自研权限逻辑存在多租户支持不足、判断耗时久（200ms/次）问题，引入Casbin作为权限引擎，定义RBAC+ABAC混合模型，权限判断耗时降至50ms以内，支持按机构、课程维度细粒度控制，满足新增的加盟校区权限隔离需求
• 带教新人成长：负责2名应届生的入职培养，制定“Django基础→数据库设计→接口测试”学习路径，每周进行代码Review与问题复盘，新人1个月内可独立完成后台管理系统的增删改查功能开发，3个月内参与核心模块迭代

负责公司官网及后台管理系统的基础功能开发，边界覆盖按需求实现功能、配合测试修复BUG及运维问题排查

• 独立开发官网课程列表接口：针对原接口响应慢（1s+）、热门课程重复查询问题，用Django ORM的select_related优化关联查询，结合Redis缓存热门课程数据（过期时间10分钟），接口响应时间降至200ms以内，官网课程页PV提升35%
• 解决后台文件上传性能问题：原系统用本地存储上传课件，速度慢且占用服务器空间；迁移至阿里云OSS，用Python SDK实现分片上传，上传速度提升5倍，同时节省服务器存储成本40%，后续扩展了文件预览、删除的API接口
• 实现用户注册防刷机制：针对垃圾账号注册问题，用Redis计数器限制同一IP每分钟注册次数（上限5次），并结合图形验证码，注册垃圾账号数量下降80%，减轻了后续人工审核压力
• 协助运维排查线上问题：用Sentry收集后端错误日志，定位到数据库连接池泄漏问题（因未及时关闭游标导致），修复后数据库连接数从峰值200+稳定至50以内，服务器资源利用率恢复正常

实时库存风控与动态定价系统重构

• 项目背景：电商大促期间传统库存系统因行锁粒度粗、一致性保障弱，超卖率高达0.8%；同时动态定价依赖离线计算，响应延迟超500ms，导致客诉率攀升、营收转化损失约15%。我的核心职责是主导库存引擎与定价中枢的模块化设计，衔接前端业务需求与底层分布式组件，实现高并发下的库存精准管控与实时定价。
• 关键难题：1. 高并发下库存扣减的性能瓶颈——传统方案QPS仅能支撑3000，无法应对大促峰值；2. 库存与价格的联动一致性问题——库存变化需实时触发价格调整，但跨系统调用延迟易导致数据不一致；3. 动态定价的多源数据聚合延迟——需整合库存、销量、竞品价格等6类数据，离线计算无法满足实时性要求。
• 核心行动与创新：1. 库存引擎采用「分段锁+Redis原子操作」方案，将库存拆分为100个逻辑分段，通过Lua脚本实现分段内的原子扣减，将QPS提升至15万；2. 设计「库存-价格联动事件队列」，基于Kafka传递库存变更事件，定价服务消费事件后实时调整，从根源解决一致性难题；3. 定价中枢引入Flink流处理框架，对多源数据进行1分钟级窗口聚合，预计算常用定价策略，将动态定价响应时间从500ms压缩至80ms。
• 项目成果：重构系统支撑2023年双11期间1200万单交易规模，超卖率降至0.08%以下，动态定价响应时间达标率99.9%；客诉率减少65%，直接带动营收提升12%。本人主导的「库存分段模型」被纳入公司技术中台标准，推广至服饰、3C等5个核心品类，成为大促期间的关键稳定性保障。

内容社区Feed流高并发与个性化推荐性能优化

• 项目背景：社区用户量从500万增长至1200万，Feed流接口首屏加载时间长达2.1秒，个性化推荐准确率仅68%，导致月活留存率下降11%。我的职责是牵头Feed流架构升级，解决性能瓶颈与推荐效果问题，支撑业务从「用户增长」向「留存转化」转型。
• 关键难题：1. 单体架构耦合严重——Feed流服务依赖用户、内容、推荐等8个模块，单次修改可能引发全链路故障；2. 兴趣标签查询慢——用户标签需关联3张关系型数据库表，查询耗时300ms，影响推荐时效性；3. 推荐模型迭代与线上服务冲突——算法团队每周更新模型，需重启服务导致流量波动，影响用户体验。
• 核心行动与创新：1. 拆分微服务架构，将Feed流拆分为「内容拉取」「兴趣过滤」「排序推荐」3个独立服务，用gRPC实现通信，降低模块间耦合；2. 引入Elasticsearch构建用户兴趣画像索引，将标签查询时间从300ms降至50ms，支撑实时兴趣匹配；3. 设计「模型热更新机制」，用TensorFlow Serving部署推荐模型，算法团队通过API更新模型参数，无需重启服务，同时通过本地缓存保存常用版本，应对突发流量峰值。
• 项目成果：Feed流首屏加载时间降至380ms以内，个性化推荐准确率提升至90%；系统QPS从8000提升至5万，支撑日活300万的并发请求；月活留存率回升至45%，推动社区DAU季度环比增长18%。本人主导的微服务拆分方案成为公司内容板块的基础架构，后续孵化出短视频Feed流、话题Feed流等新业务线，支撑公司估值提升30%。

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。