负责电商平台核心交易链路全栈开发与性能优化，协同产品、测试团队完成需求落地，保障大促期间高并发场景下系统稳定性与用户体验。

• 主导设计并落地订单中心微服务重构项目，采用Django REST framework+FastAPI混合架构，结合Celery实现异步任务解耦；针对分布式事务一致性痛点，引入RocketMQ事务消息+本地补偿机制，将订单创建成功率从99.2%提升至99.95%，平均订单处理耗时从420ms降至290ms。
• 牵头大促交易链路全链路压测与瓶颈攻坚，使用Locust模拟10万并发场景，定位到MySQL主库慢查询（占比35%）及Redis热点Key击穿问题；通过优化复合索引28个、实施读写分离架构、扩容Redis Cluster至6节点，大促期间QPS峰值达1.2万，系统零故障运行。
• 推动前后端协作流程升级，主导引入Swagger 3.0自动生成OpenAPI文档，配合前端Mock.js搭建接口模拟平台，建立需求变更-文档同步-联调验证的标准化链路，需求联调周期从7天压缩至3天，跨团队沟通成本降低50%。
• 设计并落地全链路异常监控体系，基于Sentry捕获业务异常、Prometheus+Grafana监控服务指标，自定义告警规则23条（含订单超时、库存扣减失败等关键场景）；问题定位时间从平均2小时缩短至15分钟内，线上P0级故障数同比下降62%。

负责金融科技SaaS平台前后端功能开发与架构迭代，支持企业客户信贷、风控等多场景业务需求，保障系统安全性与横向扩展能力。

• 核心参与信贷核心系统开发，使用FastAPI构建RESTful API，结合SQLAlchemy ORM与PostgreSQL实现额度计算引擎、实时风险校验模块；支持日处理10万+信贷申请，系统上线后客户接入周期从15天缩短至7天，续费率提升40%。
• 优化第三方数据同步链路，针对征信接口调用延迟高、并发冲突问题，设计Kafka消息队列缓冲+异步处理机制，将单次数据同步耗时从5秒降至500ms内，日均处理量从2万次提升至8万次，数据一致性错误率下降至0.01%以下。
• 主导编写《Python后端开发规范》《高并发场景性能调优手册》，建立代码评审与技术方案预审机制；带教2名初级工程师独立承担模块开发，团队整体交付效率提升30%，需求延期率从18%降至5%。
• 实现RBAC+ABAC混合权限管理系统，基于Casbin框架定义角色-权限-数据三级控制策略，支持按客户等级、部门、操作类型动态鉴权；助力平台通过等保三级认证，权限合规性评分达98.5分。

参与企业级信息管理系统全栈开发，负责后端功能实现与前台交互配合，积累高可用系统设计与问题排查经验。

• 独立完成客户管理模块开发，使用Django搭建REST API，前端配合Vue.js实现列表展示、详情页编辑及Excel导出功能；上线后客户信息维护效率提升60%，数据录入错误率从8%降至1.2%。
• 针对核心接口响应慢问题（原800ms+），分析慢查询日志并优化数据库：新增联合索引12个，重构ORM查询语句避免N+1问题，最终将客户列表加载时间压缩至180ms内，数据库CPU使用率下降25%。
• 提出异步任务优化方案，使用Celery+RabbitMQ处理邮件通知、操作日志记录等非实时任务，减少主线程阻塞；关键操作响应速度提升40%，方案被纳入团队技术规范。
• 协助搭建测试环境，编写pytest单元测试用例30+个，覆盖订单创建、权限校验等核心逻辑；测试覆盖率从55%提升至78%，上线后生产环境bug率下降35%。

工业设备预测性维护平台研发

• 项目背景：面向离散制造业客户设备停机损失高（平均单台设备年停机成本超12万元）的痛点，公司需打造集设备数据采集、实时状态监控、故障预测于一体的全栈平台，目标是将故障预警准确率提升至90%以上，帮助客户降低非计划停机率。我的核心职责是主导平台前后端架构设计、核心功能落地及跨部门（算法、设备、客户成功）协同。
• 关键难题：1）设备数据多源异构——对接10+类工业协议（Modbus、OPC UA、S7），实时数据吞吐量达5万条/秒，传统ETL工具无法满足低延迟处理需求；2）故障特征稀疏——小样本故障数据（单类故障不足100条）导致传统机器学习模型泛化能力差；3）跨团队认知差——设备部关注“可解释性”，算法部追求“准确率”，需平衡两者需求。
• 核心行动：1）数据处理层：用Kafka构建实时数据管道，结合Flink SQL实现多协议数据的统一解析与清洗，通过窗口函数优化时序数据处理延迟至50ms内；2）算法侧：主导“小样本+迁移学习”方案——用预训练的LSTM模型迁移至目标设备场景，结合设备工况（如转速、负载）的特征工程，将故障预测准确率从75%提升至92%；3）架构设计：后端采用Spring Cloud Alibaba微服务架构，拆分“设备接入”“数据处理”“算法服务”“可视化”四大模块，通过Nacos实现服务注册发现；前端用Vue3+TypeScript开发实时监控看板，集成ECharts实现设备健康度热力图与故障预警推送；4）协同优化：制定《设备数据接口规范V1.0》，每周组织“需求对齐会”，用原型图同步可视化功能预期，解决跨团队分歧。
• 项目成果：平台上线6个月内覆盖12家制造业头部客户，累计预警故障1200+次，帮助客户降低停机损失35%（单客户年均节省42万元）；我个人主导的数据 pipeline 与前端可视化模块成为平台核心竞争力，项目获公司“年度最佳技术落地奖”，同时沉淀了《工业时序数据处理指南》供后续项目复用。

跨境商品智能推荐系统重构

• 项目背景：原有推荐系统基于协同过滤，存在“冷启动（新用户/新品推荐准确率<15%）”“文化适配差（欧美市场偏好与中国用户重叠度低）”两大痛点，导致新品曝光点击率仅8%。我的职责是参与系统全栈重构，负责推荐模块的技术落地与效果验证，目标是将新用户7日留存率提升20%，新品转化率提升30%。
• 关键难题：1）数据稀疏性——海外用户行为数据量仅为国内1/3，且时区差异导致行为序列断裂；2）多维度特征融合——需整合用户地域、语言、支付习惯与商品类目、品牌、物流时效等20+维度特征；3）实时性要求——跨境物流周期长，推荐结果需匹配“用户当前需求+未来15天购物场景”。
• 核心行动：1）数据层：用MongoDB存储多语言商品元数据，结合Redis缓存用户最近30天的跨境行为序列（如浏览“欧美风连衣裙”的时区时间），解决数据稀疏问题；2）算法优化：放弃传统协同过滤，改用Graph Neural Network（GNN）构建“用户-商品-市场”知识图谱——将用户地域、商品原产国作为图节点，行为关系作为边，通过图卷积提取跨维度特征，冷启动推荐准确率提升至38%；3）全栈实现：后端用Node.js+Express开发推荐服务，提供“实时推荐”“场景化推荐”（如“黑五预热”）两个API；前端用React+Redux重构个性化首页，根据用户进入页面的时区动态加载推荐结果（如欧美用户优先展示“冬季外套”，东南亚用户展示“夏季T恤”）；4）效果验证：设计A/B测试——50%用户用旧系统，50%用新系统，通过Google Analytics跟踪“新品点击转化率”“新用户7日留存”指标。
• 项目成果：重构后系统上线3个月，新用户7日留存率从32%提升至55%，新品曝光点击率从8%提升至34%，带动跨境GMV月均增长18%；我个人主导了推荐模块的全栈开发与A/B测试，优化了图数据存储方案（将图数据库查询时间从200ms降至50ms），积累了跨境电商场景下的个性化推荐经验，成为公司“海外用户增长”的核心技术支撑。

• 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。