负责电商平台用户增长、交易履约模块的全栈开发，主导技术优化与架构升级，保障系统高可用与业务快速迭代，覆盖用户端、商家端及后台管理系统的全链路技术落地。

• 主导用户增长活动系统设计与落地：基于Django REST framework搭建后端服务，结合Celery实现异步任务调度，应对百万级用户并发参与活动场景。通过Redis集群缓存活动配置与用户参与状态，引入令牌桶限流算法控制接口QPS，将活动接口平均响应时间从800ms降至200ms以内，活动期间系统零宕机，支撑大促期间GMV环比增长45%。
• 攻坚交易链路性能瓶颈：使用Locust构建全链路压测模型，定位订单支付环节数据库行锁竞争问题。通过ShardingSphere实现订单表分库分表，结合RabbitMQ异步化支付状态变更，配合数据库乐观锁机制，使订单支付成功率从98.5%提升至99.9%，日处理订单量从50万单跃升至120万单。
• 重构商家端后台管理系统：采用前后端分离架构（Vue3+TypeScript+FastAPI），统一API规范与错误码体系。设计RBAC+ABAC混合权限模型，基于Casbin实现细粒度权限控制，开发权限中间件拦截越权请求，权限校验耗时从150ms降至15ms，商家操作效率提升40%，获业务部门“年度技术支持奖”。
• 推动DevOps体系落地：搭建Jenkins+Docker+K8s CI/CD流水线，实现代码提交到容器部署自动化，部署时长从2小时缩短至15分钟。集成Prometheus+Grafana监控体系，自定义活动参与率、支付转化率等业务指标告警规则，关键故障发现时效从30分钟压缩至5分钟内，系统稳定性SLA从99.5%提升至99.9%。

负责本地生活服务平台（到家/到店业务）的前后端功能开发与技术迭代，支撑业务快速落地与用户体验优化，覆盖订单、调度、数据统计等核心模块。

• 搭建到家业务订单系统：使用Flask框架开发后端接口，结合MySQL主从复制实现读写分离，解决初期数据量激增导致的查询延迟问题。设计订单状态机管理流程（涵盖下单、接单、配送等12个状态节点），通过状态变更事件触发WebSocket消息通知，订单状态同步及时率达99.9%，支撑日订单量从1万单增长至10万单。
• 优化商家端报表功能：针对原SQL查询耗时过长（单报表生成需8秒），分析慢查询日志后重构逻辑，引入Elasticsearch存储聚合统计数据，配合定时任务预计算关键指标（日订单量、客单价），报表生成时间缩短至1秒内，商家使用满意度提升30%，成为业务复盘核心工具。
• 开发配送调度工具：基于Python Geopy库实现地址解析与路径规划，结合贪心算法优化骑手派单逻辑，派单匹配度从75%提升至88%，骑手平均接单时长减少1.5分钟，日均配送单量提升15%，降低单均配送成本约8%。
• 设计跨端登录态同步方案：采用JWT令牌+Redis共享会话机制，解决Web、App端登录状态不一致问题。实现令牌自动续期与刷新逻辑，用户重复登录率从12%降至2%，客服相关咨询量减少25%，提升用户体验一致性。

参与公司内部管理系统（OA、数据统计）的功能开发与维护，积累全栈开发基础能力，支撑业务流程数字化与数据可视化需求。

• 开发OA审批流程模块：基于Django+Vue技术栈，实现请假、报销等6类审批流程的配置化。通过JSON Schema定义流程节点与规则，支持业务人员后台可视化调整流程，需求响应周期从3天缩短至1天，上线后累计处理审批单超10万条。
• 优化文件上传功能：原方案依赖本地存储导致扩容困难、访问慢，引入MinIO对象存储服务，结合分片上传与断点续传技术，支持单文件最大10GB上传，文件访问通过CDN加速后下载速度提升5倍，年运维成本降低40%。
• 搭建数据统计看板：使用Pandas清洗业务数据，Matplotlib生成用户活跃、转化率等图表，为运营团队提供日报/周报。后续优化为定时任务自动推送企业微信，减少人工统计耗时每周约8小时，数据反馈效率提升60%。
• 参与系统安全加固：梳理SQL注入、XSS攻击等风险点，对用户输入参数添加转义过滤，重要操作增加短信+邮箱二次验证。上线后半年内未发生代码漏洞导致的安全事件，系统安全评级从B级升至A级。

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。