主导企业级SaaS平台全栈开发，覆盖用户增长、数据看板、权限管理核心模块，推动系统从单体架构向微服务演进，保障高并发下稳定性与用户体验双提升。

• 主导用户增长模块全栈开发，采用Django REST framework构建高内聚后端API，结合Celery+Redis实现异步任务调度与热点数据缓存，针对性解决注册接口高并发瓶颈（原QPS 800→2500），通过MySQL复合索引优化与读写分离改造，接口平均耗时从450ms压降至75ms以内，支撑单月新增企业客户1200+。
• 设计数据看板功能全链路方案，前端基于Vue3+TypeScript重构旧版jQuery界面，集成ECharts实现多维度数据钻取；后端使用Pandas+Dask优化千万级数据聚合逻辑，支持实时/离线数据模式切换，用户数据加载耗时降低62%，客户NPS评分从38提升至52。
• 推动权限系统从RBAC向ABAC升级，引入Casbin策略引擎与OAuth2.0第三方认证，主导编写15+自动化测试用例覆盖权限继承、动态策略等场景，线上权限错误率从月均3次降至0.3次以下，通过等保三级认证关键项审查。
• 搭建Prometheus+Grafana监控体系，自定义Python采集脚本监控MySQL连接池、Redis内存等20+核心指标，设置分级告警规则，提前拦截2起因慢查询引发的数据库雪崩风险，平台全年可用性达99.96%。

负责企业数据管理平台全栈迭代，聚焦数据处理流程优化与前后端功能协同，支撑客户数据清洗、分析及可视化需求落地。

• 核心攻坚数据清洗模块，基于Pandas+PySpark构建分布式处理流水线，解决百万级非结构化数据清洗效率低问题（原4小时/批次→40分钟/批次），通过异常数据自动标记+人工审核闭环，数据准确率从92%提升至98.7%。
• 重构数据上传前端交互，采用React+Ant Design实现拖拽上传、断点续传功能；后端集成MinIO对象存储与Nginx负载均衡，文件上传成功率从95%提升至99.9%，客户投诉率下降72%。
• 设计字段级权限中间件，结合JWT令牌与自定义装饰器实现数据访问控制，编写单元测试覆盖率88%，通过SonarQube修复SQL注入、XSS等23个高危漏洞，平台安全评级从B级升至A级。
• 优化日志检索体验，用Elasticsearch替代传统文件存储，配合Python Logstash插件实现日志实时同步，查询响应时间从10s缩短至800ms，运维排查效率提升55%。

参与企业OA系统全栈维护与功能扩展，兼顾后端接口开发与前端交互优化，保障系统稳定运行并支撑业务部门灵活需求。

• 独立完成多级审批流程开发，基于Django框架设计状态机驱动的审批逻辑，结合Vue.js实现条件分支、转办等复杂功能，通过数据库事务优化，单审批单提交耗时从3s降至450ms，日均处理5000+审批单无阻塞。
• 定位日志查询慢问题，用Elasticsearch重构日志存储，同步开发Python脚本实现日志实时采集，查询响应时间从10s缩至1s，运维团队故障定位效率提升50%。
• 编写《Django性能调优手册》《前端常见问题排查指南》等文档，组织3场技术分享，帮助新成员快速上手，团队人均开发效率提升20%。
• 主导OA移动端适配，使用Bootstrap+媒体查询实现响应式布局，关键页面加载速度提升40%，移动端用户活跃度从15%提升至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。

• 因痛心于年轻人对历史的疏离，我在B站创立「古人脱口秀」栏目，用职场梗解构历史事件（如《雍正皇帝的KPI保卫战》）。通过设计「颠覆认知-史料佐证-现代共鸣」三幕剧本模板，单期视频最高收获1.7万条弹幕互动。
• 两年间栏目播放量突破180万，作品被多地中学选为教学素材。这段经历磨砺出将学术内容转化为大众语言的能力，也让我理解到真实用户反馈才是创作者的指南针。