负责平台核心交易链路（到店团购、直播秒杀、门店预约）的性能测试全生命周期管理，覆盖需求分析、场景设计、压测执行、瓶颈定位及优化闭环，保障大促期间系统在10万+ QPS、全国31省用户分布场景下的稳定性与响应时效，支撑业务高并发增长。

• 主导设计「直播秒杀场景」性能测试方案，结合峰值QPS 12万、用户地域分散的特点，采用JMeter分布式压测（50台Slave节点）+ Grafana+Prometheus监控体系，模拟10万用户同时抢券、下单的混合场景，定位到Redis缓存击穿导致库存查询延迟从20ms飙升至200ms的问题；联动后端团队优化缓存预热策略（提前30分钟预热热点商品库存）与Redis热点Key探测机制（基于Redis Monitor实时预警），将秒杀场景响应时间稳定在500ms以内，支撑618大促直播秒杀订单量同比增长150%且零宕机。
• 针对门店预约模块「跨城查询慢」的用户反馈（投诉率占比18%），运用SkyWalking追踪调用链，定位到MySQL跨索引查询（涉及city、status、create_time三张索引表）与limit offset分页慢SQL问题；推动开发团队重构联合索引（新增idx_city_shop_status_create_time）并优化分页逻辑（改为游标分页基于last_id查询），使门店列表查询耗时从800ms降至150ms，用户投诉率下降40%。
• 搭建性能基线库，整合历史压测数据（覆盖核心接口120+、场景30+），基于Python开发自动化基线对比脚本（调用JMeter API获取压测结果，对比响应时间、TPS、CPU利用率等10项指标），实现每次压测后自动生成差异报告；将性能回归测试效率提升60%，减少人工核对时间约8小时/周，基线库复用率达90%以上。
• 参与架构优化评审，针对「分布式事务导致的订单创建超时」问题（成功率99.2%），提出将Seata AT模式替换为TCC模式并优化事务粒度（将「冻结库存+扣减余额」拆分为独立事务）；配合开发团队完成改造，引入Hmily框架实现TCC事务协调，使订单创建接口成功率提升至99.9%，大促期间未出现因事务问题导致的系统雪崩。

负责公司核心本地服务产品（外卖配送、商家后台）的性能测试与容量规划，主导关键场景的性能瓶颈分析与优化，协同研发、运维团队建立性能保障体系，支撑业务从日订单10万单增长至50万单的性能扩容需求。

• 核心参与外卖配送系统「高峰时段派单」性能优化项目，采用LoadRunner模拟2万骑手同时在线接单的场景，发现RabbitMQ消息堆积（峰值积压10万条）导致派单延迟从10s增至30s的问题；推动引入Kafka替换RabbitMQ并优化消息分区策略（按骑手ID哈希分区），同时增加消费者线程数至16个，使派单延迟稳定在15s以内，高峰时段配送准时率提升25%。
• 主导商家后台「批量修改商品信息」功能性能测试，发现批量操作未做异步化导致接口响应时间随商品数量线性上升（1000个商品需12s）；设计基于Spring Task的异步任务框架，将批量操作提交至线程池执行，并优化数据库批量插入逻辑（将逐条insert改为MyBatis bulk insert），使1000个商品修改耗时降至2s，商家操作效率提升80%，功能上线后月均使用量达5万次。
• 搭建容量规划模型，基于历史业务数据（日订单量、用户访问量、数据库QPS）与压测结果，使用Excel构建线性回归模型预测服务器资源需求；准确预测双11期间需要新增20台ECS实例（4核8G），避免了资源浪费（节省成本约12万元）或不足的问题，支撑双11订单量同比增长200%。
• 推动性能测试左移，在需求阶段引入性能需求评审，针对「商家后台实时销量统计」功能，提前识别出实时计算（每秒更新10万次）导致的性能风险；建议采用Redis HyperLogLog统计UV并异步更新MySQL（每5分钟同步一次），同时缓存最近1小时的销量数据，使实时统计响应时间从5s降至1s，满足业务实时性要求，需求变更率下降30%。

负责公司早期本地生活平台的基础功能性能测试，协助搭建性能测试工具链与环境，定位并解决核心接口性能问题，保障系统日常运行稳定性。

• 协助搭建性能测试环境，基于Docker容器化部署压测集群（JMeter Master+3台Slave），配置Prometheus+Grafana监控系统（采集CPU、内存、网络等指标）；将环境搭建时间从7天缩短至3天，后续压测环境复用率达100%，提升了团队压测准备效率。
• 定位「用户登录接口」偶发超时问题（发生率5%），使用Wireshark抓包分析发现TCP重传率高（约15%）；联动运维团队检查网络设备，发现交换机端口速率不匹配（1Gbps端口连接至100Mbps交换机），调整后重传率降至1%以内，登录接口超时率降至0.1%，用户反馈减少90%。
• 执行核心接口（门店详情、商品列表）性能回归测试，每周输出性能报告；发现随着门店数量从1万增至5万，门店详情接口响应时间从200ms增至500ms；推动开发团队优化数据库查询（新增索引idx_shop_id）并添加Redis缓存（过期时间30分钟），使响应时间稳定在250ms以内，接口成功率提升至99.8%。
• 参与制定《性能测试用例编写规范》与《压测报告模板》，统一团队性能测试标准；将测试用例覆盖率从70%提升至90%，报告包含「瓶颈定位过程」「优化建议」「风险提示」三部分，可读性与实用性显著增强，后续项目复用率达85%。

星影短视频全链路高并发质量保障体系搭建

• 星影短视频作为公司核心产品，日活突破5000万后峰值QPS达12万，此前测试体系仅覆盖单接口压测，多次出现发布后性能劣化（接口响应超时率1.2%）、偶发用户崩溃问题。我的核心职责是主导全链路高并发质量保障体系设计，覆盖从需求评审到线上监控的全生命周期，目标是将线上重大质量事故率降至0.1%以下。
• 项目面临三大挑战：一是真实用户行为模拟难——传统压测工具仅支持固定脚本，无法还原“下滑刷新+点赞+评论”的混合负载；二是全链路瓶颈定位难——此前只能定位到接口层，无法关联具体服务或数据库；三是线上监控滞后——故障发生时无实时数据支撑，平均排查时间2小时。
• ① 自研“用户行为画像压测模型”：导出埋点系统的100万+用户行为数据，训练Gatling自定义Lua脚本，模拟70%下滑刷新+20%点赞+10%评论的混合负载，并加入设备型号（覆盖Top5安卓/iOS机型）、地理位置（随机全国300+城市）的随机化；② 打通全链路追踪：引入Skywalking对接前端埋点、网关日志、后端微服务和MySQL/Redis数据库，压测时实时展示“用户请求→网关→视频服务→存储服务”的调用链延迟与错误率；③ 搭建线上智能监控平台：用Prometheus采集接口响应时间、数据库连接池利用率等12个核心指标，结合Grafana配置三级报警规则（响应超500ms预警、超1s告警、超2s触发熔断），并将报警与Skywalking追踪链路关联。
• 项目成果：压测覆盖率从60%提升至95%，全链路性能瓶颈定位时间从2小时缩短至15分钟；上线后首月，峰值QPS下接口错误率降至0.15%，用户崩溃率下降40%；该体系推广至公司直播业务，减少80%线上性能问题，获公司年度质量创新奖（Top3）。我个人主导的“用户行为画像压测模型”被纳入公司测试工具库，成为后续新业务压测的标准方案。

智能测试用例生成与回归平台研发

• 公司产品迭代周期从2周缩短至1周，手动测试用例维护成本上升30%（每个迭代需5人天更新用例），且回归测试重复运行1000+用例，效率极低。我的职责是牵头智能测试用例生成与回归平台研发，解决用例维护冗余、回归效率低的问题，目标是将用例编写时间减少50%、回归测试时间缩短40%。
• 核心难点：一是需求语义理解难——需求文档多为自然语言，无法准确提取“短视频发布流程”“评论互动”等核心业务场景；二是用例关联性弱——接口变更时无法自动关联受影响的用例，导致回归用例冗余；三是用例优先级模糊——每次回归都运行全量用例，浪费资源。
• ① 基于BERT训练需求语义理解模型：解析需求文档和埋点日志，提取“选择素材→编辑→上传→审核→发布”等业务流程节点，自动生成覆盖关键路径的测试用例，准确率达92%；② 构建测试用例知识图谱：关联“用例-接口-业务场景”三元组（如“点赞接口”变更自动触发所有涉及点赞的120个用例）；③ 开发机器学习排序模型：根据接口变更影响范围（调用量、依赖服务数）和历史缺陷率，对回归用例按风险评分排序，优先运行Top30%高风险用例。
• 项目成果：测试用例编写时间从5人天/迭代降至2人天，回归测试用例数减少35%，覆盖率保持98%以上；版本缺陷逃逸率从0.8%降至0.3%，团队每月节省120+人时用于自动化探索测试。平台获国家软件著作权（登记号：2022SR089XXXX），成为公司测试工具链核心组件，支撑了后续3条业务线的快速迭代。

• 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。