中文母语水平
英语无工具书面交流
0
1
2
3
4
5
算法工程师
宁波全职 · 300/日 · 6525/月信用一般
工作时间: 工作日09:00-17:00、周末09:30-17:30工作地点:
远程
服务企业:
0家累计提交:
0工时
聊一聊
个人介绍
1、后端根基牢固： 熟练掌握Java核心技术栈（JUC、JVM、集合、IO/NIO）、主流框架（Spring Boot, Spring Cloud）及其核心原理。具备良好的面向对象设计和编程能力，能够编写出清晰、可维护、可扩展的代码。
2、前端能力具备： 能够使用Vue/React等现代前端框架完成管理后台、数据可视化页面的开发。
3、全方位技术视野： 对数据库（MySQL/Redis）、消息队列（Kafka/RabbitMQ）、容器化（Docker）、CI/CD等有实际的项目应用经验。
4、Prompt设计与优化： 懂得如何设计结构清晰、约束明确的Prompt提示词，并对其进行迭代优化，减少Prompt注入带来的风险，在提高系统提示词安全性的同时确保任务执行结果准确性。
5、上下文管理： 处理智能助手对话中发生超长上下文问题，并利用向量数据库等技术进行有效的上下文窗口管理。
6、稳定性与降级策略： 为智能助手模块增加了熔断、降级和重试机制，确保在LLMs服务不稳定的情况下，保证核心业务功能不受影响。
7、大模型应用集成能力： 将主流LLMs大语言模型集成到德瑄充电项目系统中，塑造智能助手对话等实际场景。
8、AIAgent架构理解： 理解AIAgent的核心组件——规划、记忆、工具使用（Tool Use）和行动。有过基于LangChain4j、Spring AI等框架构建具备自主任务执行能力Agent的实际项目经验。
9、代码质量意识： 有编写单元测试的习惯，注重代码的可读性和可测试性。了解并实践过一些设计模式，以应对复杂多变的业务需求。
10、问题定位与优化： 具备使用Arthas、JMeter等工具进行问题诊断和性能调优的能力。曾独立解决过线上内存泄漏、SQL慢查询等典型问题。
11、主动性与学习能力： 对AIAgent这个快速发展的领域抱有极大的热情，会主动关注和学习最新的论文和技术动态（如RAG、ReAct、AutoGPT等），并乐于在团队内进行分享和布道，推动技术氛围的建设。
工作经历
2023-08-21 -2025-08-25温州德瑄科技有限公司Java后端开发工程师
1. 微服务架构设计与全功能开发： 主导将复杂的业务需求通过领域驱动设计转化为松耦合的微服务架构。基于Spring Cloud/Alibaba生态，负责用户端与运营管理平台后端核心模块的开发、API设计与数据持久化（MySQL/Redis），确保系统内聚性与可扩展性。 2. 物联网通信层构建： 专注于与充电设备建立稳定、实时的双向通信。采用MQTT协议，基于EMQX等组件构建高并发接入层，实现设备指令精准下发、状态实时监控与连接生命周期管理，并通过消息队列保证通信的最终一致性。 3. 云原生部署与高可用保障： 利用Docker与Kubernetes实现服务的容器化编排与弹性伸缩，在公有云上构建高可用集群。通过设计CI/CD流水线、负载均衡与容灾策略，保障系统在面对流量波动时的高可用性与快速迭代能力。 4. 数据价值挖掘与分析： 构建从数据采集、处理到分析的全链路数据平台。通过Kafka/Flink实时接入设备与业务数据，经批流一体计算后，利用数据仓库与Grafana生成运营报表与监控大屏，为业务决策与效率优化提供数据支撑。 5. 智能助手与体验优化： 负责设计并集成智能助手模块，通过集
2023-03-01 -2023-08-15宁波工程学院算法工程师
1. 模型架构设计与选型 ● 经典方法研究：深入研究如Gatys的原始论文、Johnson的快速风格迁移以及Ulyanov的Instance Normalization等奠基性工作。 ● 先进模型探索：跟踪并复现最新的SOTA模型，如基于Transformer的架构在风格迁移中的应用，或者对比学习方法如何更好地捕捉风格特征。 ● 生成模型的应用：探索GANs 在风格迁移中的潜力。 2. 损失函数的设计与调优： ● 内容损失：使用预训练CNN的高层特征图之间的差异来保留原图的结构和语义。 ● 风格损失：实现经典的Gram矩阵来捕捉纹理和色彩分布，还会研究其改进版本，如马尔可夫随机场或基于协方差矩阵的方法。 ● 其他正则化损失：引入总变分损失来抑制输出图像中的噪声和高频伪影。 3. 数据处理与训练 ● 数据集清洗与增强： 收集和整理大规模、高质量的风格图像数据集和内容图像数据集，并进行去重、标注、格式统一、设计增强策略等预处理工作。 ● 训练策略与调参：使用多GPU云平台服务器上进行分布式TPU训练策略，调整学习率、优化器、批次大小、损失函数的权重平衡；监控训练过程，分析损失曲线，诊断并解
教育经历
2021-09-15 - 2023-07-01宁波工程学院网络工程本科
语言
作品
实现一个高质量、无监督的图像风格迁移系统。也就是不需要“内容图A”和“风格图B”一一对应的成对数据来训练模型，而是让模型能够从任意一组内容图像和风格图像中，学习到如何将内容图的结构与风格图的纹理、色彩进行分离和重组。
02025-11-13 11:30
下载次数：0
￥3000
