【量化交易系统开发（独立自研 / 客户交付）】

量化回测与实盘平台：独立自研 PyQt6 桌面端量化平台（PyInstaller 打包交付），打通「行情数据 → 策略研发 → 回测验证 → 参数寻优 → 模拟盘/实盘交易」完整闭环。

· 行情数据工程：SQLite 本地分钟级行情库（525 万+ 根 K 线 / 10 只标的 / 6 年历史 / 单库 1.6GB），Alpaca API 批量下载与增量更新，Pandas/NumPy 向量化指标计算。

· 事件驱动回测引擎：多空双向、手续费/滑点建模、日亏损熔断、收盘强平、订单去重，支持多标的组合回测。

· 策略库（10+ 实盘级策略）：前高/5min 突破、开盘区间突破 ORB、VWAP 动量与回归、唐奇安通道+ATR、布林带、RSI、MACD、双均线、海龟汤、breakout_stoploss、凯利仓位管理。

· 参数寻优与样本外验证：Optuna 贝叶斯超参优化 + Walk-Forward 滚动样本外验证，系统化抑制过拟合。

· 绩效与风险指标体系：夏普 / Sortino / Calmar、最大回撤、VaR(95%) / CVaR、蒙特卡洛模拟、月度收益热力图，Plotly 生成交互式 HTML 回测报告。

· 实盘交易对接：ib_insync 接入 Interactive Brokers（Paper 7497 / Live 7496），每 5min bar 驱动决策、风控前置、断线重连、订单幂等去重。

· 数字货币市场适配：熟悉 7×24 连续交易、合约杠杆、资金费率等数字资产市场特性；数据层已做接口抽象，可快速接入币安/OKX REST 与 WebSocket 行情及交易接口。

· AI × 量化结合：可将 LLM/Agent 能力用于舆情因子挖掘、AI 自动调参、对话式策略生成与归因分析（与本人 Multi-Agent 技术栈直接复用）。

【AI Agent 架构与工程（熟练掌握）】

· DeepAgent 深度智能体架构：自主设计主从式 Multi-Agent 协作框架（Lead Agent 调度 + 领域专家 Sub-Agent），解决上下文爆炸/并发执行/状态管理三大难题。

· AgentSkills + Sandbox 安全隔离：声明式技能定义（Tool Schema）+ Docker 容器化沙箱执行环境（资源限制/网络隔离/权限剥离）。

· Harness Engineering 工程化架构：中间件链洋葱模型 9 层编排（认证→权限→审计→日志），AOP 切面编程实现横切关注点解耦。

· LangChain 1.2+ 记忆系统：短期记忆（ChatMessageHistory 窗口滑动）+ 长期记忆（PostgresChatMessageHistory 持久化/Zep 长期存储），支持跨会话上下文恢复。

· LangGraph 状态机：State 定义 TypedDict 类型安全 + add_conditional_edges 动态路由 + interrupt_before 人工审核节点。

【大语言模型应用（熟练掌握）】

· Prompt Engineering 进阶：CoT 思维链 / ReAct 推理行动循环 / Few-shot 上下文学习 / Structured Output 结构化输出（Pydantic 约束）。

· Multi-Modal AI 融合：GME-Qwen2-VL-7B 多模态嵌入 + Qwen3-VL-32B 视觉理解（vLLM 私有化部署），实现文搜图/图搜文/图文混搜。

· Vector Database 实战：Milvus 2.x 集群部署 + HNSW 索引 + BM25 稀疏检索（RRF Reciprocal Rank Fusion 混合排序）。

· Token Optimization：Context Budget Controller 动态分配 + LLM Summarization 压缩（压缩率 80%）。

· RAG Pipeline 增强版：Any2Any 多模态检索 + Dense+Sparse 混合检索 + RAGAS 双层质量门控。

· vLLM 推理引擎：PagedAttention 显存优化 + Continuous Batching 动态批处理，支持 INT4/AWQ 量化模型高效推理。

【传统后端工程（熟练掌握）】

· 编程语言：Python（精通）/ Java（精通），熟练使用 LangChain 1.2+/LangGraph 生态构建生产级 AI 应用。

· 微服务架构：Spring Cloud Alibaba（Nacos 注册发现）+ FastAPI 异步框架。

· 数据库优化：MySQL（EXPLAIN 分析 / 索引优化）。

· 容器化部署：Docker Compose 一键启动 + Kubernetes 生产集群（Helm Chart 编排 / HPA 自动扩容）。

· 可观测性体系：ELK 日志聚合 + SkyWalking APM 全链路追踪（P99 延迟监控）。

【深度学习与大模型】

· 深度学习框架：了解 PyTorch/TensorFlow 基础 API，熟悉 CNN/RNN/LSTM 等主流模型概念。

· 大模型微调：了解 LoRA/Q-LoRA 等参数高效微调方法基本原理（阅读过论文，无实战经验）。

· 模型压缩与部署：了解 INT8/INT4/AWQ 等量化方法概念，在农行项目中使用 vLLM 部署过预训练模型。

· 预训练模型原理：理解 Transformer 自注意力机制 / Embedding / BERT / GPT 等核心架构基础概念。

【机器学习算法】

· 传统算法：线性回归 / 逻辑回归 / 决策树 / XGBoost / GBDT 的数学原理和应用场景。

· 数据处理工具：NumPy 矩阵运算 / Pandas 数据清洗 / Matplotlib 可视化分析。

· 模型评估指标：准确率 / 精确率 / 召回率 / F1-Score / AUC-ROC / 混淆矩阵。

· 特征工程实践：特征选择 / 特征提取 / 归一化 / 标准化 / One-Hot 编码。

【计算机视觉 CV（项目经验）】

· 目标检测框架：YOLOv5/YOLOv8 目标检测任务，mAP@0.5 达 95.2%。

· 图像处理：OpenCV/PIL 图像预处理，Mosaic/MixUp/CutOut/RandAugment 数据增强。

· 迁移学习：ImageNet 预训练权重微调，冻结层策略，自定义 Head 适配特定业务场景。