赵劲

参与 「WOW Talk」AI 英语学习 App 后端核心开发，产品覆盖听力、口语、阅读、写作纠错、单词记忆五大模块（内测阶段，目标 DAU 10,000+）。整体架构：Flutter 跨端 + Java 21 / Spring Boot 3 核心 API + Python Celery AI 服务 + RabbitMQ + MySQL 8 + Redis + Docker。负责写作纠错与单词记忆模块接口开发，与 2 名正式后端工程师及 1 名 Python AI 工程师协作。

• RESTful 接口开发：负责写作纠错、单词记忆模块 Spring Web MVC 接口，覆盖作文提交、纠错记录查询、学习进度同步；基于 SpringDoc OpenAPI 生成 Swagger 3 交互式文档，配合 Flutter 客户端完成联调与字段对齐
• Spring AI 轻量能力封装：对接大模型 API 实现单词例句生成、同义句改写等接口；迭代 Prompt 模板提升输出格式稳定性；重任务（整篇纠错、发音评测）交由 Python Celery 异步处理
• Spring Cache + Redis 缓存引入：对单词释义、高频词库等读多写少场景使用 @Cacheable 引入 Redis 缓存，合理设置 TTL 与 key 命名空间，减轻 MySQL 读压力

面向南昌大学国际材料创新研究院跨学科科研人员的 AI+ 设备预约平台，解决跨学科设备检索难、预约流程长的痛点。以 MCP 协议为核心架构，本地化部署 DeepSeek-32B 作为 Host 统一调度工具服务，实现「自然语言意图识别 → 智能设备匹配 → 自动预约」全链路闭环，科研人员预约效率提升 60%+。

• MCP 协议分层架构：将平台能力拆解为三个独立 MCP Server（设备查询、预约调度、知识库），本地 DeepSeek-32B 作为 Host 通过 McpSyncClient 统一接入；新增业务能力只需新增 Server，无需改动 AI 核心逻辑
• Spring AI Tool 声明式开发：基于 @Tool 注解将业务方法声明为 MCP Tool，框架自动生成 JSON Schema 并注册至 MethodToolCallbackProvider；设备手册通过 MCP Resources 按需拉取，Token 开销降低约 25%
• RAG 知识库 + pgvector：主导专业知识库设计，Chunking 策略结构化处理仪器手册 / 操作规程，Embedding 向量化后存入 pgvector；Top-K 检索准确率达 90%+
• 本地化部署与 Prompt 工程：基于 Ollama 在 4×Tesla V100S 32GB GPU 集群部署 DeepSeek-32B；Few-shot 模板提升意图识别准确性；SSE 流式首字延迟 TTFT < 300ms
• 多级缓存优化：Redis 缓存热点设备查询与常见问答对，高频查询响应时间从 ~1.2s 降至 ~200ms

虚拟商品（会员卡、话费券）电商平台的营销活动子系统，承接大促期间高并发拼团下单、库存扣减、结算 / 退款等全链路业务，要求业务规则可热更新、防超卖，支撑 3000 QPS 峰值流量。

• DDD 分层架构落地：按活动 / 交易 / 标签三大领域拆分，严格隔离 API / App / Domain / Infrastructure / Trigger 五层；新增一种营销玩法仅需扩展 Domain 层策略类，平均改动文件数从 ~8 个降至 2~3 个
• 三层防超卖库存扣减：Redis INCR 原子 CAS + SetNX 兜底锁 + MySQL 乐观锁（WHERE lock_count < target_count）三层机制；辅以失败恢复计数器；wrk 压测 3000 QPS 下库存准确率 100%、零超卖
• 责任链交易规则引擎：将锁单 / 结算 / 退款链路前置校验拆分为独立责任链节点，上下文透传避免重复查库，新增规则只需添加节点类，符合开闭原则
• 决策树试算引擎 + 并发预加载：线程池并发预加载活动配置与商品数据，试算接口 RT 从串行 ~200ms 降至 ~60ms，P99 < 100ms
• Redis BitMap 人群标签过滤：1 亿用户标签数据仅需约 12MB，O(1) 复杂度毫秒级完成人群资格判定