丁泰威

传统招聘中，HR 跨平台手动录入简历、凭感觉比对 JD，单次筛选约 15 分钟。我主导设计并落地了这套端到端自动化系统：基于 Playwright 实现猎聘 / BOSS 直聘可视化抓取（Strategy 模式适配器，支持平台横向扩展）；设计"DOM 文本 + 视觉模型"双通道简历提取管线，两路结果互相校验，解决纯 OCR 编造问题；核心是一条 5 层 AI Agent 链 —— JD 解析 → 10 维简历分析 → 加权匹配（硬技能 60% + 软技能 25% + 加分 15%）→ SABC 评级校准 → 面试题生成，层间强制 JSON 输出 + 三层解析容错。全栈交付：FastAPI 异步后端（20+ REST + 2 WebSocket）、Next.js 14 前端工作台、pgvector 向量检索、Redis + Celery 异步任务，Docker Compose 四服务一键编排。

✦ 人才库累计入库 500+ 候选人 · 单次筛选 15min → 2min · 服务可用性 95% → 99.5%

• FastAPI
• Next.js 14
• Playwright
• 千问 qwen-plus/vl
• pgvector
• Redis + Celery
• Docker Compose

求职者准备面试时面经分散、算法题练习与面经脱节。我基于 ReAct 范式独立设计了这个能"感知-推理-行动"的面试 Agent：精细化 Prompt 引导意图识别与工具选择，意图识别准确率达 92%；基于 LangChain4j 封装 7 个 Tool（查面经 / 算法题 / 按 ID 获取 / 运行代码 / 联网搜题），Agent 自主编排调用，算法题场景绕过模型自由生成，响应从 5s 降至 1.2s；RAG 链路用 InMemoryEmbeddingStore 做相似度检索，Top-5 动态注入 System Prompt，异步建索引让上传延迟从 3.2s 降到 400ms；针对模型输出不可控，设计"URL 强清洗 + 双重校验"多层防御，输出准确率 95%+。代码考核由自建 Piston 沙箱执行，自动识别 Java 入口、无 main 时注入测试类。独立完成阿里云 ECS 部署，公网 Piston 超时问题通过 Docker 自建 + Nginx 反代根治。

✦ 意图识别准确率 92% · 高频题 200ms 内响应 · 题解链接准确率 78% → 96%

• Java 17
• Spring Boot 3.2
• LangChain4j
• RAG
• Function Calling
• WebFlux
• Docker
• 阿里云 ECS

户外徒步场景下传统导航在弱网环境频繁失效。我从 0 到 1 发起这款 AI 增强导航产品：完成 50+ 用户深度访谈与竞品分析，定义"智能路线推荐 + 弱网离线导航"核心功能，撰写完整 PRD 并协调设计、开发、测试 3 人团队按 2 周一迭代交付 MVP；建立埋点度量体系，通过数据发现弱网环境流失率偏高，推动技术团队采用轻量化数据方案，并独立撰写商业推广方案进行市场路演。

✦ 500+ 种子用户 · 路演转化率 32% · 使用时长 +35% · 弱网活跃 +28% · 获校内创新实践优秀项目奖

• 产品定义
• 用户研究
• 数据分析
• 敏捷管理

建筑学背景让我关注到 AIGC 在设计领域的落地断层。我系统性研究了主流 AI 绘图工具：精通文生图 / 图生图及 ControlNet（Canny / Depth / OpenPose）对空间结构的精准控制；实践 LoRA 模型训练，用建筑风格数据集（现代主义、参数化表皮）完成风格微调实验；对建筑学长AI、小库科技 XKool、酷家乐等竞品做逆向拆解，形成产品体验报告，提炼出"精准控图"与"设计规范智能校验"两大差异化方向。

✦ 自创"结构-风格-细节"三层提示词框架，应用于多个 AI 绘图产品，有效提升出图可控性

• Midjourney V6
• Stable Diffusion
• ControlNet
• LoRA
• 竞品分析