复杂系统的落地能力
我做后端时处理过接口、业务流程、服务网格、跨集群访问、边缘发现、发布控制器、压测和故障定位。 这些经历留下了一个习惯：先看约束，再看方案，最后用数据和灰度去验证。
Senior Backend Engineer · AI Agent Engineering
从后端复杂系统，到 AI Agent 工程化。
8 年后端研发经验，处理过服务治理、复杂网络、发布稳定性、性能验证和平台抽象问题。 近两年开始把这些工程经验迁移到 AI Agent：工具设计、Workflow / Sub-agent、反馈循环、上下文管理，以及告警分析、配置推荐这类真实工程场景。
8 年
高级后端与基础设施研发经验
100+
服务单元迁移、治理与发布支撑
20%–50%
核心链路吞吐优化经验
20,000+
实例注册发现与状态同步经验
Two Tracks
这里展示工作中形成的判断方式。
把工程问题交给可控的智能流程
我关心 Agent 能否进入真实工程流程：接入上下文、调用合适工具、留下可检查的中间状态，并在失败时可回退。 实践过治理策略推荐、告警分析 Agent、自动化编码工作流，也复盘过一些没有跑通的个人项目。
系统拆解
把需求拆成状态、数据流、失败路径、观测指标和上线节奏，再进入实现。
Agent 工程化
关注工具边界、上下文隔离、任务路由、验收标准和反馈循环，不把提示词当成唯一方案。
性能与稳定性
关注 P50/P99、连接生命周期、资源水位、容量边界、灰度回滚与上线观察项。
持续复盘
记录源码分析、压测验证、方案复盘和 AI 工具试错，把“踩坑”也当成积累的一部分。
Positioning
工作重心
我的经验主要落在两条线上：一条是后端复杂系统和基础设施能力，另一条是 AI Agent 工程化探索。 前者提供稳定的工程基本功，后者把这些基本功迁移到研发工具、智能诊断和自动化工作流里。
- 高级开发：服务治理、云原生控制器、复杂网络、发布稳定性、性能优化和平台抽象。
- AI Agent：工具调用、任务编排、上下文管理、代码生成工作流、告警分析和智能诊断。
- 两者交叉：把“靠经验维护”的工程策略，变成可解释、可推荐、可审计的智能辅助流程。
- 我的偏好：做离一线问题更近的工作，能看到真实约束，也能用工程方法把问题收敛。