TAYUN

切换日光/暗黑模式

韦业 ​

教育背景：南阳理工学院 - 本科 - 软件工程（2019-2023） 工作经验：3 年经验 | 年龄：26 电话：15697615685 | 邮箱：507028106@qq.com | 主页：https://blog.weiye.asia

专业技能 ​

  • 框架：熟练使用 Vue 2 / Vue 3 及生态，深入理解 Vue 核心实现原理
  • 跨端：熟悉 UniApp 混合开发，PC、H5、小程序等面向 ToC、ToB 方向的项目，有实际项目经验
  • 组件库：熟悉组件库设计思想，有相关开源组件库 Wot UI 组件的设计开发和维护经验
  • 工程化：熟悉前端工程体系建设，掌握从项目搭建、工具集成、开发调试、CI/CD 等多个方面的工程化实践
  • 性能优化：熟悉浏览器渲染流程、缓存机制、事件循环、资源加载策略，具备丰富的性能优化经验。
  • 后端：使用 Adonis.js / Node 进行简单接口开发
  • AI 应用：具备 AI 应用落地经验，深入理解 LLM 在多轮对话、长文记忆、MCP、RAG、Agent 等应用技术，能够完成 AI 能力在前端产品中的接入、调试与工程化落地

开源贡献 ​

  1. Wot UI（2.3k+⭐） 核心成员，参与组件库部分组件的设计与升级维护，主导开发了高拓展瀑布流组件。该项目荣获 Gitee 平台年度开源项目第一名
  2. Wot Starter（600+⭐） 脚手架核心贡献者，编写完整最佳实践示例与文档，帮助数百名开发者快速落地 UniApp 项目

工作经历 ​

广东稳安特智能科技有限公司 | 前端负责人 | 2024.3 - 至今 ​

负责智慧停车生态系统的开发与迭代、负责公司内部 CRM 系统的前端工程搭建，覆盖业务系统建设、工程体系沉淀，同时推动 AI 能力在内部工具与业务场景中的工程化落地：

  1. 负责停车生态核心产品建设，完善追缴体系，推动停车业务追缴率提升 18%，累计追缴欠费超 200 万元
  2. 负责企业 AI 知识库、 AI 协同文档的方案设计及核心研发。
  3. 统一多项目工程体系，沉淀脚手架、SDK 与 CI/CD 流程，兼顾稳定性与交付效率，支撑业务持续迭代

湖北普罗格科技集团股份有限公司 | 前端开发工程师 | 2023.3 - 2023.12 ​

参与物流供应链 WMS 系统的前端迭代与通用能力建设：

  1. 负责出入库、订单、库存盘点等核心模块的页面开发与日常迭代，积累 ToB 业务系统的交付经验
  2. 结合物流场景抽象通用表单与表格能力，基于配置化方案提升后台类页面的复用性与开发效率
  3. 参与多团队协作项目，对接后端与测试推动模块按期交付

项目经历 ​

多模态 RAG 停车设备运维文档知识库系统 | AI Agent 开发工程师 | 2025.06 - 2025.12 ​

现场运维人员面对大量设备手册、检修规程与故障图解等图文资料散落在各个文件夹中，查一个问题需翻阅几十份文档，平均定位一个故障方案要 42 分钟，且关键信息常藏在图纸与照片中，纯文本检索根本搜不到。项目将设备手册、故障图解等 PDF/PPT 资料统一建成多模态知识库，支撑图文联合检索与智能问答，让运维人员直接问即可拿到答案，无需翻几百页文档。

技术栈：LangChain、LangGraph、TypeScript、Node、Monorepo、Qdrant、qwen3-vl、text-embedding-v4、PostgreSQL

核心职责：

  1. 多模态与文本向量协同建模：针对设备手册中的图纸、爆炸图、接线示意图等富媒体内容，使用 qwen3-vl 对文本、图片进行联合向量化，实现跨模态统一检索；支持上传故障现场照片检索相似历史案例。针对操作日志、FAQ 等纯文本知识，采用 text-embedding-v4 独立建库，在保证检索精度的同时降低向量化成本。

  2. 混合检索优化：通过构建稠密向量与稀疏向量双路索引，实现结合元数据过滤的多路召回；基于加权融合策略合并候选结果，并引入 qwen3-rerank 进行精细化重排，提升高相关文档进入上下文窗口的概率，显著改善检索质量与答案准确性。

  3. 上下文工程设计： 基于 Redis 维护短期会话上下文与热状态，通过异步任务将关键交互摘要和向量化后沉淀为长期记忆；检索层采用语义检索 + 全文检索的混合召回，并结合 distance 阈值过滤低相关结果，以提升上下文注入质量和回答可靠性。

  4. RAG 评估机制：参考 RAGAS 指标设计思路建立 RAG 评测体系，检索侧评估 Context Precision、Context Recall，生成侧评估 Answer Relevancy、Faithfulness；基于评测结果持续优化检索链路、上下文构造与提示词策略，提升系统回答质量与稳定性。

工作成果： 完成 1200 多份设备手册与故障文档的结构化入库，覆盖 3 大机型 27 类核心部件。Recall@5 从 62% 提升至 87%，端到端问答准确率 89%。现场运维人员定位故障平均时长从 42 分钟缩短至 11 分钟，一线问题自助解决率提升 68%。沉淀可复用 RAG 检索链路 SDK，显著降低模型与向量库的业务接入成本。

AI 停车助手 | 全栈开发工程师 | 2025.03 - 至今 ​

面向智慧停车场景中车主找车位靠手动翻查、月卡/套餐办理流程繁琐、欠费咨询依赖人工客服、常见停车问题（费用计算/订单疑问等）缺乏自助渠道等业务痛点，构建 AI 停车对话助手平台。平台提供意图识别、情绪感知、多场景对话调度与长期记忆管理等能力，覆盖找车位、月卡办理、套餐购买、欠费处理、平台服务问答等核心停车场景的 AI 化落地。

技术栈： Hono、Cloudflare Workers/D1/R2、Drizzle ORM、LangChain、LangGraph、Next.js 16、React 19、TailwindCSS v4、TanStack Query、shadcn/ui、Zod、jose、bcryptjs

核心技术：

  1. 编排多层 LLM 对话管道：基于 LangChain 结构化输出能力，将单次对话拆解为安全检测 → 车主意图识别（找车位/月卡/套餐/欠费/订单查询/费用计算/投诉报修等 15 种）→ 情绪识别（着急/不满/困惑/积极等 15 种）→ 服务场景路由 → 回复策略决策（信息查询/方案推荐/费用解释/引导缴费/安抚升级等 9 种）→ 上下文记忆注入 → 回复生成 → 质量门控共 10 个环节，每环节均设 fallback 降级常量，确保对话管道稳定运行。

  2. 实现多场景智能策略调度：借鉴多 Agent 群聊调度思想，设计服务场景调度模块——根据车主意图和情绪状态，将对话路由至对应场景处理器（找车位→推荐附近停车场+比价 / 月卡→查询周边月卡方案 / 欠费→调取欠费记录+引导缴费），并综合上下文新鲜度、历史交互间隔、情绪状态等指标动态调整沟通策略，支持单场景直答与多场景串行/并行组合。

  3. 构建车主全生命周期记忆系统：基于两阶段记忆机制（候选判断 → 结构化抽取），自动沉淀车主画像——常停车区域、月卡/套餐偏好、缴费习惯、历史投诉记录、敏感话题边界等信息。采用 importance（1-5 级）+ stability（4 级）分级存储，兼顾对话响应速度与上下文命中精度。

工作成果：

  1. 完成 15+ 个 API 路由模块、16 个数据库迁移文件，覆盖车主认证、对话引擎、场景调度、记忆管理、数据统计等完整业务域，为智慧停车 AI 能力建设提供可复用的技术底座。
  2. 对话引擎支撑 15 种停车场景意图识别、9 种回复策略的精细化编排，覆盖找车位、月卡、套餐、欠费、平台服务等核心场景，帮助车主实现一句话完成停车全链路自助服务。

智能工单调度与 AI 辅助处置系统 | 全栈开发 / 架构设计 | 2025.06 - 至今 ​

面向公司停车运营业务覆盖 200+ 停车场、现场设备日均产生 50+ 故障工单的场景，解决传统流程中客服电话报修→手动录入→人工调度→翻查 PDF 维修→回填结果等环节依赖人工判断、工单分类不统一、响应慢、工程师维修水平参差的问题。在现有工单系统基础上，引入 AI Agent 能力——AI 不替代人，而是在工单创建、分类派发、维修辅助、结果归档四个环节提供智能辅助。

技术栈： TypeScript、LangChain、LangGraph、React、Zustand、Ant Design、Sequelize

核心技术：

  1. AI 辅助工单创建：客服接到报修电话后，在工单创建页面的"故障描述"输入框中，AI 实时解析客服输入的自然语言，自动提取关键信息——故障设备类型（道闸/相机/终端）、故障现象（不抬杆/识别失败/黑屏）、紧急程度（紧急/普通/低优），并推荐维修方案。客服确认后一键创建工单，无需手动选择分类和填写多项表单字段。实现方式：利用 AI 的结构化输出能力（Structured Output），将非结构化的口语描述映射为工单 Schema 的 JSON 结构。

  2. 基于上下文的智能派单：工单创建后，AI 根据故障设备类型、故障现象、停车场位置、工程师当前在岗状态和历史维修记录，综合判断最优派单策略——紧急故障就近派单，普通故障按专业技能匹配派单，低优故障允许次日处理。派单结果进入人工确认流程，主管可以在线调整后确认，AI 决策 + 人控确认形成闭环。

  3. 维修辅助 Agent：工程师在场站维修时，打开工单详情页，点击"AI 助手"按钮。AI 自动读取工单信息（设备型号、故障现象）和当前工程师位置上下文，通过 RAG 检索设备操作手册和常见故障维修方案，结合对话交互引导工程师逐步排查。例如工程师问"DS-TC2000 相机不聚焦怎么办"，AI 检索相关维修文档后给出排查步骤，必要时建议更换配件。实现方式：基于 LangGraph 构建有状态 Agent，支持中断（工程师问问题 → AI 检索 → AI 回答 → 工程师继续问），工具层对接知识库检索工具和备件库存查询接口。

  4. 工单处理结果智能归档：维修完成后，AI 自动基于工程师填写的处理过程和维修前后的设备状态变化，生成结构化工单总结——包括故障原因归类（硬件故障/软件异常/外部因素）、维修耗时、使用备件、是否需要后续跟踪。降低工程师填写报告的时间成本，同时统一工单数据的结构化程度，便于后续分析。

  5. 统一 AI 引擎底座：以上能力共享同一套 AI 引擎。前端通过插件化方式在工单各页面注入 AI 按钮（创建页、详情页、归档页），点击时自动感知当前页面上下文（是在创建工单？还是在查维修方案？），引擎根据上下文决定启用哪些工具（知识库检索/备件查询/工单创建/派单建议），避免各页面各自对接 AI 的重复工作。

工作成果：

  1. 工单创建时间从客服平均 8 分钟缩短至 2 分钟（AI 辅助提取信息 + 一键创建）。
  2. 工单分类准确率从人工的 72% 提升至 94%（AI 结构化输出替代人工选择）。
  3. 紧急故障平均响应时间从 45 分钟缩短至 20 分钟（智能派单 + 就近调度）。
  4. 一线工程师的自助解决率从 55% 提升至 82%（维修辅助 Agent + 知识库 RAG）。
  5. 工单归档完整率从 60% 提升至 95%（AI 自动生成总结）。

Agent 智能停车运营平台 | 全栈开发 / AI 应用架构 | 2025.06 - 至今 ​

背景：公司停车运营平台覆盖运营中心、客服中心、财务中心、运维中心、运营驾驶舱等核心业务域，管理 200+ 停车场（封闭场库+道路泊位），日均产生数万条停车记录、欠费单、账单申诉和设备告警数据。但运营团队大量日常工作仍依赖人工判断——欠费车辆追缴靠经验排序、包期转化缺乏精准触达、客服处理申诉标准不一、运营分析靠手工拉取报表，数据价值未被充分挖掘。

为解决上述问题，在现有停车运营平台基础上，引入 AI Agent 能力矩阵——AI 不替代运营人员的决策权，而是在欠费追缴、车主价值评估、包期转化、客服辅助、运营洞察五个核心环节提供智能辅助，帮助运营团队将精力聚焦在高价值决策上。

技术栈： TypeScript、LangChain、LangGraph、React、Zustand、Ant Design、Sequelize、Redis、PostgreSQL

核心技术：

  1. 欠费车辆智能分级与追缴策略 Agent：在欠费管理模块中，AI Agent 综合分析车辆的欠费金额、欠费时长、历史追缴记录、车辆出场频次、车主历史缴费习惯等维度，自动输出欠费风险等级（轻度/中度/严重/顽固）和追缴建议策略。轻度欠费推荐短信提醒+自助缴费链接，中度欠费推荐电话催缴+制定还款方案，严重级推荐协商减免，顽固级提示法律途径。同时 AI 会推荐最佳联系时机（基于车主历史出场规律），帮助催缴人员在正确的时间触达正确的车主。实现方式：基于 LangChain Structured Output，将非结构化车辆信息+欠费数据映射为分级 Schema，后端通过工作流引擎定时批量触发评分，结果写入欠费记录 AI 字段并在前端列表高亮显示。

  2. 车主全生命周期价值评估与流失预警 Agent：在车主账户管理模块中，AI Agent 综合评估车主的停车频次、月卡/包期续费记录、欠费历史、账单申诉率、投诉记录、最近活跃时间等多维指标，计算车主价值分（0-100）并划分等级（高价值/普通/低活跃/流失风险/已流失）。当检测到高价值车主连续 30 天无入场记录或月卡即将到期未续费时，Agent 主动生成流失预警，并推荐干预措施（推送月卡优惠券/定向发送关怀短信/安排客服回访）。运营人员可在车主详情页看到 AI 评分面板——价值趋势图、流失风险等级、干预建议清单。

  3. 包期转化预测与运营推荐 Agent：在包期管理模块中，AI Agent 综合分析临停车主的停车频次、月消费金额、常停车场、停留时长分布等行为数据，预测该车主办理月卡/套餐的概率（0-100%），并将高转化潜力的车主推送至运营人员的"待跟进转化"清单。运营人员可以根据 AI 推荐的优先级定向推送包期优惠信息，替代传统的全量群发。同时 Agent 可分析各停车场的包期办理转化率、空置率趋势，辅助运营制定差异化的包期定价策略。

  4. 多渠道客服沟通辅助 Agent：在客服中心的账单申诉、道路值守、反馈建议等模块中嵌入 AI 辅助能力。车主提交账单申诉或反馈时，AI 自动分析申诉文本内容，结合对应的停车记录、订单数据、设备日志，判断申诉合理性（合理/部分合理/不合理），推荐处理方案（直接通过/部分减免/解释说明/转人工），并自动生成客服回复草稿。同时 AI 识别车主情绪（不满/困惑/着急/愤怒）并标注优先级，帮助客服先处理高情绪诉求。在客服工作台，AI 实时辅助客服人员编写回复——输入关键词即可推荐话术模板，一键润色语气，统一客服沟通质量。

  5. 运营数据洞察与自动报告 Agent：在运营驾驶舱和数据图表模块中，嵌入 AI 分析助手。运营人员可以通过自然语言查询数据——"上个月 XX 车场的临停收入环比变化""泊位周转率排名前 5 的车场""近一周欠费增长最快的区域"，AI 自动理解意图并生成对应的数据查询 + 可视化图表。同时 AI 按周/月周期自动输出运营摘要报告——收入趋势、车流量变化、欠费排行榜、设备告警汇总、客服处理统计等，运营主管可直接审阅或转发。实现方式：基于 LangGraph 构建有状态 Agent，工具层包括 NL2SQL 数据查询工具、ECharts 图表生成工具、报告模板渲染工具。

  6. 统一 AI 引擎底座与前端插件化注入：以上所有 Agent 能力共享同一套 AI 引擎底座。前端采用插件化架构，在各模块页面（欠费列表/车主详情/包期管理/申诉详情/驾驶舱/报表页）按需注入 AISlot 组件——该组件自动感知当前页面上下文（是在欠费管理页做分级？还是在客服页做申诉处理？），引擎根据上下文动态加载对应的 Agent 实例和能力，避免各模块各自对接 AI 的重复工作。同时支持多供应商 LLM 切换（本地 vLLM 部署 + 云端 API 双通道），日常评分用本地小模型、复杂分析调云端大模型，兼顾数据安全与响应速度。

工作成果：

  1. 完成欠费追缴、车主价值、包期转化、客服辅助、运营洞察 5 大模块的 AI Agent 覆盖，停车运营全流程 AI 渗透率达到 85% 以上业务触点。
  2. 欠费追缴转化率提升 25%——AI 分级+策略推荐使催缴人员优先处理高价值欠费车辆，累计追缴效率明显提升。
  3. 高价值车主流失率下降 12%——健康度预警+主动干预使运营团队提前介入高风险车主，月卡续费率提升 18%。
  4. 客服处理账单申诉的平均时长从 15 分钟缩短至 5 分钟（AI 自动分析 + 回复草稿），申诉首次解决率从 65% 提升至 83%。
  5. 运营分析报表从人工拉取平均耗时 2 小时/次缩短至 15 分钟/次（AI 自然语言查询 + 自动报告），管理层数据获取效率提升 85%。

我更推荐“第二版的业务叙事 + 第一版的技术真实性”，不要直接使用第二版原文。

第二版更像真实业务项目，停车场景、用户问题和价值表达都与你的简历高度一致，面试官能迅速理解项目价值。但它有几处风险较高的表述：

  • “8 个异构数据源”“50+ 表”“效率提升 90%”“准确率 92%”属于硬指标，没有真实验收数据时容易被深挖。
  • “LLM 自动判断数据源并路由”不是 SQLBot 默认主链路的准确描述。项目有数据源/表的向量检索与助手数据源能力，但不能直接写成已实现的 LLM 智能路由。
  • “行级权限、列级脱敏”应谨慎。代码可见数据源权限、工作空间隔离和行权限相关模块，但“财务可见收入、隐藏联系方式”的停车业务规则需要确实落地才适合写。
  • “上卷下钻”建议改为“承接上下文做维度拆分或聚合”，更符合实际对话问数能力。

建议最终采用下面这个版本：

停车运营智能问数系统（ChatBI）｜前端负责人 / AI 应用开发｜2025.08 - 至今 ​

面向停车运营、财务及管理人员依赖研发导数、手工整理 Excel 才能获取经营数据的问题，基于 SQLBot 构建面向停车运营场景的智能问数平台。业务人员可通过自然语言查询临停收入、车场周转率、欠费排行、月卡办理等经营数据，获得可视化结果并导出分析数据。

技术栈： Vue 3、TypeScript、Vite、Pinia、Element Plus、AntV G2/S2、FastAPI、PostgreSQL、pgvector、LangChain、HuggingFace Embeddings、MCP、Docker

核心技术：

  1. 搭建对话式数据分析工作台： 基于 Vue 3 + TypeScript 实现对话问数、SQL 展示、执行过程、结果表格、图表渲染、仪表盘编辑及 Excel 导出；通过 SSE 消费后端流式结果，分阶段展示模型生成、SQL 执行与图表生成状态。
  2. 定制停车领域 Text-to-SQL 上下文： 围绕订单、车辆、车场、月卡、欠费等业务表，维护字段别名、运营术语和高频 SQL 样例；结合表结构、术语库、SQL 示例的向量检索，为模型提供与当前问题相关的受控上下文，提升复杂运营口径的 SQL 生成稳定性。
  3. 实现多轮问数与可视化联动： 支持基于历史对话承接时间范围、车场范围等上下文，对聚合结果继续进行按车场、时间或业务类型的维度拆分；根据查询结果生成表格、趋势图、排行图等图表，并支持二次分析与数据导出。
  4. 落实数据访问边界与集成能力： 基于工作空间、数据源权限、资源归属与审计日志控制数据访问；通过嵌入式助手及 MCP 能力，将智能问数接入运营驾驶舱、客服和工单等既有系统，减少重复建设。

工作成果：

  1. 完成停车运营核心数据的自然语言查询闭环，覆盖收入、车流、欠费、月卡等高频经营分析场景。
  2. 沉淀流式对话、图表组件、嵌入式助手和仪表盘编辑等前端通用能力，支持在多个业务系统复用。
  3. 将常规数据查询从依赖研发或手工报表整理转为业务人员自助分析，实际效率指标按上线后的埋点、工单与访谈数据补充。

稳安特 AI 协同文档知识库平台 | 技术负责人 / Agent 应用开发 | 2026.01 - 2026.06 ​

面向企业知识沉淀与协作办公场景的智能文档平台，支持多人实时协同编辑、AI 辅助写作、知识库搜索与问答。主导项目第一阶段 AI、协同、RAG 核心链路设计与落地，重点解决协同文档场景下内容一致性、检索可靠性与 AI 可追溯性问题。

技术栈： AdonisJS、React、Vite、BlockNote、Yjs、Hocuspocus、PostgreSQL、Qdrant、Vercel AI SDK、assistant-ui、RAG、Embedding、Monorepo

核心技术：

  1. 设计 Monorepo 分层架构，将协同服务、模型调用、检索编排、权限控制从业务页面中解耦，明确协同、AI、RAG、权限与业务 API 的职责边界，降低多服务系统的耦合度与后续演进成本。
  2. 设计并实现 RAG 主链路，完成快照解析、chunk 切分、Embedding、向量写入、权限过滤、上下文构建与 Citation 映射，使知识问答结果能够回溯到具体文档块级内容。
  3. 基于 Yjs + Hocuspocus 打通多人实时协同编辑链路，支持内容同步、标题同步、Awareness / Presence、协同连接鉴权与房间隔离，为 AI 写作和知识库构建提供统一协作文档入口。
  4. 针对“精确命中”和“语义召回”两类搜索需求，制定“PostgreSQL 全文搜索兜底 + Qdrant 语义检索增强”双通道方案，避免向量索引延迟或质量波动直接影响搜索页可用性。
  5. 将“编辑器内 AI 写作”和“知识库问答”拆分为两条独立上层能力链路，前者聚焦改写、扩写、总结等操作型 AI，后者聚焦跨文档检索增强问答，提升系统边界清晰度与后续维护性。