核心优势 & 管理摘要
技术深厚 深度掌握搜推广核心算法（MMoE/PLE、DSSM、DeepFM、GraphSAGE）与大模型Multi-Agent多智能体架构（LangGraph、MCP协议），精通高并发实时智能决策与图数据库建模（NebulaGraph）。
业务破局 具备从0到1搭建千亿级离在线特征系统与大模型中台的实战经验，主导算法架构驱动核心业务转化率（CVR）提升 +14.2%、GMV提升 +18.5%。
团队管理 带领10+人核心算法与工程团队，推行以业务ROI与技术前沿双轮驱动的研发体系，兼具敏捷交付与底层架构长期演进能力。
专业技能
| 推荐与机器学习: |
精通多目标学习（MMoE、PLE）、双塔召回（DSSM）、序列模型与精排；熟练掌握 PyTorch、TensorFlow、Pandas。 |
| LLM & Multi-Agent: |
精通 Agent 编排（LangGraph、AutoGen）、Model Context Protocol (MCP)、Agent Memory 记忆系统、RAG 与微调。 |
| 图计算与存储体系: |
熟练应用 NebulaGraph 构建千万级实体图谱与 OD 路径偏好模型，精通 Redis、Supabase/PostgreSQL、Milvus。 |
| 工程架构与 MLOps: |
具备万级 QPS 实时推理架构设计能力，熟练运用 FastAPI、Docker、Nginx、Cloudflare 及完整模型实验追踪体系。 |
工作经历
- 团队与中台管理：负责出行与企业差旅推荐算法团队（12人），主导搜索、重排、图谱建模及大模型 Agent 架构全链路规划与交付。
- 多目标排序与商业化变现：重构推荐排序体系，引入 MMoE / PLE 多任务学习模型 解耦点击率与付费转化率冲突，实现长尾场景冷启动预估准确率提升 22%，核心频道 GMV 提升 18.5%，订单 CVR 提升 14.2%。
- 大模型出行智能体 (AgentONE) 研发：基于 LangGraph + MCP (Model Context Protocol) 架构设计企业智能出行助理，打通复杂出行意图理解、多工具调度与长期记忆，端到端决策耗时缩短 40%，复杂意图精准识别率达 94.6%。
- 图偏好网络构建：主导 NebulaGraph 知识图谱架构设计，将用户-交通OD-商圈-企业差旅策略建模为图关系，图嵌入召回使个性化匹配效率提升 32%。
- 千亿级向量召回与重排演进：搭建基于 DSSM 双塔模型 + Item-CF 的多路召回矩阵与 DeepFM 精排体系，支撑日均亿级请求，峰值 QPS 达 2.5万+，P99 耗时控制在 18ms 以内。
- 离在线一体化特征工程：设计并落地流批一体特征中台，将离线特征同步延迟由 T+1 缩短至分钟级，解决数据穿透与特征穿越问题，模型 AUC 提升 0.032。
- 算法工程化与降本增效：主导推理引擎量化剪枝与分布式训练框架升级，训练资源消耗降低 35%，推断集群吞吐提升 50%。
核心重点项目
- 背景与痛点：传统客服与预订流程多轮交互冗长、跨系统（机票/酒店/审批/差标）调度割裂、用户个性化偏好无持久记忆。
- 架构攻坚：基于 LangGraph 状态图构建 Multi-Agent 分布式协同调度网络，制定基于 Model Context Protocol (MCP) 的标准化工具交互协议，集成向量检索与时序记忆系统（Agent Memory）。
- 成果收益：支撑全场景自动化智能差旅预订，用户平均决策步长由 7.2 次交互降至 2.1 次，人工介入率降低 65%，荣获公司年度技术创新突破奖。
- 技术实现：以用户出行路径（OD）、差旅策略、消费意向为核心，构建亿级边属性图数据库，使用 GraphSAGE 抽取高阶结构特征，输入至 PLE (Progressive Layered Extraction) 深度多任务网络进行联合优化。
- 业务价值：有效解决多目标之间的负迁移现象，综合 UV 转化率提升 16.8%，推荐模块曝光点击率（CTR）提升 21.3%。
教育背景
| 重点大学 (985/211) |
计算机科学与技术 · 硕士 |
2015.09 - 2018.06 |
| 重点大学 (985/211) |
软件工程 · 本科 |
2011.09 - 2015.06 |