- 下面这个简历 立正会认为要怎么改呢:陈文斌
求职意向:AI 应用开发 / 后端开发 | 期望城市:厦门 | 工作年限:4 年后端开发
电话:133-2840-2307 | 邮箱:codebin99@163.com
个人优势
• 4 年后端开发经验,既写过 Go 的虚拟机资源调度、异步任务编排与状态机,也在 Python 平台上落地过基于 LangGraph / DeepAgents 的 Agent 应用。
• 能独立理解业务需求、完成方案设计与开发,并把功能推进到上线;获 CCF AIOps 2025 挑战赛优秀奖(大模型 Agent 根因定位赛道)。
专业技能
• AI 应用开发:熟悉 LangGraph / DeepAgents 的 Agent 开发,了解并实践 Agent 工具调用与 MCP 协议接入、RAG 知识库检索,以及人工审批、执行预算等 Agent 执行控制手段。
• Python 后端:熟练使用 Django、Celery、Redis 进行业务开发,熟悉异步任务、分布式锁与租约等常见后端模式。
• Go 后端:熟悉 Go 并发编程,有长耗时任务编排、持久化状态机、Worker 池与资源锁的项目实践。
• 数据存储:MySQL、Redis、VictoriaMetrics / PromQL、图数据库。
• 部署与工程(加分项):熟悉 Linux 环境,能使用 Docker、Kubernetes / K3s 部署服务,有 CI/CD 流水线使用经验。
工作经历
中数通信息有限公司 后端开发工程师 2022.07 – 至今
负责私有化云平台相关产品的后端研发,先后参与 Go 虚拟化管理平台与 Python 智能运维平台(含 AI 助手)的开发;参与平台需求对接与客户交付,累计服务 10+ 家客户。
项目经历
智稳 AIOps 智能运维平台 后端开发 / AI 应用开发 2024.08 – 至今
项目介绍:公司自研的私有化智能运维平台,覆盖资产管理、监控告警及智能运维助手等场景,负责 CMDB、监控与 AI 助手模块开发。
技术栈:Python、Django、Celery、Redis、VictoriaMetrics、图数据库、LangGraph / DeepAgents、MCP
• AI 智能运维助手:基于 LangGraph / DeepAgents 构建 Agent,接入知识库检索(RAG),集成 Kubernetes、数据库、SSH 等 30 类运维工具集供 Agent 按需调用,并提供外部 MCP 服务接入能力,支持用户以自然语言完成资料检索与工具调用;在执行过程中引入人工审批、执行预算和重复调用约束,控制 Agent 的工具调用范围与执行开销,降低误操作和无效循环调用的风险,支撑运维问答及辅助排障场景。
• 资产自动纳管与关系维护:开发 CMDB 资源采集、实例管理与自动关联能力,基于属性匹配规则维护资源关系,支持实例变更后的增量关联与规则变更后的全量同步;通过唯一键写入锁控制并发写入冲突,为资产查询和拓扑展示提供一致的数据基础;已服务算力中心客户,纳管 1 万+ 台 ECS 云主机资产。
• 采集任务可靠性:完善资源采集链路,基于 Redis 租约、心跳续租和轮次标识控制重复执行及过期结果;引入成功凭据优先、认证失败分级冷冻机制,减少无效认证尝试,支持多目标采集与异常恢复。
• 监控生命周期治理:基于 VictoriaMetrics / PromQL 实现指标查询与监控实例自动发现,完善实例活跃状态、超时清理及关联告警关闭流程;仅依据成功发现结果累计失联时长,避免采集异常造成实例误清理,并通过序列数和采样点预算限制大范围查询开销。
• 需求对接与交付:负责平台需求对接与客户交付,推动功能从需求到上线落地。
智稳虚拟化平台 Go 后端开发 2022.07 – 至今
项目介绍:公司自研的私有化虚拟化管理平台,统一管理虚拟机、宿主机、存储及网络资源,支持虚拟机生命周期管理、资源调度、热迁移和镜像导入,为私有云资源交付提供统一入口;已在公司内部生产环境支撑 35 台物理宿主机、400 台虚拟机的调度与管理。
技术栈:Go、MySQL、KVM / QEMU、Linux、Kubernetes / K3s
• 异步任务编排:围绕虚拟机创建等长耗时操作,基于持久化状态机和父子任务机制编排网络、磁盘及实例部署流程,结合 Worker 池、资源锁和远程回调重试控制并发执行,支持任务进度追踪、失败定位、取消及历史归档。
• 资源调度与预占:通过约束过滤与加权评分完成宿主机选择,结合 CPU、内存和存储需求登记待分配资源占用;引入 NUMA 感知评分,在满足资源需求的前提下优先
立正会先问这份简历投的是哪类岗位、JD 写了什么,再按那份 JD 重排:把「能带来什么结果」提到前面,把 LangGraph、MCP 这类名词退到后面,用你真正解决过的问题支撑。
- 怎么判断一件事是“有复利”还是只是重复劳动?
看这件事做完后,成果会不会留在原地、让下一次起点更高;只是把同样的动作再做一遍、每次都要从头来,就是重复劳动。
- 那你会怎么选择呢?是在亚麻看转岗机会,可能快可能慢的转,还是去TikTok做策略?
立正不会替你选,因为他明确说过个人选择类问题基本不给建议,理由是你喜欢什么、擅长什么只有你自己知道。能借用的判断方式是:把两个选项放进同一个比较框架,看各自能攒出什么可迁移的成果。
- jev 和其他模型差别在哪儿?模型之间有没有一个系统性的分类?
Jev 的差别不在“模型更强”,而在它替你选好了比较对象和评价指标;模型之间没有统一分类,只有按任务和系统角色划分的层次。
- 想请教一下,本科非计算机专业,后来转行从事软件开发,目前考虑申请硕士。
一方面希望未来有考公、考编或从事教师工作的可能性,另一方面对情感计算、AI与心理学交叉领域比较感兴趣。
想问一下,如果希望兼顾职业稳定性和个人兴趣,应该优先选择计算机、AI等通用专业,还是人机交互等交叉学科?海外硕士的专业选择会对回国考公、考编产生多大影响?
专业选择上,先弄清自己真正想要什么,再按未来岗位的实际要求倒推,而不是先锁死“计算机还是交叉学科”;海外硕士对考公考编的影响,资料没有涉及,需要你自己去查目标岗位的招录条件。
- 我现在刚开始工作不久,或许未来可能会有副业和创业。我较大的目标只有赚钱,当然有想着提升能力去升职加薪,在工作中也有一些有成就感的事情。除去工作之外也有一些兴趣,或许可以带给人价值的事情,但是都需要一些启动资金,也不一定能成功,所以我想知道我赚钱为主的想法是不是反而会阻碍我赚钱和获得一些事业成就
以赚钱为主本身不必然阻碍赚钱和成就;真正会拖住你的是把赚钱当成唯一标尺,从而不再检验市场、也不做小规模试验。
- 每周做一次小选择。具体指什么呢?
“每周做一次小选择”在现有材料里没有原话定义;按立正关于选择的说法,它更可能指每周挑一件自己承担后果、需要取舍的事,主动做决定,而不是等条件齐全再动。
- 在ai时代下,问什么问题都会有答案,如何建立自己的投研框架形成自己的判断力
AI 能给出答案,但不会替你定义问题。投研框架的核心是把模糊判断切成可检验的具体问题,再用真实任务反复校准自己的判断。
- 做fde的工作可以帮助我找到客户需求和市场吗?课代表如何看待fde的工作价值?
做 FDE 能让你贴近真实客户和真实业务,但能不能借此找到需求和市场,取决于你是否亲自把东西跑通、能否把现场问题翻译成产品改动;只做传话和售前,接触再多客户也积累不出这种判断。
- 我有一个培育组钻的首饰品牌,我想做出海,最重要的卡点是什么?
出口牌照和关税是必须解决的合规问题,但更可能卡住盈利的是:还没验证海外有哪一群具体的人愿意为你的设计付溢价。独立站只是渠道,不能替代这个验证。
- 如果我用ai将我的工作效率大幅度提高了,那么我的工作会不会变得不值钱,或者直接被我的ai工作流给替代了。
AI 提效本身不会自动让你的工作贬值,真正被重新定价的是那些“交付物”本身——方案、汇报、代码、原型。当这些中间产物变得极便宜,靠生产它们换评价的那部分工作会缩水;能对最终结果负责、把 AI 用在探索真实需求上的人,反而更稀缺。
- 为啥你觉得没有必要学计算机底层原理,汇编,网络这些了?
立正的意思不是底层原理没用,而是对多数非技术背景的人,从语法、算法、汇编这类传统路径入门代价太高、劝退太强,先动手用 AI 做出东西更划算。
- 怎么拿回人生的主动性
立正把主动性看成一种会被磨损、也能被练回来的能力:多做自己承担后果的小选择,少把时间交给抱怨和等待。
- 大模型作为一个开发工程师,主要开发企业内部应用和对客的一些应用,应该掌握到什么程度,应该需要知道哪些知识?
对做企业内部和对客应用的开发工程师,重点不在训练模型,而在把模型接进真实业务:管好上下文、做编排与集成、对结果负责;理解客户与业务判断比单一技术栈更值钱。
- 我是一名广告设计师,该如何转型才能不被AI时代淘汰呢
广告设计师的转型方向不是离开设计去做“AI 工具人”,而是把设计判断变成能对结果负责、能被 AI 执行的能力:从交付稿子转向交付效果,从审美感觉转向可外化的标准。
- 用ai如何做到出装修效果图次次都对?然后怎么样减少人的介入,让ai一猜就对。能不能做成一个全自动流程,cad输入就能出image2出的效果图,也能做blender
把“次次都对”当成可验收的固定流程来搭:先写清什么算对,再让AI在能调工具、能读你项目文件的环境里跑,人只在结果收敛后审。全自动CAD到效果图、再到Blender,方向上可行,但验收标准仍得由人定。
- 我记得有一个教我如何学会健身、学会任何东西的一个视频,帮我找一下
你记得的大概不是一期专门讲健身的视频,而是讲“怎么才算学会”的内容:健身和学任何东西一样,靠撤掉帮助后还做得出、隔一段时间还记得来检验,而不是靠练得顺、感觉懂了。
- 为什么马斯克的直觉常常是对的?系统一有可能在复杂任务强于系统二吗?是马斯克比较特殊还是其他人也可以?但是思考快与慢着重讲了系统一在复杂下的偏差。
「倒数计时那一刻,我差点吓到尿裤子,」容克萨说,因为他突然在回传的影片中,看到第一节和第二节火箭之间的缝隙竟有水滴渗出,令人忧心。他不知道那是不是液态氮,如果是就没问题,但如果是来自超级冷却燃料槽里的液态氧,可就不妙了,「我吓得半死。如果是我的公司,我会停止发射。」
「你得决定是否取消。」当倒数计时进入最后一分钟时,容克萨对马斯克说。
马斯克停顿了几秒钟。如果两节火箭之间有液态氧渗出,会有多大风险?的确有风险,但只是小风险。他说:「算了,我们发射吧。」
多年后,容克萨重新观看当时马斯克做决定的影片片段。「我以为他迅速做了复杂的计算,然后决定该怎么做,但事实上他只是耸耸肩,然后下达命令。他直觉知道其中的物理原理。」
马斯克是对的
那我们平时需要导师言传身教以及自己大量上手做而不能看书看课学到的crafts是不是其实是专家直觉?
马斯克式的“直觉”更像长期实践积累出的专家判断,不是人人都有的天赋,也不等于系统一在复杂任务上普遍强于系统二;它只在有大量真实反馈、且问题属于他熟悉领域时可靠。