211计算机硕士，3年基础软件开发经验。有扎实的 C/C++/Rust 能力，乐于学习新技术，对大模型和深度学习有实战研究背景。
主要工作语言是 C/C++ 和 Rust，能熟练使用 Python 和 TypeScript。
具备多线程、异步编程、fork/poll 等网络编程、交叉编译、性能调优和内存泄漏排查的经验。
对 LLM 有系统性认知，理解 Context Window、Token、Embedding 等概念，了解预训练和后训练。
熟练使用 Docker 和 Kubernetes: 常用 Docker 容器化开发环境，Kubernetes 容器化部署CI。
熟悉敏捷开发、CI/CD，善于用新工具提效，有多次向开源项目提交 PR 与 Issue 的经历。
英文文档阅读无障碍，具备基础口语与写作能力（六级 561 分）。
用 Rust 写的 coding harness。 支持 Windows、macOS 与 Linux 平台，提供 MCP、Skill、Memory、Subagent 等能力。
Cargo 小工具：同时执行多条 Cargo 命令——cargo q fmt test build，提高开发效率。
VSCode 插件：定时关闭长时间打开的 VSCode tab，减少心智负担。
处理整型加减溢出的 C++ 组件。实现 Rust 的 checked、overflowing、saturating 与 wrapping 四种语义，适配 GCC、Clang 与 MSVC。
大模型的训练流程：预训练学什么，后训练（SFT 与 RLHF）又在解决什么问题。
解释 token 是什么和分词器算法。
大模型如何依据上下文逐个预测下一个 token, 采样策略与温度又如何影响最终输出。
IEEE ICME · 一作 · Oral
引入一个教师模型，作为分割模型在训练过程中的“集成版”，用来稳定伪标签、抑制噪声。 同时，设计了一种“分段平滑损失”，更有针对性地约束同一动作片段内部预测概率的平滑过渡。
Multimedia Tools and Applications · 四作
设计 Snippet Classification 模型和 Dilation-Erosion 模块： 先用“扩张”策略宽松地扩展可能的动作片段，缓解动作不完整；再用“腐蚀”式的步骤从这些片段中剔除背景，减少背景误检。