风险判断
风控模型与评估
模型效果，也要经得起时间检验。
使用 XGBoost、LightGBM 与逻辑回归评分融合，参与风控模型实践；通过 OOT KS / AUC 评估模型表现，关注跨时间样本上的有效性。
我的实践关注点
ABOUT
技术落在具体问题里。
我的工作经历横跨不同业务与技术场景。风控算法实践让我重视模型评估与业务判断；如今，在 AI 应用技术交付中，我继续关注需求是否清晰、方案是否可行，以及问题能否被准确定位。
2024 年 9 月加入字节跳动，2026 年 3 月起转向 Data Agent 技术交付。围绕客户需求与技术方案沟通、POC 协同、模型接入与验证，推动应用落地。
把需求说清楚用证据判断把问题定位准
SELECTED PRACTICE
精选技术实践
从风险判断，走向 AI 应用落地。
应用落地
Data Agent 技术交付
把需求、方案与验证连接起来。
开展客户需求与技术方案沟通、POC 协同，参与私有模型接入排障与模型版本验证。协同 QA 推进评测：提出需求、补充和修正案例、审核报告；评测集、评分及报告由 QA 主导。
问题定位
性能测试与排障
让测试结果更容易理解和追溯。
改进性能测试脚本的并发参数、请求 header 与错误打印；区分网络错误和 JSON schema 异常。观察首 Token 延迟与输出速率，为模型接入与性能问题定位提供依据。
LEARNING IN PROGRESS
保持学习，向下理解。
以下是正在学习与探索的方向。
从原理到实践，逐步建立理解。
模型原理Transformer 与语言模型
正在学习 Transformer 的核心机制，以及 BERT、GPT、T5 的结构与任务差异。
模型适配SFT 与 LoRA
正在学习监督微调与参数高效微调，理解数据、训练目标与模型适配之间的关系。
应用构建Agent 工具调用与 RAG
正在探索工具调用与检索增强生成，关注模型如何利用工具和外部知识完成具体任务。
质量与运行评测与可观测性
正在学习 AI 应用的评测方法与可观测性，关注质量、延迟与异常如何被记录和分析。