技能图谱Capability Map
嵌入式 / 边缘计算
- C / C++（主力语言）
- 多通道传感器数据采集
- 边缘推理 / 量化部署
- RTOS 任务调度
- BLE / MQTT 设备通信
AI 大模型 / Agent
- LLM 应用与 Agent 开发
- 多 Agent 编排 / 工具调用
- RAG 检索增强生成
- Prompt 工程 / 工作流设计
- 语音转写 + 结构化输出
Python / 云边后端
- Python（主力语言）
- FastAPI / SQLAlchemy 2.0
- asyncio / PostgreSQL
- Docker / Compose
- MinIO 对象存储
项目经历Selected Projects
Project D
LLM Agent 多工具编排框架
2024.08 – 2025.01
痛点工厂一线要让 LLM 同时操控 30+ 异构系统（PLC / 传感器 / SCADA / Web API），LangChain 冷启动就吃 1.4GB RAM，单进程最多撑 12 路会话就 OOM，工具调用准确率不到 60%。
做法用 Python asyncio 自研五层 Loop：tool routing / state machine / memory / reflection / streaming 全部解耦；C++ 重写 token 解析与 protobuf 反序列化提速 4 倍；用 binary enum 约束 LLM 输出，零重试。
结果单进程稳定 50 路并发长会话，工具调用准确率 96%，冷启动 < 200ms；部署成本从 ¥50k/年降到 ¥8k/年。
PythonasyncioC++protobufgRPCPostgreSQL
50 路并发 · 工具调用 96% · 冷启动 < 200ms
Project E
工业多通道振动+温度同步采集网关
2022.06 – 2023.02
痛点客户要求 16 通道振动 + 4 路温度同步采样 1kHz，通道间相位抖动必须 < 50μs；Linux 默认调度 + Python 多线程实测抖动能冲到 800μs，丢帧率 3%，根本过不了验收。
做法STM32H7 裸机 C 主控，DMA + 定时器中断双缓冲采样，CMSIS-DSP 做滑动 FFT；C 端先跑卡尔曼滤波再 DMA 推送，FreeRTOS 任务优先级分层；下行用 LZ4 流式压缩，缓存 24h ringbuffer 走 SPI Flash。
结果实测 16 通道相位差 < 50μs，1 个月不掉一个点；下行带宽 6MB/min → 1.6MB/min（压缩 73%），断网后恢复零丢失。
CSTM32H7DMAFreeRTOSCMSIS-DSPLZ4卡尔曼滤波
16 通道 · 1kHz · 抖动 < 50μs · 压缩 73% · 24h 零丢失
Project F
工业设备 RAG 知识库与文档结构化抽取
2024.10 – 2025.04
痛点工程师查一份 200 页设备手册平均翻 18 分钟，新人占比高、离职率高，售后成本逐年涨；LlamaIndex 默认 pipeline 在 PDF 表格和扫描件上召回率掉到 0.5，根本用不起来。
做法自研 PDF 解析器（pdfplumber + Tesseract OCR + 表格重建三件套）；混合检索 BM25 + BGE 向量，multi-hop query rewriting；抽取阶段用 Pydantic 强 schema 约束 + 反查锚点定位原文坐标。
结果2000 页手册 4 分钟建库，召回 0.91，复杂查询 top3 命中 87%；工程师平均查找耗时 18min → 2min，售后工单降 22%。
PythonLlamaIndexChromaBGEBM25TesseractPrompt
2000 页 · 召回 0.91 · top3 命中 87% · 查找 -89%
Project G
多 Agent 协作智能运维平台
2025.01 – 2025.08
痛点客户工厂夜班只有一个工程师盯 5 台关键设备，每天 ≥2 起告警，平均响应 28 分钟；等工程师上线、设备熟悉、调工具链，单故障处理就 1 小时起步，月均人工成本 ¥30w。
做法搭 3 个 Agent：Detector 抓 metric+log 异常、Diagnoser 走 RAG 查历史工单+设备手册、Executor 调 SSH / 设备 API 执行修复；Agent 间用 Redis Streams 事件总线，Python asyncio + custom dispatcher 串起来。
结果线上故障平均自愈 4m12s（人工 28m）；月均自动闭环 60+ 起故障，年节省 ¥30w+ 加班费，工程师终于能睡整觉。
PythonMulti-AgentRAGFunction CallingFastAPIRedis Streams
自愈 4m12s vs 人工 28m · 月均 60+ 起 · 年省 30w+
Project H
边缘 AI 视觉检测（太阳能板缺陷）
2023.06 – 2023.12
痛点太阳能板表面缺陷检测，户外 -10°C 电池供电的盒子里跑（无 GPU），客户给 8s/帧 预算；PyTorch 原版 YOLOv8s 直接占 1.2GB 显存，Jetson Orin Nano 上根本起不来。
做法C++ 写 PyTorch→ONNX→TensorRT 全流程量化 pipeline，FP16 + INT8 混合校准，自定义 YOLOv8 neck 算子融合；GStreamer 多路摄像头并行解码 + ROI 预处理前置；模型大小从 44MB → 11MB。
结果检测 mAP 0.92，单帧推理 35ms（比预算快 228x），显存 4.2GB → 1.1GB；半年量产 200 台，部署现场零返修。
C++TensorRTCUDAYOLOv8ONNXGStreamer
mAP 0.92 · 35ms/帧 · 显存 -74% · 量产 200 台
Project I
工业设备预测性维护系统
2024.06 – 2025.02
痛点客户产线空压机轴承一旦坏了才停，每次检修 8 小时，全厂掉线赔 ¥50w；想加传感器但厂里只批 3 个振动点（多了就"碍事"），传统阈值法在低频段漏报率超 30%。
做法3 点振动 + 温度时序，FFT 提频域特征后喂给 LSTM 自回归；C++ 把模型走 ONNX Runtime 部署到边缘网关（RAM < 50MB）；剩余寿命用 Weibull 分布 + 置信区间，输出 7/15/30 天三档预警。
结果轴承故障预测准确率 94%，平均提前 7 天预警；上线当年帮客户挽回 6 次非计划停机（> ¥300w 损失），模型在线持续漂移检测自动触发重训。
PythonPyTorchONNX RuntimeLSTMFFTWeibullC++
准确率 94% · 提前 7 天 · 当年挽回 6 次停机 · ¥300w+
Project J
BLE 设备管理微信小程序（工程部自用）
2022.10 – 2023.04
痛点工厂 200+ 台蓝牙传感器升级固件、改采样频率都得拆机+串口刷线，每次维护工程师跑现场 4h/台；微信小程序能直接在工程部手机操作，但 iOS BLE 反复断流、安卓 MTU 仅 20 字节，开源库根本扛不住生产。
做法自研 BLE 通信库统一 4.0~5.3 协议：分包序号 + 滑动窗 CRC + 自适应超时重传；OTA 用差分包 + 一键回滚 + SHA256 校验；后端 FastAPI + PostgreSQL + 阿里云 OSS，弱网走 MQTT QoS2。
结果扫码 → 配网 → 首次上报全流程 12 秒完成（业内平均 35s）；弱网重连率 0.3%，稳定承载 5 万用户设备绑定。
BLE 5.0微信小程序CMQTTOTA 差分FastAPI
12s 全流程 · 弱网重连 0.3% · 5 万用户 · 售后 -70%
Project K
低功耗 BLE 多通道数据采集终端（ML307C）
2023.03 – 2024.02
痛点客户要给几万个监控点装倾角传感器，2400mAh 电池必须撑 1.5 年；ML307C OpenCPU 平台 RAM 仅 256KB，BLE MTU 死锁 20 字节，1KB 配置下发要拆 60 包；开源 Nordic 协议栈一开 BLE 就吃掉 80% 续航。
做法C 裸机 + FreeRTOS 任务分层，外设全部掉电休眠；自研分包协议：背靠背发 + 滑动窗口 CRC + 失败回退到分页请求；MCU 端先 FIR 滤波 + 阈值去抖才上报，连接间隔从 7.5ms 拉到 200ms 平衡功耗与时延。
结果实测待机 1.5 年零 1 天（电池实测 549 天），1KB 配置首包到达率 99.2%（同类开源 78%）；客户验收一次过，连续稳定运行 > 12 个月零投诉。
CML307CFreeRTOSBLE 5.0MQTTCat.1OpenCPU
首包 99.2% · 待机 1.5 年 · 稳健运行 >12 月 · 客户零投诉
Project L
边缘 AI 推理网关（工业现场）
2023.09 – 2024.08
痛点客户要把云端 7B 模型能力"搬到"产线，但现场只能给一台 4 核 ARM + 32GB RAM + 无独显的工控机；llama.cpp 跑通就要 22GB，vLLM 干脆起不来；首 token 等 1.2s 客户就拒绝验收。
做法llama.cpp + GPTQ INT4 量化打底，自研 KV Cache 分页复用 + 滑动窗口分片预取；ARM NEON 重写矩阵乘算子，吞吐提 2.3x；Python 调 prompt 模板瘦身 + first-token prefill offloading。
结果7B 模型在 32GB 盒子稳定运行，首 token 380ms（同类 1.2s+），吞吐 28 tok/s；连续 72h 零 OOM 崩溃，已上线 12+ 站点。
C++llama.cppGPTQ INT4NEON SIMD边缘推理
首 token 380ms · 吞吐 28t/s · 72h 零崩溃 · 12+ 站点
Project M
工业设备云端管理平台（10 万级接入）
2024.03 – 2025.06
痛点10 万工业设备每 30s 上报 1 条指标 + 不定时告警，最早用 Celery 架构，2 台 worker 就把 Redis 打挂、QPS 卡 800，连客户第一次 PoC 都过不了；同类厂商方案单机就要 2GB+ 内存。
做法架构推翻重做：FastAPI + asyncio 全异步，砍掉 Celery/Redis worker（自己用 uvicorn + 信号量调度）；PostgreSQL 按设备 ID 哈希分区 + 冷热分层 + pgbouncer 连接池；上传走 ZIP 批量 + 单条追加双模式，断点续传 100% 零丢失。
结果单机支撑 10 万设备稳定接入（活跃 5 万台），API P99 < 100ms，进程内存峰值 < 500MB；上线 9 个月 Redis 零抖动，运维成本砍掉 ¥18w/年。
FastAPIasyncioPostgreSQLDockerMinIO
10 万设备 · P99 < 100ms · 内存 < 500MB · 9 月零故障
教育背景Education
吉林大学
计算机软件技术与应用 · 工学学士
2015.09 – 2019.06
主修：数据结构、计算机网络、操作系统、数据库原理、软件工程、面向对象程序设计。
联系方式Contact
✉
EMAIL
linyu@example.com
◉
WECHAT
已隐藏（如需联系请走邮箱）
林屿 个人简历 — 嵌入式系统工程师 / AIoT 全栈
技能：C/C++（主力）、多通道传感器数据采集、RTOS 任务调度、边缘推理部署；Python（主力）、FastAPI、SQLAlchemy 2.0、PostgreSQL、asyncio、Docker；LLM Agent 开发、多 Agent 编排、RAG 检索增强、工具调用与工作流设计。
项目经历（精选 10 项）
Project D LLM Agent 编排框架（2024.08–2025.01）：自研仅依赖 asyncio + Pydantic 的 Agent 框架，单进程 50 路长会话，工具调用成功率 96%。
Project E 工业多通道传感器同步采集网关（2022.06–2023.02）：16 通道 1kHz 同步采样，抖动 < 50μs，卡尔曼滤波压缩 73%。
Project F RAG 知识库与文档结构化抽取（2024.10–2025.04）：BM25+向量混合检索，2000 页建库 4 分钟，top3 命中 87%。
Project G 多 Agent 协作智能运维平台（2025.01–2025.08）：监控-诊断-修复三 Agent 协作，线上故障自愈 4 分 12 秒（人工 28 分钟）。
Project H 边缘 AI 视觉检测（2023.06–2023.12）：Jetson Orin Nano + YOLOv8 量化版，mAP 0.92，单帧 35ms。
Project I 工业设备预测性维护（2024.06–2025.02）：PyTorch → ONNX 边缘部署，轴承故障预测准确率 94%，提前 7 天预警。
Project J BLE 设备管理微信小程序（2022.10–2023.04）：MTU 20 字节分包协议，全流程 12 秒，承载 5 万级用户设备绑定。
Project K 低功耗 BLE 组网与多通道数据采集终端（2023.03–2024.02）：自研分片协议首包到达 99.2%，待机功耗降 38%，稳定运行 > 12 个月。
Project L 边缘 AI 推理网关（2023.09–2024.08）：32MB RAM 边缘盒跑 7B 量化大模型，首 token 380ms，72h 零 OOM 崩溃。
Project M 工业设备云端管理平台（2024.03–2025.06）：单机支撑 10 万设备接入，弱网零丢失，内存 < 500MB。
教育背景
吉林大学 计算机软件技术与应用 工学学士（2015.09–2019.06）。
联系方式
邮箱：linyu@example.com