Project Evidence
一个原创方法论、一个体系化重构项目、一个 AI 数据平台实践，分别对应架构设计、复杂项目推进和新技术落地三条能力线。
第一重要方法论
一套面向事件上报型用户行为数据的数据仓库建模方法。它底层仍是维度建模、维度退化思路，但通过极致分区管理，把维护、性能、依赖、复用、取数、成本和历史重刷一起纳入架构设计。
体系化重构项目
围绕广告数仓和特征体系落后问题发起的数据体系重构项目，覆盖底座、迁移、实时、治理、质量和 AI 化研发流程。
AI 数据研发实践
智小数是面向数据研发场景建设的 AI 数据平台，承载架构、开发、治理、运维四类专家 Skill 包，并支持智能问数、AI 定时任务、自动报告和协作结果分发。
Three Judgments
这些不是简历上的技能罗列，而是十几年面对复杂数据系统、混乱代码、无休止需求和团队协作问题之后，逐渐形成的底层判断。
我关注数据体系是否会走向混乱、脆弱、稳定性差和长期救火，并尽量在早期通过架构和机制规避这些问题。
我重视代码健壮性和工程优雅性，愿意通过规范、评审、自动化和工具机制提升整体质量。
我坚持构建通用维度模型和 OLAP 体系，避免团队长期陷入无休止报表开发和临时取数。
Capability Map
它们体现了我在架构设计、工程落地、团队协作和方法论沉淀上的长期积累，也更接近我在新机会中能持续贡献的方向。
解决团队经验参差不齐带来的代码混乱、工程质量不稳定和新人培养问题。
解决老旧、脆弱、难维护数据体系的渐进式重构问题。
面向用户行为和超大规模明细数据的数据仓库建设方案。
从规范、架构和机制上减少治理问题产生，而不是只做事后清理。
覆盖方案、开发、测试、发布、运维和监控的数据研发质量闭环。
从元数据驱动、自动化工具、群机器人，演进到智小数 AI 数据平台。
Talks & Courses
技术分享、课程和文章，是我把工程经验沉淀成公共知识的一部分。我已经在 DataFun 技术大会等场合做过技术分享，也持续整理数据工程师培训体系、技术文章和 AI 编程课程。能把复杂经验讲清楚，通常也意味着能把团队中的复杂问题拆清楚。
Career & Collaboration
目前愿意了解足够匹配的数据、AI 或技术负责人相关机会，尤其关注数据仓库架构、指标体系与数据治理、数据平台建设、AI 数据研发工作流、数据团队工程化和技术管理等方向。若你的团队正在解决类似问题，也欢迎直接联系。
