把复杂系统做稳
5 年 Java 研发经验，从系统设计、关键链路到异常治理，都能独立推进并稳定交付。
JAVA · DISTRIBUTED AVAILABLE FOR NEW OPPORTUNITIES
JAVA × AI APPLICATION ENGINEER
写可靠的系统，
做真正有用的 AI。
我是李旭，一名拥有 5 年经验的 Java × AI 应用工程师。 做过亿级金融内容服务与集团安全平台，也在把 RAG、Agent 与 Skill 落地为可交付的产品。
5 年工程经验3 独立 AI 产品2 段 AI 相关经历
LX · MASTER FILE
LI XUNOTES ON BUILDING INTELLIGENCE · 2021—NOW
两段 AI 相关经历
打开档案 ↗CAPABILITY INDEXJavaRAGAgentSkill轻移鼠标，抽取一枚书签
01 / ENGINEERING PROFILE
把复杂问题做稳，
再让 AI 发挥价值。
5 年 Java 研发让我理解系统的边界；持续的 AI 产品实践，让我知道新能力应该放在哪里、如何真正落地。让 AI 真正进入业务
不止接入模型，更关注知识质量、任务编排、结果校验以及失败后的降级与恢复。
RAG · AGENT · SKILL在真实规模里验证
经历金融与企业安全场景，面对亿级用户、多租户和高频任务，判断方案是否真的成立。
FINTECH · SECURITY把问题做成产品
从识别需求、设计交互到全栈实现和持续迭代，让想法最终成为可以使用的系统。
0 → 1 · FULL STACKCAPABILITY MAP
一套工程底座，两种职业方向传统 Java，
也能做 AI 应用。
Java 工程底座
JavaSpring Boot微服务分布式MySQLRedisPython / FastAPI
AI 应用能力
RAG知识工程AgentLangGraphSkillMCP模型适配与降级
产品与交付
系统架构需求分析质量门禁稳定性治理全栈实现持续迭代
02 / PERSONAL LAB
从真实问题，
到完整产品。
这里集中展示我独立完成的 AI 应用项目。从问题判断、产品设计到工程实现，每个项目都保留了完整的思考过程、关键决策与交互演示。0137 Skills · 9 Categories · Intent Routing
PRODUCT EXPERIENCE
ENGINEERING VIEW
A 股智能投研助手
面向 8 类常见投研场景，将行情、财务和分析能力组织为可组合的 Skills，让复杂问题得到稳定、可追踪的回答。
37Skills
9能力分类
29数据与计算工具
40–60%核心链路提速
查看完整案例CHALLENGE · APPROACH · OUTCOME＋
THE CHALLENGE让复杂的投研问题，
让复杂的投研问题，
得到可靠的答案。
投研问题并不是一次模型调用：它可能同时需要行情、财务、政策与计算结果。真正的难点，是让 37 个 Skills 在复杂追问中仍然选得准、算得对、讲得清。
从输入到结果，系统如何工作
- 01理解问题提出投研问题→识别场景与意图
- 02组织执行选择 Skill→并行调用工具
- 03交付结果确定性计算→生成结构化报告
三个决定，构成了项目的核心
先把数字交给确定性系统
金融指标由计算引擎产出，LLM 只负责解释与表达。
把 37 个 Skills 做成统一产品能力
以统一目录、工具声明、输出 Contract 与渲染模板管理能力。
允许模型出错，但不让错误到达用户
设置 JSON 修复、模板对齐、自动重试与 Mock 降级。
02LLM-as-Design-Director · Full Stack
AI 金融长图生成平台
由大模型先理解内容并制定视觉方案，再并行生成多段画面，把金融运营长图从人工制作变成可复用的生产流程。
2 周核心功能上线
50运营用户
50+日均长图产出
3–5 分钟单张制作时间
查看完整案例CHALLENGE · APPROACH · OUTCOME＋
THE CHALLENGE让一张金融长图，
让一张金融长图，
成为可复用的生产流程。
长图不是简单的文生图。多段画面需要共享一套视觉语言，任何一段失败都不应该让整张长图重做，运营人员还必须能够局部修改。
从输入到结果，系统如何工作
- 01理解问题上传运营文档→解析文本与图表
- 02组织执行规划统一视觉→并行生成分段
- 03交付结果裁剪与长图拼接→局部重生与导出
三个决定，构成了项目的核心
让模型先当设计总监，再当执行者
先规划全局配色、排版与视觉语言，再生成各段 Prompt。
把长任务设计成可恢复流水线
用检查点、自动重试与失败补偿记录每个成功阶段。
让每张图片都能追溯到原文
维护源文档、内容块与图片分段之间的映射。
03LLM Wiki · LangGraph · Human-in-the-loop
Memex · 可演进的个人知识库
把本地材料编译为可编辑、可关联的 Markdown Wiki，并围绕它完成可溯源问答、知识图谱治理和人工确认写入。
Multi-libraryMarkdown Wiki
SSE Recovery断连不丢任务
Human Review写入必须确认
Graph Lint知识关系治理
查看完整案例CHALLENGE · APPROACH · OUTCOME＋
THE CHALLENGE让零散的个人资料，
让零散的个人资料，
长成持续演进的知识。
个人资料会不断增长、互相引用，也会产生冲突。系统既要回答跨文档问题，又不能在未经确认时擅自改写知识库。
从输入到结果，系统如何工作
- 01理解问题上传本地材料→规划 Wiki 结构
- 02组织执行生成待审草稿→人工确认入库
- 03交付结果可溯源问答→图谱 Lint 与演进
三个决定，构成了项目的核心
把知识先编译，再执行问答
入库阶段先抽取概念、组织 Wiki 页面与 wikilink，查询时读取索引和相关页面。
让长任务与浏览器连接解耦
通过 Checkpoint 与恢复对账保存知识编译的中间状态。
AI 提建议，用户决定是否写入
自动检查死链、孤立页和双向引用，修改先进入待确认区。
可追溯、可恢复、可持续演进
体验交互演示 本地运行 · 案例展示
03 / PROJECT EXPERIENCE
三段项目经历，
沉淀为可复用的能力。
这些项目来自真实的金融与企业安全场景，也让我逐步形成了从系统设计、AI 应用到稳定交付的完整能力。P01
AI APPLICATION PROJECT
安全智能治理平台
在大规模数据库资产和安全扫描场景中，引入智能问答、敏感数据识别与风险处置能力。
能力沉淀在复杂企业系统中落地 AI，并兼顾规则、模型与稳定性治理。
P02
AI APPLICATION PROJECT
智能内容供给系统
面向亿级用户的股票内容服务，以三层 Agent 架构组织需求洞察、能力分发与个性化供给。
能力沉淀面向亿级用户设计多 Agent 协作，并把个性化能力沉淀为可扩展架构。
P03
AI APPLICATION PROJECT
智能运维与排查体系
为券商接入、配置和问题排查建设知识问答与 Agent 自动化体系。
能力沉淀使用多租户 RAG、工具调用与工作流，将经验型排查转化为可复用流程。