个人履历
张
张文超
职涯历程
广联达
设计资源部
饿了么
商户信息事业部
哔哩哔哩
电商事业部
历年绩效与核心荣誉
2025
B+
- 部门级 突破创新奖 个人 · 优秀级
- 第二期 G-AI 创新大赛 团队 · 潜力奖
2024
B
2023
B
- 峰会级 · 产品与研发系列团队奖 项目核心成员 · 入围奖
任职资格举证
设计能力：能够根据需求约束，进行技术方案设计和比选，输出设计说明书，支撑需求实现。能够主导产品级技术方案设计或技术选型。
构件坞产品选型系统核心架构与实现
设计能力
SSituation
传统BIM设计中，产品检索高度依赖人工比对，效率较低且容易出错，且常规检索仅支持额定参数查询，无法结合设计工况下的复杂性能曲线（如风机的风量-全压曲线、水泵的流量-扬程曲线）进行精准选型。此外，选型后的参数难以直接回写到BIM构件中，存在严重的数据断层。
TTask
从0到1搭建基于BIM工况数据的产品选型系统。通过构建底层数据标准，打通真实厂商产品数据从检索、智能匹配筛选到自动写入BIM构件的全链路生命周期，大幅提升BIM设计师的工作效率与选型精准度。
AAction
主导技术方案设计与核心建模
- 从0到1的底层模型设计：针对大量真实厂商数据，抽象并设计了高扩展性的产品库数据模型。主导了底层Elasticsearch索引结构设计（如嵌套多维产品曲线、动态属性映射），确保能够支撑未来多品类（风机、水泵以及其他基础品类）的平滑接入。
- 攻坚核心算法方案：面对"设计工况点与产品性能曲线匹配"的技术难题，设计了基于工况抛物线公式计算、交点坐标对比及偏差率容错的选型匹配算法方案，并输出了核心设计说明书。
- 打通底层数据流转：主导设计了"产品参数写入BIM构件"的技术链路，涵盖批量映射关联、异步写入任务及多重状态重试机制，确保复杂操作下的数据一致性。
RResult
关键价值成果
- 业务突破：成功搭建了产品库与智能选型系统，打通了"多维检索→工况精准匹配→产品参数自动回写BIM构件"的业务闭环，填补了无法依据设计工况曲线进行智能选型的空白。
- 技术沉淀：沉淀了一套处理大规模BIM产品曲线查询的通用高性能检索引擎。成功申请并获批《帮助BIM设计师快速检索所需产品信息的系统和方法》发明专利，为组织积累了核心知识产权。
- 架构前瞻：系统平稳支撑了后续多次版本迭代（如风机单双速扩充、水泵品类接入、基础品类接入），验证了方案的比选与设计深度。
技术架构展示
领域模型图
业务逻辑图
解决问题能力：解决技术问题、技术攻关。能够主导产品级技术研究与咨询，完成产品级关键技术攻关。
基于AI的构件形体特征标注（构件检索增强）
解决问题能力
SSituation
形体检索需求强烈但能力缺失
- 随着BIM模型数量激增，传统仅凭名称或目录的检索方式难以精准定位三维构件形体，检索效率较低；而人工梳理和标注海量模型的形体属性成本高昂且不现实。
- 构件坞平台每月检索量达135.4万次，月活使用次数32.9万次，平均需检索约4次才可找到所需构件。
- 随着BIM发展渐趋成熟，设计过程中对构件的依赖与日俱增，设计师对于构件形体的搜索需求强烈，但"构件坞"当前仅支持名称、类别、品牌等字段检索，形体查询完全依赖人工识别。
人工标注成本高
- "构件坞"目前约有4万个构件，人工标记特征约需5分钟/个，全部标记完成约需1.5年，人工成本约40万元。
- 每年增长约1000+，常规模式成本高但收益小。
TTask
引入AI图像识别与大模型推理技术，对大体量三维模型资源进行自动化分析与处理。实现从构件图像到形体特征搜索属性的精准提取，丰富多维度检索方式，打破传统检索瓶颈。
AAction
主导技术预研与团队内首个AI项目攻关
- 主导AI大模型深度预研：作为团队内第一个AI试行项目，在无历史经验可循的情况下，主导完成了全面的AI大模型预研。针对不同视觉大模型在三维构件识别上的准确率、延迟及成本进行评估与比选，最终选用行业AI Doubao-Seed-1.6模型
- 解决大模型工程化落地难题：面对大模型幻觉和非结构化输出等技术挑战，设计并优化了Prompt工程推理链路。通过"输入构件属性+多角度图片"引导AI进行精准推理与判断，成功将AI能力封装为相对稳定可靠的业务服务。
RResult
关键价值成果
- 技术突破：成功落地团队首个AI应用项目，将AI前沿技术与BIM底层数据场景结合，为构件检索提供了多维度的准确搜索依据。生成的属性值通过验证集人工验证，准确率达到95%，AI识别仅需约15秒/个，全部标记完成仅需约7天，成本仅约800元（对比人工40万元），攻克了技术选型难题。
- 组织赋能：沉淀输出《AI项目研发流程》规范，对大模型选型评估、Prompt版本管理、评测指标体系构建及数据安全等进行全面界定，降低了团队后续AI项目的开发门槛与试错成本。
- 业内认可：斩获创新AI大赛"潜力奖"，凭借扎实的AI大模型预研深度、显著的业务痛点解决能力，在众多项目中脱颖而出。
AI 预研与架构展示
图文多模态大模型对比
业务架构图
基于 Redis 的消息系统规范化重构
解决问题能力
SSituation
随着业务规模扩大，基于 Redis 的消息推送系统在复杂场景下暴露出一系列问题：队列名称在各处随意拼接导致命名混乱、消息体使用 Object 类型缺乏约束、业务 Listener
异常处理不规范导致系统异常被吞没、问题排查困难等。这些问题不仅影响消息推送的稳定性，也影响了系统的可维护性与可扩展性。
TTask
对现有 Redis 消息系统进行全面的规范化重构。通过建立统一的技术规范与底层框架，解决队列管理混乱、消息体不规范、异常处理不统一等核心问题，提升系统的健壮性、可维护性及问题排查效率。
AAction
主导消息系统规范化架构设计与落地
- 统一队列命名管理：设计并实现了队列名称的统一管理机制，将原本散落在各处的字符串拼接逻辑收敛到统一的配置中心。通过枚举或常量类进行集中定义，杜绝了队列名称不一致导致的消息丢失与路由错误问题。
- 消息体强类型约束：将原有的 Object 类型消息体重构为自定义的强类型对象。通过定义统一的消息基类与业务消息子类，建立了清晰的消息契约，确保消息结构的一致性与可追溯性，大幅降低了因类型不匹配导致的运行时错误。
- 分层异常处理机制：重新设计了 Listener 的异常处理架构。明确业务 Listener 只捕获并处理业务异常，系统级异常（如网络异常、序列化异常等）统一由底层框架拦截处理。通过这种分层设计，避免了系统异常被业务代码吞没，确保了异常的可见性与可追溯性。
- 增强问题排查能力：在 Redis 中记录消息的关键元信息（如消息ID、发送时间、消费状态、重试次数等）。当出现消息处理异常时，能够快速定位问题根因，提升了故障排查效率。
RResult
关键价值成果
- 系统稳定性显著提升：通过规范化的异常处理机制，系统异常能够被及时发现与处理，整体可用性大幅提升。
- 可维护性大幅提升：统一的队列管理与强类型消息体使得代码可读性与可维护性显著增强。新业务接入成本降低，开发人员能够快速理解并使用消息系统。
- 问题排查效率大幅提升：通过完善的消息追踪，问题定位时间从小时级缩短至分钟级。为团队沉淀了一套可复用的消息系统规范与最佳实践，为后续系统演进奠定了坚实基础。
异常监控系统 Sentry 的搭建与全栈推广
解决问题能力
SSituation
- 项目中若存在潜在异常风险，缺乏主动发现机制发现滞后、修复成本高。
- 后端虽有服务器日志，但缺乏结构化的异常聚合与告警机制；前端更是缺少监控体系，线上问题经常无法复现，难以还原用户操作路径、浏览器环境和设备信息。
- 缺乏监控体系意味着潜在风险长期隐匿，一旦出现将直接影响用户体验与业务稳定性。
TTask
搭建一套覆盖团队所有项目的全栈异常监控体系，从后端到前端逐步推广落地。实现问题的自动发现、实时告警、快速定位与高效修复，从根本上解决潜在风险发现困难且严重滞后的问题。
AAction
主导 Sentry 私有化部署与全栈推广落地
- 私有化部署与基础建设：基于官方 Docker Compose 在公司云服务器上完成 Sentry 自托管部署，保障数据安全合规。接入 GitHub、GitLab 代码源，支持 Release 版本管理与源码映射上传。
- 后端先行验证价值：率先在后端 Java/Spring Boot 项目中接入 Sentry，配置异常捕获、日志聚合与告警机制。通过后端项目的成功实践，验证了 Sentry 在问题发现与排查效率上的显著价值，为全栈推广奠定了基础。
- 前端全面推广：在后端验证成功后，主导前端监控体系建设。二次封装 @glodon/sentry-vue-plugin npm 包，统一团队接入方式，降低了各项目的接入成本。接入 SourceMap，实现压缩代码到源码的精准定位。
- 历史存量问题全面排查与治理：对团队负责的18个项目进行历史代码排查，共发现239个异常。按严重程度划分优先级：P0（影响核心业务/编码Bug）优先修复；P1（偶现异常/事件数较多但未影响业务）重点排查；P2（基本不影响业务）批量治理
- 建立完善的告警与排障机制：配置多通道实时告警（企业微信 Webhook / 邮件），按异常类型和项目独立分组，做到有问题即知。
RResult
关键价值成果
- 从被动到主动的质量保障闭环：建立了覆盖后端、前端的全栈质量保障闭环，实现了潜在风险的主动发现与实时告警，及时发现线上问题并修复。
- 历史问题梳理修复：18个项目的239个历史异常梳理完成，高优先级问题全部修复，低优先级问题排期修复。
- 显著降低线上故障率：项目上线 Bug 反馈率降低，团队问题发现能力和排查效率大幅提升。
全栈补位：AI 赋能下的技术栈扩展实践
解决问题能力
SSituation
- 团队迭代排期时需要根据每个成员的技术栈分配任务，当前后端任务量差异较大时，排期安排困难——前端积压时后端空闲，反之亦然。
- 后端开发尝试接手前端任务通常需要2倍甚至更长的开发时间，部分复杂场景无法独立上手，导致任务只能等待对应技术栈的同事腾出精力，形成资源错配与阻塞。
TTask
- 尝试突破单一技术栈限制，扩展前端开发能力，使自己能够在前后端任务不均衡时灵活补位，提升团队整体的抗阻塞能力与迭代效率。
AAction
借助 AI 工具逐步承担前端与多语言开发任务
- 从前端任务切入：在团队前端任务积压时，主动接手前端开发任务，先后完成了云盘通用符号构件支持、云盘构件/文件列表页状态轮询刷新、云盘内常驻评分弹框等功能模块的开发与交付。
- AI 辅助降低学习成本：主要使用 Cursor 作为开发辅助工具，遇到不熟悉的前端框架语法或组件用法时，借助 AI 快速理解代码逻辑与最佳实践，将"查文档→试错→调试"的周期大幅缩短。
- 扩展至 Python 后端开发：在"基于AI的构件形体特征标注"项目中，使用 Python 实现了大模型调用工程化使用；此外还完成了云盘 Redash 数据统计的后端开发，覆盖数据查询与可视化
RResult
关键价值成果
- 跨栈能力落地：作为后端开发，已独立交付多个前端功能模块（通用符号构件、列表轮询刷新、常驻评分弹框等），同时具备 Python 后端开发能力（AI 推理链路、Redash 数据统计），从单一 Java 后端扩展为可覆盖多技术栈的成员。
- 团队资源调配更灵活：在前后端任务不均衡时可以灵活补位，减少了因技术栈限制导致的任务等待与排期冲突，团队整体迭代节奏更顺畅。
- AI 消除技术栈壁垒：通过 Cursor 等 AI 工具的实践，验证了 AI 能够有效降低跨技术栈上手的门槛，使得"后端写前端"不再是高成本尝试，而成为可快速落地的团队协作模式。
技术规划能力：能够根据业务发展，完成技术规划，明确技术演进路径。主导产品级技术路线规划、技术决策及评审。
轻协同共享云盘系统的架构演进与全业务落地
技术规划能力
SSituation
随着工程项目协同的不断推进，团队需要一套能够整合空间、成员、权限、大文件流转及轻量化协同的"轻协同"云盘系统。系统不仅需要支持数维（建筑结构机电）、基建（道路、桥梁）大文件合模解析、视点管理与轻量化批注，还要应对施工现场断网、弱网等特殊的离线工程协同场景。如果沿用传统架构，复杂的模型解析逻辑将严重消耗核心系统的计算资源，造成整体可用性下降。
TTask
全局规划并主导共享云盘系统全业务的高质量落地。通过微服务架构演进，将高频的"文件解析服务"独立抽离，确保核心系统的轻量、高可用与高可扩展性
AAction
主导架构解耦与长远演进路径
- 前瞻性微服务架构演进：敏锐预判多格式文件解析、合模及轻量化查看对核心业务的性能冲击。在架构初期便制定了清晰的解耦路线，主导将"文件解析服务"独立提取为专属微服务，实现了服务间的高内聚与低耦合。
- 长周期业务模型设计：针对空间管理、资源管理、成员精细化权限到文件轻量化查看（视点、批注）的演进，设计了高扩展性的底层数据模型。确保系统在长达一年半的持续迭代中，从1.0的空间文件管理平滑演进至多维协同场景。
- 离线高可用技术规划：面对断网场景，制定了"云盘轻量化支持导出离线包"的技术方案，统一本地化运行时的数据结构与渲染边界，打通了离线状态下完整的业务闭环。
RResult
关键价值成果
- 技术成果：成功将复杂的文件轻量化解析从核心云盘系统中剥离，实现了独立的微服务部署。该架构沉淀了高度模块化的文件处理能力，为未来接入更多大文件解析提供了基础。
- 业务价值：高质量交付了涵盖空间管理、权限控制及轻量化查看的完整共享云盘全业务系统。落地了"离线包导出及本地全功能运行"的链路，解决了弱网/断网工程现场的协同痛点。
- 卓越质效：在跨越长周期的多个版本迭代中，核心功能提测质量始终保持高水平。由于实施了深度的架构解耦与服务隔离，规避了系统连锁崩溃的系统级风险，大幅降低了不良研发成本。
自评总结与提升计划
设计能力
认证依据举证
构件坞产品库与选型系统
- 主导该从0到1系统核心技术方案的设计与比选。
- 设计了高扩展性的底层数据模型及基于Elasticsearch的复杂曲线映射结构。
- 制定基于工况抛物线计算的核心匹配算法，输出《技术交底书》，并成功获批发明专利
持续提升计划
-
持续深耕分布式微服务架构与领域驱动设计（DDD），已通过多个项目实践落地：
- 一键批量选型：支持风机盘管选型、多联式空调室内机选型、基础选型 已完成
- GCAD 构件支撑 已完成
- 构件坞香港版完整业务需求 进行中
- 面对日益复杂的业务体系，进一步提升系统在高并发、海量模型数据场景下的架构设计能力，确保系统架构不仅能支撑业务落地，且更具优雅性、可扩展性和容错容灾能力。
解决问题能力
认证依据举证
AI三维构件形体标注
- 主导团队首个AI技术试行项目，攻克大模型预研与工程化落地难题。
- 优化大模型在项目使用中的准确率、幻觉及非结构化输出等问题。
- 沉淀团队首份《AI项目研发流程》规范，为后续AI项目降低试错成本。
Sentry 全栈监控体系
- 主导私有化部署，从后端验证价值后推广至前端，建立全栈监控体系
- 将质量保障从"用户反馈驱动"转变为"监控驱动"，显著提升问题发现与修复效率
Redis 消息系统规范化
- 主导消息系统规范化重构，统一队列管理、强类型约束、分层异常处理。
- 大幅提升系统稳定性与可维护性，沉淀可复用的消息系统规范与最佳实践。
全栈补位
- 借助AI工具（Cursor）突破单一技术栈限制，独立交付多个Vue前端功能模块及Python后端开发任务
- 验证了AI消除跨技术栈壁垒的可行性，提升了团队资源调配的灵活性与抗阻塞能力
持续提升计划
-
持续解决团队中出现的疑难问题与技术难点，通过案例复盘与知识共享，带动团队整体问题解决能力的提升：
- 注解方式实现敏感信息加密存储 已完成
- 构件坞香港版：注解方式实现一份标准、多语言展示的数据标准 已完成
-
保持对前沿大模型技术的追踪，推动 AI 能力在更多业务场景中落地：
- 尝试使用各种 AI 工具提高生产力（Claude Code CLI、Codex CLI、Gemini CLI），积极由 AI 辅助编程向 Agent 编程转型 持续进行
技术规划能力
认证依据举证
"轻协同"共享云盘
- 面对云盘从基础文件存储向数维基建、合模、视点批注及离线协同演进的复杂业务趋势，主导制定核心架构演进规划。
- 规划了微服务解耦路线，将"文件解析服务"从主架构中剥离。
- 规划了支持断网环境离线运行的底层数据模型，明确了系统的技术演进路径，完美契合了业务拓展工程现场的深度诉求。
持续提升计划
-
进一步提高全局业务与架构视野，从单一系统的演进规划，向整个团队的技术规划迈进：
- 数维插件系统 进行中
- 在未来的大型项目中，输出更具前瞻性、高可用性和资源利用率的技术演进蓝图。