王加博 前端/全栈工程师 3年

联系人

📞 176XXXX5310

✉️ [email protected]

🌐 Github 页面

兴趣

👨🏻‍🍳 小厨神。试试冰淇淋，还是蒜泥白肉？

🏸 新手上路，祝我成功

🦉 INTJ 紫老头

<aside> <img src="/icons/flash_yellow.svg" alt="/icons/flash_yellow.svg" width="40px" /> 个人亮点

🍃 拥有跨端全栈的开发能力，掌握 Web(React)、NodeJS、Hybrid App、Electron/Tauri 等方向的开发，掌握 Rust/Python 的开发。

🧙‍♀️ 深入前沿的解决方案研究员。研究网络底层和 node 调试原理，自研 node-network-devtools 推动 Node 社区关注网络调试缺失，深度参与官方相关 issue 与方案讨论；过去一年 Node 主干陆续落地网络调试能力并更新 CDP 协议。目前为 Node.js 普通贡献者（PR 1 已合并、多个 review 中）。

🤖 积极拥抱新技术，是国内第一批AI使用者 & 萌时最早提出并实践AI的人。在公司内建立研发智能定位分析 Agent 和内部知识图谱，通过 AI 驱动研发稳定性提升和提效。

🧪 具备数据闭环能力。在 MoeGo 主导全链路性能治理和数据防劣化闭环治理，建立初步性能实验室。

🚗 推动能力和执行力较强。在 25 年中旬主动为系统引入 BFF 系统, 并引领首次业务在 BFF 的生产落地, 推动 fintech、crm、erp 等团队接入 BFF 系统，并建设错误率指标监控，打通浏览器 trace 到微服务全链路。入职 MoeGo 一年拿到的绩效分别是 E(excellent) 和 O(outstanding)。

🌟 善于通过底层创新，交付具备高业务价值的系统性解法。在业务系统经常遇到无法复现的问题时，探索出 24x14 存储的 rrweb 日志调试系统，让对应系统 9%(180/2000) 的无法复现工单率降低到了 4.7%(70/1500)

</aside>

<aside> <img src="/icons/christmas-tree_green.svg" alt="/icons/christmas-tree_green.svg" width="40px" /> 技能树

🟨 Ts/Js/CSS A+ 要处理性能问题，必不可免的基础能力

🟩 NodeJS A+ 官方的网络调试方案提供者

🟩 NodeJS A+ 自研 node-network-devtools，深度参与官方网络调试方案讨论

⚛️ React A+ 魔改成功 React 编译器

🧙‍♂️ AI A 国内第一批 ChatGPT 玩家; devin 深度用户

🤖 React Native B+ 修复 Expo 持续三年的 Bug

🦀 Rust B+ 🤏 落地两个应用

🚀 Electron/Tauri C+ 学而不精

🐍 Python C 量化入门

💬 小程序 C 快忘光了

</aside>

项目经历

Projects

工作经历

MoeGo

前端开发工程师

2024.5 - 2026.4

🔥 AI 应用专项工程

技术栈: langgraph.js + codex/gemini + Weaviate + express

项目介绍：为了推动 AI 在 MoeGo 各个流程中的提效和实际落地，以 LiteLLM 为基础向全公司开放免费 token，允许员工自行探索 AI 应用的落地。我在专项中，推出了以下几个产品/解决方案。

• 研发智能定位分析 Agent

  **基于 RAG 聚合 + 成熟 Agentic Runtime + 服务端流程编排的 AI Native Workflow Engine。**一开始的目的是解决历史信息沉淀在多个平台无法提供有效上下文的问题，但随着深入，在 RAG 知识图谱初步落地之后，后续的使用场景很快明了，顺势拓展成了可以帮助研发排查 CS 单以及修复 Sentry issues 的 Agent

  • 基于 Codex runtime 搭建公司级工单定位工作流，一对一调查QA/研发工作流沉淀成 SKILL，**常见 CS 问题定位平均时间 1h → 10min，提效 90%；**基于此拓展的 Sentry 修复 Agent，使得 issue 修复时间从 20min → 5min，截止离职共修复正好 100 个问题，修复建议有效率超过 70%，可以直接合并的 PR 为 27 个。
  • 搭建 RAG 知识图谱，建立 Slack 消息与 JIRA、Github、Sentry、Intercom、发布记录、记忆等实体的关系，通过 bm25 全文检索和向量化检索召回数据提供给公司多个 agent
  • 建立分步评估体系，按问题类型分桶评估 summary 抽取、实体关系抽取、检索、证据融合与最终 Agent 效果，并基于问题分类、多路召回融合持续优化；在评估集上将关键证据 Recall@10 从 43% 提升到 72%，Recall@5 从 38% 提升到 60%

• Global Search 能力

  从用户角度考虑，MoeGo 的功能繁杂、难以索引。为此，我推动了全局搜索能力在产品中的实际落地，支持 cmd+k 快速进行页面跳转，并规划了常见 action 调整、AI 搜索等能力。这是 MoeGo 研发推动产品变更落地的首次建树，该规划被列入了公司 AI 化计划中的核心组成之一。

🧐 MoeGo App/CApp

技术栈：ReactNative + Nextjs + Java/Swift

项目介绍：MoeGoApp 是提供给宠物商家员工的 App，其中包含移动美容、预约管理、IM 消息等功能**（ARR 16.94M $，uv 25k）**；CApp 是给不同 Enterprise 商家定制的 C 端 App。我在 BApp 主要负责基建工作，在 CApp 则是作为核心业务和 Owner.

• **App 热更新管理平台。**基于 Expo Update Server 协议定制的热更新管理平台，解决 MoeGo App 热更新场景无法回滚、A/B Testing 能力缺失、不支持多租户、运行时兼容性管理混乱、接入层基建不统一、发布不可审计、更新数据不可量化等痛点。
• **Brand Figma Plugin。**为解决 Brand App 多租户场景下定制化资源繁琐的设计和研发人力占用，我设计并推动构建了设计-研发-上线的一体化协作链路。支持设计资源自动上传并落库，单个 App onboard 时间从最低一周下降到最短 2 小时、平均 2 天。
• C App 业务支撑
  • 主导 CApp 向 hybrid app 的技术转型，打通跨端鉴权和 UI 兼容，通过公共协议包规范 WebView/App 通信，在业务 DDL 重压前交付。上线后得到 T1 商家好评。
  • 主导 CApp 多商家能力的系统架构设计与建设，支持品牌级别的资源隔离（图标、字体、图片、配色等），已支持 4 家商家接入。
  • 首次在 MoeGo 引入原生开发，完成 Live Activity 能力建设，突破跨栈技术壁垒，显著提升 App 实时交互体验。
  • 为 Expo 修复 Android 通知点击 crash 的社区遗留原生缺陷，彻底根除稳定性问题。
  • 独立负责地图和 IM 模块开发，打通实时通信链路，提升 Mobile Groomer 与客户的沟通效率。

🪄 基础能力建设

技术栈：TypeScript + Hono(NodeJs) + Docker/k8s + Datadog + AWS

• BFF 项目

  Backend for Frontend，由前端开发/使用的后端项目。为解决团队内在前端组装请求数据导致的业务复杂度而诞生。

  • 搭建 MoeGo 首个 NodeJS 服务，并为项目设计并实现了多个脚手架脚本(连接 k8s 集群进行调试的交互性 cli、create-route 的模板 cli)，让研发接入无心智负担。
  • 将首个业务接口 /init 在 BFF 落地，通过有效的结果来向业务推广。截止离开 MoeGo，前后端团队均以 BFF 项目作为唯一流量入口进行开发。
  • 接入 Trace 对齐后端微服务，建设接口错误率、schema 对齐率、服务流量看板和日报，推进 owner 修复。
  • 实现基于 AWS 直传机制的大文件分片上传，支持分片上传、断点续传、并发上传、主线程隔离。SDK 侧统一构建，并支持原生 gzip 流（后被 CompressionStream 替代）~~上传，~~相比普通上传，上传耗时降低超 60%，存储空间节省超过 50%。

• BugSpy 24x7 问题回溯系统

  在复杂系统中，无法复现的缺陷一直是最难排查的问题类型之一，而随着系统复杂度提高，这类工单的比例也逐步上升。为解决这一痛点，我借鉴社区方案 PageSpy 的思路，设计并实现了支持 24 小时行为日志存储的故障排查系统

• 推动前端项目健康度建设。打造性能与错误红线，推动业务质量流程落地，根据团队需求实现自定义 lint 规则，并推动前端错误治理和性能预算实施。

🚀 业务性能优化专项

• 紧急时刻介入 Web 端性能优化，将首页表格的加载时间从 **1.95s 优化至 270ms、**将 lodging view 页面日历加载时间从 **3s 降至 400ms、**解决持续了很久的日历动画卡顿以及其他子项优化。
• 优化状态库 amos，引入 auto batching，提升大部分页面 LCP 200～500ms（平均提升 38%），并解决特定场景下批量渲染卡顿问题。
• 优化 B App JS bundle。首屏加载时间减短 400ms（13.3%），减少约 150MB 内存占用（17.4%），精准定位热更新下载缓慢缺陷，显著降低 50% 以上的下载体积。
• schema 懒加载。通过 getter 和 proxy 实现懒加载优化。
• LCP 专项优化，使得 P75 LCP 下降 2s+，P95 LCP 下降 5s+，降低超 50%。
• 为巩固性能优化成果，设计并实现了食尾蛇工作流，实现了性能问题的源头朔源和自动评估。

教育背景

https://miro.com/app/live-embed/uXjVGinOFKg=/?embedMode=view_only_without_ui&moveToViewport=-2028%2C132%2C3107%2C1622&embedId=335004488887