职业摘要
12 年软件与基础设施研发经验,长期围绕数据基础设施、AI 计算系统和数据闭环工作。 先后经历云计算 / 大数据、智能驾驶和具身智能三个阶段:在 NIO 负责过 PB 级训练数据体系、万卡 GPU 计算基础设施与百万车辆边缘计算项目; 近一年在补天石负责具身智能从设备接入、数据采集生产到训练 / 后训练的工程闭环。
工作角色横跨核心研发、系统架构与技术负责人——曾带领约 15 人团队,也长期保持一线系统设计和编码。 擅长接手边界模糊、跨团队、缺少成熟方案的工程问题,将其拆解为可运行、可扩展的生产系统; 主要工作边界集中在数据、计算、设备与 AI 工程基础设施,不以算法模型研发为主。
工作经历
Recent Work
上海补天石科技
首席研发架构师
具身智能创业公司,业务覆盖机器人数据采集、训练与后训练基础设施。
- 负责数据采集与生产、设备接入、训练 / 后训练等核心工程体系的技术方案与落地;
- 承担软件研发团队技术管理,并跨硬件、算法、产品、运营推进交付;
- 在早期团队资源有限的情况下保持核心系统 hands-on 开发。
代表项目
-
客户仅提出“证明数据闭环能力”的模糊目标。我独立负责需求拆解、方案设计、系统开发与现场交付,在一个月内完成可运行的具身智能数据平台。
- 方案设计:将目标拆解为 24–26 个功能点,以最小可交付闭环确定 MVP 边界,通过每周客户演示持续校准需求。
- 系统建设:基于 K3s 建设训练与推理环境,机器人作为 Worker 接入;实现 WebRTC 多视角遥操采集、S3 异步存储、DSL 数据检索与数据集重组,并以云端控制面与本地数据面分离适配客户网络。
- 交付结果:独立完成开发及现场部署,跑通任务部署、遥操、采集、存储与数据组织全链路;促成 60 万元合同签约,成为公司首笔商业收入,技术方案成为后续 Research Box 的基础。
-
面向 10 人以下具身研发团队,主导建设可本地部署的机器人研发平台,覆盖设备接入、遥操采集、标注、数据集管理、Pipeline 与训练。担任核心研发及整体技术方案负责人,4 人约 3 个月完成核心技术闭环(完成度 90%+)。
- 平台架构:以小团队真实研发需求确定 MVP 边界,统一设备、数据集与训练入口,避免过早引入供应商管理、复杂质检与结算等生产体系。
- 机器人数据体系:将视频与 ROS 信号分流存储,以 Parquet 时间索引关联;机器人 Orin 仅承担实时推理、采集与落盘,格式转换和重计算放在云端。
- 结果与延续:真实接入机械臂与机器人,跑通注册、唤醒、数据生产、标注、入库到训练的完整链路;数据分流、边缘算力边界等设计原则复用于后续生产系统。
-
公司规模最大的生产系统。从月采集 100 小时的 MVP 起步,演进为覆盖采集、质检、供应商协同、结算与数据入库的生产平台。我负责核心机制设计,接手 CTO 主导的重构初版,约两周推动系统从演示可用进入生产可用,并作为主要技术负责人持续演进。
- 抽象设备采集:抽象数据创建、任务领取与上传接口,独立实现 Web 前后端及 iOS 采集端,使手机和自研硬件可接入同一生产体系。
- 供应商协同与结算:建立平台与供应商分层自治的角色体系,以批次统一关联生产事实、质检结果与结算金额,支撑 8–12 家供应商及真实数据结算。
- 自动质检:将手部检测、黑帧、静态、人脸及过曝抖动检测工程化为可扩容、可观测的自动质检流水线,以自动筛查结合人工复核支撑规模化生产。
- 计算流水线:基于 Flyte、Ray 与 Kafka 构建常驻 Workflow、事件触发与弹性执行体系,独立完成任务分发和服务化改造,消除频繁创建 Pod 带来的生命周期问题。
- 生产成果:累计 9 万+ 条、约 5 万小时数据,峰值 3000 采集小时/天;同一系统通过配置支持国内与马来西亚双地域生产,演进至约 20 个微服务。
-
负责自研双目设备从离线录制到生产平台接入的完整工程方案,并进一步重构视频数据基础设施。作为统一 Owner,负责协议设计、平台实现与跨端联调,协同 4 人团队完成交付。
- 设备接入:基于二维码完成设备发现、配网与身份授权;通过服务端状态同步、双向心跳和录制身份锁定,实现设备所有权管理与可靠接入。
- 视频数据体系:将端侧 H.264 裸流组织为 30s 切片、2min Chunk 上传,云端 Remux 为 MP4;通过固定 Closed GOP 支持局部处理,并以 Manifest 统一新旧数据及生产、交付格式。
- 运行结果:25 台测试机与 5–10 台样机运行约 1.5 个月,累计采集数千小时;解决连续录制死机与上传恶化问题,历史数万小时数据通过 Manifest 零迁移兼容,标定信息随数据统一管理。
-
训练与后训练系统|从跑通训练到看清模型
核心已上线面向 VLA 训练建设异构算力基础设施,将训练任务、模型产物与评测结果纳入统一管理,并探索后训练评测闭环。由单人 PoC 起步,约 2–2.5 个月推进至工程化版本,工程化阶段协同 4 人团队。
- 训练运行时:基于 K3s 与 GPU 纳管,设计 Sidecar 优先、Standard Image 兜底、PID 1 适配特定场景的运行时体系,兼顾平台生命周期控制与算法环境兼容性。
- 训练可追溯:通过 Training SDK 与 Job → Artifact → Model 关联代码、镜像、超参、数据集、Metrics 和模型产物,形成可追溯训练链路。
- 后训练评测:接入 MLflow 进行指标与模型对比,利用真机录制视频及 VLM 成功/失败判定建立初步评测基线。
- 落地结果:2 名算法研究员的真实 VLA 训练全部走平台路径,累计约 30–50 次任务,跑通训练、模型管理与端侧推理链路。
-
与 CTO 共同探索并主导两条 AI Native 工程实践:产品侧将业务能力 MCP / Skill 化,研发侧以 Git 为核心建设 AI 驱动的软件开发工作流。
- 产品侧 MCP + Skill:将采集与后训练平台的项目创建、任务配置、供应商分配、训练分析等能力封装为 MCP 工具,以 Skill 编排业务规则、操作顺序与人工确认。首条链路约一周打通,运营实际使用期间每周处理约 40–50 个项目。
- 研发侧自动化:独立建设 Issue → AI 实现 → PR → AI Review → 自动修改 → 人工验收 → Merge 的研发流水线,将需求、技术决策与代码变更统一沉淀在 Git,并抽象为个人开源工具。
- 落地边界:研发流程成为软件团队默认工作方式,跨团队需求统一通过 Git Issue 进入;MCP 侧完成真实业务验证但未大规模推广,研发效率尚无量化统计。
Previous
蔚来汽车
技术专家 / 架构与架构团队负责人 · AD 云端工程部
历任数据与计算相关技术负责人,带领约 15 人团队,负责智驾云端架构方案、数据基础设施、AI 计算平台及创新项目落地;既承担系统架构与关键技术设计,也负责跨团队项目推进和团队交付。历年绩效四五星、多次晋升。
代表项目
-
面向百万辆级量产车队,探索利用非行车时段闲置算力构建车云边缘计算网络。负责车端独立运行模式及车云计算整体方案设计与落地,横跨整车、硬件、网络、云端、芯片、运营等十余个团队。
- 车辆独立运行模式:设计行车、充电、节能与独立运行状态机,通过 CAN 信号与底层 Agent 控制计算环境生命周期,协调供电、网络、功耗及热管理等整车系统约束。
- 车云计算架构:基于车端 K3s、云端控制器、Agent 与 MQTT 构建动态边缘计算网络,支持车辆注册、状态同步、任务下发与资源回收;采用 5–10 分钟批量调度应对车辆频繁上下线与网络波动。
- 业务验证:结合车辆闲置时段构建数据处理、评测与上传链路,并参与成本模型及商业模式验证。
- 验证结果:完成百车级测试,最高约 60 台同时在线,请求时延约 120ms、首 Token 约 240ms;与外部合作方完成真车验证,最终确认技术可行,但当时商业经济性不足,为集团决策提供依据。
-
围绕集团 GPU 算力基础设施,先后负责在线大模型推理、智驾离线计算及大规模 GPU 集群资源治理,覆盖模型 Serving、计算优化与多集群资源管理。
- 在线推理平台:基于 KServe / Kubernetes 建设模型部署、扩缩容、负载均衡及高可用体系,推动 Runtime 从 vLLM 演进至 TensorRT-LLM,并结合 KV Cache、模型量化等优化推理性能。7B 模型首 Token 约 30ms;平台覆盖 20+ 业务、数百张 GPU,通过 HAMI vGPU 治理将推理资源从 260+ 张降至 140+ 张。
- 智驾离线计算:面向每批约 10 万条智驾数据,优化跨 IDC 数据与计算部署关系,将推理、后处理等阶段解耦,通过中间结果复用及细粒度 vGPU 资源配置,将端到端耗时从 8 小时降至 4 小时,GPU 资源消耗约减半。
- GPU 集群治理:与团队建设动态 vGPU 资源体系,支持细粒度资源分配;独立设计并重构多 Kubernetes 集群统一管理架构,抽象资源、任务与用户模型,整合分散计算资源池,阶段内整体计算吞吐约翻倍。
-
作为数据生产团队负责人(3–5 人),主导智驾训练数据管理与生产体系重构,围绕数据标准化、数据组织、生产自动化与训练数据存储建立统一基础设施,覆盖约 2PB 数据,支撑多个数据及算法团队的数据生产与交付。
- 数据管理中心:统一传感器、日志、真值及衍生数据的表达规范,建立时序 / 帧级数据粒度、全局唯一 ID 与数据关联关系;通过标准数据模型、格式转换与统一读写 SDK,屏蔽不同数据格式及底层存储差异,使上层算法与生产流程能够以统一方式访问、组织和复用数据。
- 数据生产中心:重构需求 → 数据筛选 → 任务执行 → 标注 → 质检 → 交付的生产链路,以标准数据集作为跨环节交付载体,统一任务编排、数据状态与生产追踪;将原本依赖人工衔接的离散流程转化为可追踪、可复用的自动化流水线,数据从需求到训练就绪的周期由约 3 个月缩短至 7 天。
- 视频训练与存储优化:推动千万级训练数据从逐帧 JPEG 向视频存储迁移,设计分层缓存与基于 MPI 的并行处理框架,解决高频随机帧访问、批量格式转换及训练读取效率问题;约两周完成历史数据转换,存储降低约 95%、数据加载效率提升约 110%、处理效率提升约 3 倍,累计节省存储成本约 3000 万元。
- 大模型数据交付:复用 MPI 并行计算与视频解码能力,构建百万级无监督训练数据加工链路;针对海外算法团队的数据交付需求,建设基于 XRay 的多节点跨境传输体系,实际带宽约 5Gbps,传输成本较专线方案降低约 75%。
Earlier
早期经历 · 2015 — 2021
-
快手 · 基础架构
2020 — 2021资深研发工程师。打造公司级日志监控系统(10 亿条/分钟),基于十万服务、调用链深度达几十层的规模建设服务异常分析能力——监控大盘、服务拓扑、变更分析、故障诊断;立项并完成服务故障阻断项目,消灭 50% 部署间故障。
-
金山云 · 视频云 CDN
2017 — 2019高级研发工程师。负责 CDN 业务一体化监控(日均 5000 万条边缘数据),维护 OpenFalcon / Prometheus,建设报警平台与运维数据预测体系。
-
现在支付 & 分贝通
2015 — 2017初级工程师。创业型公司,主导核心业务系统——账户系统与票务系统的从零建设与持续迭代。