技术画像
以「开源实践」为主线，把业务问题翻译成数据与算法问题，再用可复现的工程体系交付结论。
- 定位数据科学 × AI Agent 工程
- 主线开源实践 · 可复现的工程体系
- 方式把业务问题翻译成数据与算法问题，再交付结论
与数字有关的取值、口径与边界情况集中在 聚合页， 本页不复述，避免同一组数字出现第二处真相源。
近期在做
- 把「口径先定、数字后采」固化成可机检的判据，让结论没法悄悄漂移。
- 给知识图谱类作品补结构复算：不采信自述的层数，用构建期 headless 复跑对账。
- 把网站本身当作一件作品来打磨——可读性由图形与结构承担，而不是靠标点和换行。
方向与兴趣
背景
- 开源实践主线：独立完成 opencode 自进化 Agent 体系改造
- 业务×技术复合：数据科学 × 电商管理
技术方向
- AI Agent 工程
- 机器学习建模
- 运筹优化
兴趣
- 技术自驱
- 工具链折腾
- 体系化复盘
- 可视化叙事
- 开源分享
左栏常驻的「关注方向」是这里的压缩视图（AI Agent 工程 · 机器学习建模 · 运筹优化 · 可视化叙事）， 两处同源，改一处即改两处。
工具链
语言
- Python
- TypeScript
- SQL
构建与前端
- Next.js
- React
- Node
- 静态导出
可视化与图谱
- ECharts
- Cytoscape.js
- D3
- SVG
工程与交付
- Git / GitHub Actions
- 门控与负向夹具
- 可复现留档
工作方式
- 单一真相源 + 派生：能派生的数字不手抄，改了源就重生成。
- 可复现优先：结论要能回源，取证件与门控随产物一起留档。
- 先定口径再采数：术语不一致时先写规范，宁可空着也不拼凑可比性。
- 原型先于讨论：聊不拢的地方就出一个能跑的样张。
这些原则怎么体现在本站里可展开
- 项目索引由每日管道从仓库取数生成，不在页面上手抄。
- 页脚暴露数据时间戳与构建号，用于判断内容新鲜度与回退。
- 聚合页明确区分「已可算的指标」与「口径未定、暂不呈现的指标」，不把缺口 包装成结论。
时间线
- 2026Agent 工程体系化把自进化 Agent 的改造过程沉淀为可复现的体系：门控、留档、复盘三件套。
- 2025知识图谱与方法论交付多套 DAG 组织的方法论知识图谱，双交付（交互图 + AI 友好 MD）。
- 2024数据与算法落地在业务场景里做端到端决策：问题定义、建模、验证到结论交付。
- 2023复合背景成形电商管理与数据科学两线并行，形成「业务 × 技术」的翻译式工作法。
只到年份粒度：更细的时间点会与可反查的公开记录对上，违背本站的匿名约定。
关于匿名
本站以匿名方式呈现：不出现姓名、单位、地域等可实名定位的字段。 作品集的分量来自作品本身，而不是履历。