高级后端与平台工程师多伦多 · 寻找合适的资深工程机会
构建可靠的后端平台、应用 AI 系统与独立产品。
我是 Marshall，常驻多伦多。拥有十余年 Java 与分布式系统经验，长期深耕商家、商品和订单等核心业务域，负责支撑日订单量 100 万+ 的高并发、低延迟、高可用系统设计、开发与生产交付。曾构建基于 Kafka 的事件驱动实时处理链路，峰值每秒处理 30 万+ 事件、日处理事件量 10 亿+，并具备 Spark 与大数据处理实践。近期重点投入 AI 自动化研发流程，持续实践 AI Harness、RAG 与智能体协作。
- 后端与分布式系统
- 平台与生产交付
- 检索、RAG 与评估
- Java · AWS · TypeScript · Python
我的工程方法
严谨应当让交付更清楚，而不是更沉重。
不同领域会使用不同工具，但这四个约束在后端平台、AI 系统与独立产品中都长期有效。
正确性先于技巧
先把不变量、归属、幂等与失败行为讲清楚，再优化顺利路径。
从设计开始可观察
只有状态、证据与恢复路径都可检查，一次变更才算完成。
评估优先于演示
对 AI 系统分别评估召回、证据约束、任务成功、延迟与拒答，而不是相信一次流畅回答。
可回退的交付
优先采用分阶段发布、结果回读与有界副作用，让速度不依赖乐观假设。
职业演进
一条更长的路，只保留真正改变判断的阶段。
- 2013–2017
交付基本功
在企业软件与电商交付中，学习把业务约束转成可维护系统。
- 2017–2021
规模化商业平台
深入 Java 服务、商家系统、订单域、分布式任务与多站点交付。
- 2021–2023
实时系统与技术领导
建设 IoT 与实时风控平台，同时提升设计、评审与团队交付标准。
- 2024–2025
工程硕士阶段
在加拿大完成工程硕士学习，并扩展看待系统问题的视角。
- 2025–至今
平台、产品与证据优先 AI
把生产工程纪律用于金融平台、独立学习产品与开发者 RAG。
实践笔记
写清决策、取舍与变化。
我尽量在实践之后再写：先讲原理，再讲实现，最后说明证据如何改变了判断。
RAG 不是一条必经流水线，而是一种按需取证的能力
先理解目标、先看当前源码，只有跨来源信息真的能改善判断时，才调用 Local RAG 去找证据候选。
从 Workflow Harness 到轻量 Prompt：Codex 5.6 之后我删掉了什么
当模型的原生流程已经够强，Harness 会从效率放大器变成上下文负担。这次重写保留了安全边界，同时大幅精简 Prompt 和运行时。
顶层配置只留四条硬规则：Agent 在哪里必须停下来
模型可以越来越自主，但生产、持久化数据、成本和不可逆动作必须先经过明确授权。安全不是效率的对立面，而是自动化成立的前提。