放在最前面 : 這是目前我工作的履歷連結，整合了我目前職業所負責的所有高光。如果有興趣了解更多，我們可以繼續往下看

我是一位以 Go、Java 與 Rust 為主的 AI-native Staff Backend／Platform Engineer，擅長把既有的封閉系統、人工流程與 legacyinfrastructure，轉化成可程式化、可擴展且可靠的 production platform。我保持hands-on，通常會一路參與系統架構、程式實作、部署遷移、production incident，以及跨團隊導入。

經歷 Highlights

  • AI-native 方面，我投入 source-grounded knowledge system、concept-oriented RAG，以及 human-in-the-loop incident workflows；重點不只是導入 AI 工具，而是建立讓人能夠驗證、理解並信任 AI 輸出的完整工程機制。
  • Legacy CORBA compatibility platform，將近 1,000 個 operations 轉成 HTTP／OpenAPI 介面與 Go／Java SDK，成為三個團隊的production integration path。
  • 自動化遷移 1,400+ production VMs，將典型 6–7 節點的作業從兩個工程師工作天縮短為 1–2 小時大致無人值守，首次自動執行成功率超過 99%。
  • 將 Web-only A/B testing 工具產品化為 API／SDK platform，支援約 40K QPS，並被 7+ business units 採用。
  • 負責 20K–60K QPS 的推薦與廣告 serving platform，將服務重構為 Go／GKE 架構，並達成約 65% 的產品歸屬雲端成本降低。

我正在做的有趣專案

我目前也在開發 LLM Wiki Cloud，這是一個以 AI 為核心的知識工作平台。它能將分散的 Markdown文件與網頁資料，整理成結構化、可搜尋、可追溯來源的知識內容，讓使用者不只是找到零散片段，而是能取得具有完整上下文的主題說明。

這個專案的起點來自我在企業內部推動 AI knowledge workflow 時觀察到的問題：傳統 RAG雖然可以找出語意相近的文件片段，但這些片段經常重複、互相矛盾或缺乏整體脈絡，使用者仍然很難理解一套複雜系統。因此，LLM Wiki Cloud 採用concept-oriented 的方式，將跨文件資訊重新組織成連貫的知識條目，同時保留來源連結，讓 AI 產出的內容可以被查證。

在工程面，我從產品、架構到實作皆親自負責，目前已完成：

  • 多租戶架構與 tenant isolation；
  • 使用者自帶模型金鑰的 BYOK 機制；
  • 文件與網頁來源匯入；
  • ingest、compile、publish 的完整工作流程；
  • 結構化知識產生與搜尋；
  • retrieval 與來源追溯；
  • 可公開瀏覽的知識內容。

這個專案想解決的核心，不只是「讓 AI 回答問題」，而是建立一套讓人能夠理解、驗證並信任 AI 知識產出的工程機制。