以项目为主线推进长期学习。当前重点关注人工智能应用，通过代码可维护性、开发效率提升持续提升能力；重视可维护性、稳定性与协作效率，并把过程整理成可复用的学习记录。
本文以「从非结构化招聘JD中抽取结构化字段」为具体任务，在同一模型（gpt-4o-2024-08-06，temperature=0）上对比了6个版本的Prompt设计，记录了每版的token消耗、字段级准确率与失败样本。实验显示：加入JSON Schema约束与2个few-shot示例后，字段准确率从61.3%提升到94.7%，但输入token从312涨到1187；改用精简Schema描述+单示例
线上一个FastAPI订单查询接口P99延迟飙到2.3s，QPS只有120就出现大量超时。本文用cProfile+py-spy定位到N+1查询和缺失索引问题，配合SQLAlchemy的selectinload、Redis缓存热点数据、以及uvicorn worker调参，最终P99降到89ms，QPS提升到1400+。文中包含完整压测对比数据和可复现代码。
当团队从20人扩张到200人，原先“一条master走天下”的工作流彻底崩坏——合并冲突日均17次，线上事故3起，代码审查形同虚设。本文基于Git 2.39.1与GitLab 15.11，拆解一套经过生产环境验证的分支策略：trunk-based与GitFlow的折中方案，配合基于Merge Request的强制Code Review流水线，以及Jenkins 2.414.2驱动的CI/CD集成。
