- 海南大学 · 电子信息工程
- 求职方向：嵌入式软件工程师；AI 工程化是差异化能力，不是算法方向
- 能力边界：做过 LLM 网关二次开发与线上运维、Android AI 客户端、FastAPI 后端；没有做过模型训练 / SFT / LoRA
- 关注：系统稳定性、协议与状态一致性、可观测性、低配部署
我不是做模型训练或算法研究的。我的 AI 经验集中在把大模型接进真实产品和研发流程——这也是我在嵌入式岗位之外，能额外承担的工作。
| 项目 | 一句话 | 技术栈 |
|---|---|---|
| flowbee-api | 跑在 2C/1.9G 小机器上的多模型 LLM 网关：协议兼容、计费、限流、渠道亲和、运营后台 | Go · Gin · React · SQLite/PostgreSQL |
| flowbee-chat-plus | 原生 Android LLM 客户端：多供应商、MCP、工作区、语音、Web 多端 | Kotlin · Compose · Room · Koin |
| inkfield | 「砚田日耕」AI 长期成长规划后端：五层规划模型、状态机、容量分配、事务性 Outbox | Python · FastAPI · PostgreSQL · Celery |
| learning-checkin-wechat | 微信小程序学习打卡：AI 计划、遗忘曲线复习、日历展望、规律性排行 | 小程序 · FastAPI · SQLite · DeepSeek |
四个项目都包含架构图、真实截图、快速开始与设计取舍，不是只有代码的空仓库。
嵌入式
后端 / 基础设施
客户端 / AI 工程
- FlowBee：把多家上游模型收口成一个 OpenAI 兼容入口，持续打磨计费一致性、渠道亲和与低配部署。
- 砚田日耕：用「长期目标 → 阶段 → 里程碑 → 周计划 → 任务」替代日打卡，AI 提计划、后端做校验。
- 嵌入式：寄存器级驱动、传感器与存储、低功耗任务链；用 AI 读手册、生成驱动骨架、定位时序问题。
- 先拿证据再改配置：用户报「API Key 失效」，先逐把直测上游，再按渠道 × 状态码统计日志，最后定位到
model_mapping漏配，而不是直接换 Key。 - 缓存命中率是可以被工程手段改善的：把多 Key 渠道拆成一渠道一 Key，再做按用户渠道亲和，DeepSeek 前缀缓存命中率从 52.9% 提升到 67.4%。
- AI 不拥有真相：AI 可以提出计划，但容量、截止、状态迁移必须由后端确定性规则校验后才能落库。
- GitHub：leicanxi
- Email：63656387@qq.com
- FlowBee：flowbee.top · 使用文档
如果你在找嵌入式软件工程师，或者想交流 LLM 网关 / Android 客户端 / 后端设计，欢迎直接联系我。