2026年1月 — 至今
- ›使用 Go 开发和维护报表系统与数据聚合管道，运行于异构持久化技术栈之上（Google Cloud 上的 PostgreSQL/AlloyDB、MongoDB、Redis 以及 Firestore/Firebase）。
- ›负责与 Meta 生态系统的集成（WhatsApp Cloud API、Facebook 和 Instagram），包括 OAuth 流程、模板系统和版本管理。
- ›设计并实现 RESTful API，注重性能、并发以及关键指标的正确性。
GoPostgreSQLMongoDBRedisFirestoreMeta APIsREST APIs
2024年10月 — 2025年12月
- ›最初在技术支持团队工作三个月，深入了解平台的各项流程、API 及第三方集成。
- ›随后转入开发团队担任前端开发，使用 React、TypeScript、Redux、Redux Saga 和 Vite 构建流程组件并集成第三方 API。
- ›参与 AI 智能体界面的开发，为自主智能体 UI 的规划与实现做出贡献。
- ›定期参加客户会议，深入理解业务规则并锻炼与利益相关方的沟通能力。
ReactTypeScriptReduxRedux SagaVite
2021 — Dec 2025
Etec Philadelpho Gouvêa Netto
高中 — 机电一体化技术方向
基于深度学习的修辞语步识别
Sociedade Brasileira de Computação · Sep 2025
在 CorpusDT 语料库上对 BERTimbau 的蒸馏版本进行微调，用于识别葡萄牙语科学摘要中的修辞语步，句子分类 F1 分数达到 0.94。展示了 NLP 在提升葡萄牙语学术写作质量方面的潜力。
F1 0.94准确率 93.97%6 个修辞类别52 篇摘要 → 1,409 个样本
问题
葡萄牙语缺乏支持科学写作的工具。Swales 提出的修辞语步——背景、研究空白、目的、方法、结果与结论——通常凭直觉组织，研究空白往往未被明确表述。此前葡萄牙语的参考分类器 AZPort 采用朴素贝叶斯方法，准确率为 72%。
限制
CorpusDT 是葡萄牙语中为数不多的标注语料库之一，仅包含 52 篇科学摘要，不足以直接微调 Transformer 模型。
方法
我构建了一条保留每个句子修辞含义的数据增强管道——回译（葡→英→葡）、同义词替换、随机插入与交换，以及作为正则化手段的随机删除——以随机方式应用并向少数类倾斜。由此将 52 篇摘要扩充为 1,409 个类别均衡的句子样本（分层 80/20 划分）。在该数据集上，我微调了 BERTimbau 的蒸馏版本 distilbert-portuguese-cased，配置 6 类分类头、按类别加权的交叉熵、混合精度（FP16）、余弦调度的 AdamW，并以验证集 F1 进行早停。
结果
最终分类器在验证集上取得加权 F1 0.94（宏平均 0.9403）、准确率 93.97%——这是葡萄牙语修辞语步识别领域已知的最佳结果。误差分析显示，误分类集中在语义相邻的语步之间——例如 7.7% 的"结果"句被判为"方法"——即使对人工标注者而言这也是一条微妙的边界。错误呈现出符合逻辑的模式，而非随机分布。
我的技能
ReactViteTypeScriptNext.jsTailwind CSSNode.jsGoC
近期项目
AnotaAI
受 Anki 启发的抽认卡应用。
React NativeJavascriptJupyter
Operational System Simulator
使用 ncurses 和底层技术构建的交互式任务管理界面。
Cncursesthreadssemaphors
Speech to Text (Speech2Text)
使用线程和 OpenAI 的 Whisper 模型将语音转换为文本的项目。
PythonQtThreadsSignals