Delon XIE

Web3 與金融風控專家： 具備 15 萬 ETH Staking 管理與 5 億 USD 數位資產託管的實操經驗，深刻理解數位資產交易、風險控制及合規（KYT/KYC）體系。此前在 P2P 金融、抵押貸款風控領域的積累形成了完整的金融科技認知閉環。

AI 驅動的全端架構師： 對 AI 有深刻的核心領悟——AI 不是萬能銀彈，而是需要需求引領、問題導向、架構適配、測試覆蓋才能發揮最大價值的協作夥伴。擅長在複雜系統中精準識別 AI 能解決的真正痛點。

全端架構與規模化經驗： 擁有從交易所撮合引擎（Rust/Raft）到 AI 量化選股（Qlib/LightGBM + LLM MCP），從底層硬體（RFID 加密卡、PLC/RS232）到上層應用（Vue/React），從即時流計算（Flink）到離線排程（Airflow/Crontab）的全鏈路架構視野。具備管理 60+ 人技術團隊及從 0 到 1 搭建金融級系統的實戰經驗。

深度拆解與抽象能力： 面對位元組碼反編譯器、MQTT 協定、多市場量化交易系統等高複雜度技術難題，能夠按照第一性原理進行系統性拆解，將龐大問題分解為獨立、可管理的模組，並透過創新架構從根本上解決業界長期存在的強固性難題。

我在 Avenir 主導技術團隊 AI 賦能的專案實施過程中，對 AI 理解可以概括為五個關鍵詞：需求引領、問題導向、架構適配、AI 協作、測試覆蓋。

• 需求引領： 任何 AI 能力的引入都必須源於真實的業務需求，而非為了用 AI 而用 AI。在 QuantByQlib 專案中，引入雙 LLM 降級架構（Claude 主力 + DeepSeek 降級）是因為使用者確實需要高品質的個股分析報告，同時必須保證服務的穩定性和成本的合理性。
• 問題導向： 先定義清楚要解決什麼問題，再選擇合適的技術手段。在 PyRebuilderSharp 專案中，核心問題是傳統反編譯器強固性差，而不是「如何用 AI 寫更多程式碼」。
• 架構適配： AI 能力必須融入整體架構設計，而非作為孤立的「黑盒」外掛。在 QuantByQlib 中，RD-Agent 因子發現的結果透過標準化的 IC 驗證管道自動注入 LightGBM 策略，形成「發現→驗證→實盤化」的閉環。
• AI 協作： AI 是強大的協作者，但永遠不能替代人類的架構判斷和領域洞察。AI 承擔快速原型驗證、邊界條件補全、重複程式碼生成等工作，架構決策、問題拆解、品質把關始終由我主導。
• 測試覆蓋： AI 生成程式碼的品質驗證是不可或缺的一環。我建立了基線覆蓋測試機制——在 PyRebuilderSharp 中，182 個真實 .pyc 檔案構成的測試集確保每次變更不破壞已有能力。

我的管理哲學可以概括為三層漏斗模型：策略對齊 → 工程效能 → 人才梯隊。

策略對齊： 技術團隊的目標必須與業務目標高度一致。在 Avenir Tech 期間，我將 AI 賦能工程與集團降本增效目標對齊，直接推動伺服器成本從 15 萬美金/月降至 4.5 萬美金/月。

工程效能： 透過標準化研發流程、自動化工具鏈和 AI 輔助開發，持續提升團隊交付速度和程式碼品質。推行 Code Review 制度、CI/CD 流水線和單元測試覆蓋率紅線，將線上故障率降低 80% 以上。

人才梯隊： 注重培養團隊成員的技術深度和業務理解力。堅持每週技術分享會和一對一面談，幫助成員制定個人成長路徑。在管理過的團隊中，有 3 名成員成長為技術經理，2 名轉型為架構師。

管理風格： 結果導向——不接受沒有量化指標的工作彙報；授權信任——給成員充分的自主權和決策空間，同時建立清晰的問責機制；技術嗅覺——保持對前沿技術的敏感度，70% 的精力鋪在研發一線。