Delon XIE

Web3 与金融风控专家： 具备 15 万 ETH Staking 管理与 5 亿 USD 数字资产托管的实操经验，深刻理解数字资产交易、风险控制及合规（KYT/KYC）体系。此前在 P2P 金融、抵押贷款风控领域的积累形成了完整的金融科技认知闭环。

AI 驱动的全栈架构师： 对 AI 有深刻的核心领悟——AI 不是万能银弹，而是需要需求引领、问题导向、架构适配、测试覆盖才能发挥最大价值的协作伙伴。擅长在复杂系统中精准识别 AI 能解决的真正痛点。

全栈架构与规模化经验： 拥有从交易所撮合引擎（Rust/Raft）到 AI 量化选股（Qlib/LightGBM + LLM MCP），从底层硬件（RFID 加密卡、PLC/RS232）到上层应用（Vue/React），从实时流计算（Flink）到离线调度（Airflow/Crontab）的全链路架构视野。具备管理 60+ 人技术团队及从 0 到 1 搭建金融级系统的实战经验。

深度拆解与抽象能力： 面对字节码反编译器、MQTT 协议、多市场量化交易系统等高复杂度技术难题，能够按照第一性原理进行系统性拆解，将庞大问题分解为独立、可管理的模块，并通过创新架构从根本上解决业界长期存在的鲁棒性难题。

我在 Avenir 主导技术团队 AI 赋能的项目实施过程中，对 AI 理解可以概括为五个关键词：需求引领、问题导向、架构适配、AI 协作、测试覆盖。

• 需求引领： 任何 AI 能力的引入都必须源于真实的业务需求，而非为了用 AI 而用 AI。在 QuantByQlib 项目中，引入双 LLM 降级架构（Claude 主力 + DeepSeek 降级）是因为用户确实需要高质量的个股分析报告，同时必须保证服务的稳定性和成本的合理性。
• 问题导向： 先定义清楚要解决什么问题，再选择合适的技术手段。在 PyRebuilderSharp 项目中，核心问题是传统反编译器鲁棒性差，而不是"如何用 AI 写更多代码"。
• 架构适配： AI 能力必须融入整体架构设计，而非作为孤立的"黑盒"外挂。在 QuantByQlib 中，RD-Agent 因子发现的结果通过标准化的 IC 验证管道自动注入 LightGBM 策略，形成"发现→验证→实盘化"的闭环。
• AI 协作： AI 是强大的协作者，但永远不能替代人类的架构判断和领域洞察。AI 承担快速原型验证、边界条件补全、重复代码生成等工作，架构决策、问题拆解、质量把控始终由我主导。
• 测试覆盖： AI 生成代码的质量验证是不可或缺的一环。我建立了基线覆盖测试机制——在 PyRebuilderSharp 中，182 个真实 .pyc 文件构成的测试集确保每次变更不破坏已有能力。

我的管理哲学可以概括为三层漏斗模型：战略对齐 → 工程效能 → 人才梯队。

战略对齐： 技术团队的目标必须与业务目标高度一致。在 Avenir Tech 期间，我将 AI 赋能工程与集团降本增效目标对齐，直接推动服务器成本从 15 万美金/月降至 4.5 万美金/月。

工程效能： 通过标准化研发流程、自动化工具链和 AI 辅助开发，持续提升团队交付速度和代码质量。推行 Code Review 制度、CI/CD 流水线和单元测试覆盖率红线，将线上故障率降低 80% 以上。

人才梯队： 注重培养团队成员的技术深度和业务理解力。坚持每周技术分享会和一对一面谈，帮助成员制定个人成长路径。在管理过的团队中，有 3 名成员成长为技术经理，2 名转型为架构师。

管理风格： 结果导向——不接受没有量化指标的工作汇报；授权信任——给成员充分的自主权和决策空间，同时建立清晰的问责机制；技术嗅觉——保持对前沿技术的敏感度，70% 的精力铺在研发一线。