toc电商平台-返佣

微服务框架: Spring Boot, Spring Cloud Alibaba (Nacos 服务发现与配置中心, Sentinel 流量控制, Seata 分布式事务) 主要工作： 系统架构与核心模块开发：参与微服务拆分与技术选型，负责商品服务、订单服务及秒杀系统的核心业务逻辑a 开发，实现了商品浏览、购物车管理、订单创建与状态流转等核心功能。 2.高并发与性能优化： 针对商品详情页等高QPS接口，采用 Redis 进行多级缓存设计（本地缓存 + Redis分布式缓存），将接口平均响应时间从 200ms 降低至 30ms，并解决缓存穿透与雪崩问题。 利用 RocketMQ 对下单流程进行异步化改造，将库存扣减、积分增加等非核心操作通过消息队列异步处理，提高主链路响应速度。 设计并实现了秒杀方案：通过Redis Lua 脚本实现库存的原子性预扣减，通过Redisson 分布式锁处理用户重复请求，并通过消息队列排队处理写请求，有效应对瞬时流量洪峰，保障系统稳定。 3.数据一致性与可靠性保障： 使用 Canal 处理分布式事务场景（如下单成功后同时更新订单和库存），保障核心链路的数据最终一致性。 为应对订单超时未支付场景，采用 RocketMQ 延迟消息触发超时关单与库存释放任务，避免超卖。 4. 优惠券与积分业务系统： 优惠券系统设计： 独立设计了平台级优惠券系统，包括模板管理、发放、核销与统计流程。 采用 Redis + Lua 脚本实现高并发下的领券业务，保障库存扣减的原子性，有效防止超发与用户重复领取。 通过 RocketMQ 将下单后的优惠券核销操作异步化，确保核心下单链路性能，并通过消费重试机制保障核销的最终一致性。 签到与积分体系构建： 主导设计了会员签到与积分成长体系。利用 Redis Bitmap 高效记录用户签到状态，极大节省存储空间并支持快速查询连续签到天数。 采用“流水+汇总”的积分账户设计，通过异步聚合与缓存策略保障积分变动的高效写入与用户积分总额的快速查询。 在处理积分抵扣时，结合 Redisson 分布式锁与数据库 CAS 更新，有效解决高并发下的积分超额消费问题。 系统整合与价值： 将优惠券与积分能力通过 Feign 接口无缝对接到订单、秒杀等核心场景，提升了订单转化率与用户粘性。 系统上线后，优惠券日均发放量达百万级，签到活动参与率提升逾 40%。

搜索页面历史记录运用 wx.setStorage 方法存储相关数据，通过 wx.getStorage 来获取数据 将搜索历史展示出来； 使用 swiper 组件实现首页的图片轮播功能； 将需要经常使用的变量存入公共文件 app.js 中，省去多次传值的繁琐； 使用懒加载实现图片加载，优化体验； 购物车的操作较复杂，每次都需要与后台交互传值，使用 wx.request()完成与后端的数据交 互； 在 tabBar 跳转中使用 wx.switchTab 跳转不能传值，所以跳转的话我使用的跳转方法大部分 都是wx.reLaunch; 使用全局组件 app 完成统一的数据状态管理。

功能模块 - 项目分为 H5用户，B端仓库，B端鉴定系统，鉴定师鉴定系统和发布审核系统五大块 功能流程 - 用户在 H5 页面，上传物品照片，填写物品描述和快递单号后，B端仓库接到对应快递进行入库转交给B端、鉴定师端进行鉴定估价，用户确认价格核实后，审核端对发布内容进行审核或修改发布到平台。

机器学习算法案例 -公司拥有自主研发、自主知识产权的机器学习自动化建模平台-Model Robot，在客户行为预测、商品推荐算法、因果分析推理模型、自然语言处理和视觉学习方面拥有成熟模型，沉淀了丰富的实践经验; 精准营销系统功能案例 a. MA系统、多维客户画像标签、千人千面，精准筛选 b. 精准推荐系统: 内置推荐引擎、车辆进店，摄像头自动识别，一车一策，精准营销 知识图库与舆情系统 a.KG Learnings-以汽车售后收益诊断为例，已落地多家主机厂，500余家4s店；gpt式领域知识查询已落地应用1年以上 b.舆情系统: 全网开源数据实时抓取、清洗处理和分析呈现，多家豪华品牌连续三年采购 定制BI开发 a.除多业务层级、多岗位角色关联指标实时大屏呈现外，也具备AI辅助的决策分析和短板精准诊断功能 b.与精准营销模块无缝对接，知道KPI短板在哪里，也知道造成KPI短板的原因在哪里，也知道弥补短板的目标引流客群是谁，什么干预措施能带来多大量化效果

首页：轮播图、公告、热卖商品、商品详情、加入购物车、立即购买、提交订单、收藏、分享 分类：商品分类列表、搜索 购物车：未下单商品列表 我：我的收藏、我的足迹、我的订单（待付款、待发货、待收货、已完成、售后、查看更多、积分、余额、优惠券、卡券）、积分、余额、优惠券、卡券、我的服务、查看更多