王浩然 - AI Agent 开发工程师¶

联系方式¶

邮箱：wanghaoran.dev@example.com
GitHub：github.com/wanghaoran-code
电话：137-2345-6789

个人简介¶

5 年开发工具与 IDE 插件开发经验的 AI Agent 工程师，专注于 AI 编程助手方向。熟练掌握 OpenAI Agents SDK 与 VSCode 扩展开发，主导过某公司内部 AI 编程助手插件从 0 到 1 的建设，覆盖 800+ 内部开发者，代码补全采纳率 32%，单元测试自动生成节省开发者 25% 测试编写时间。

具备扎实的代码静态分析能力与 Agent 工程化经验，能将 LLM 能力深度集成到开发者工作流中。深入理解代码补全、Bug 定位、测试生成、代码审查等场景的 Prompt 设计与上下文工程，并在实际项目中落地可量化的效率提升。

注重开发者体验，习惯通过用户调研与埋点数据驱动产品迭代，在团队内推动建立「AI 辅助开发效率度量」指标体系。

技术栈¶

编程语言¶

Python（熟练，Agent 后端开发）、TypeScript / JavaScript（熟练，VSCode 扩展开发）、Go（了解）

AI/ML 技术¶

OpenAI Agents SDK（Agent 编排、工具调用、handoff）
OpenAI API（Chat / Function Calling / Embedding / Streaming / Structured Output）
代码理解与生成：代码分块、AST 解析、调用图构建、上下文裁剪
Prompt 工程：代码上下文构造、Few-shot 示例选择、结构化输出约束
模型选型与成本优化：GPT-4o / GPT-4o-mini 路由、Token 预算控制

后端开发¶

FastAPI（Agent 后端服务、SSE 流式接口）
Pydantic（结构化输入输出校验）
asyncio（并发调用、流式聚合）
WebSocket / SSE（实时推流）

开发者工具¶

VSCode Extension API（编辑器集成、命令、菜单、Webview、Language Model API）
Git（代码差异分析、 blame 解析、提交信息生成）
Tree-sitter / Python AST（代码解析与结构化）
LSP（Language Server Protocol 基础）

数据库与中间件¶

PostgreSQL（用户配置、采纳埋点、审计日志）
Redis（会话缓存、限流）
Qdrant（代码片段向量检索，跨文件上下文召回）

DevOps 与工具¶

Docker、GitHub Actions（CI/CD、自动发布）
Pytest（Agent 后端单元测试，覆盖率 82%）
Vitest（VSCode 扩展前端测试）
LangSmith（Agent 调试与追踪）
OpenTelemetry（链路追踪）

项目经验¶

AI 编程助手 VSCode 插件 | 2024.02 - 2024.12 | 技术负责人¶

技术栈： OpenAI Agents SDK + VSCode 扩展 + TypeScript + FastAPI + Git + Pytest + Qdrant

项目背景： 为公司内部 800+ 开发者构建 AI 编程助手 VSCode 插件，提供代码补全、Bug 修复建议、单元测试自动生成、代码审查四项核心能力，目标是降低重复性编码工作量并提升代码质量。

核心职责与贡献：

主导插件整体架构设计，采用「VSCode 扩展（TypeScript 前端）+ FastAPI Agent 后端（Python）」分离架构，前端负责编辑器交互与上下文采集，后端负责 Agent 编排与 LLM 调用，通过 SSE 流式推流降低首字延迟，代码补全首字响应 < 400ms。
设计并实现代码分析 Agent，基于 Tree-sitter 解析当前文件 AST，结合 Git diff 与光标位置裁剪上下文，并通过 Qdrant 召回同仓库相关代码片段拼装 Prompt，相较「全文件塞入」方案 Token 消耗降低 56%，补全采纳率从 22% 提升至 32%。
实现 Bug 修复 Agent 工作流：解析报错堆栈 → 定位相关代码 → 生成修复建议 → 自动生成复现测试，借助 OpenAI Agents SDK 的工具调用编排「读文件 / 搜索符号 / 跑测试」3 个工具，开发者反馈「修复建议有效」比例达 78%。
构建自动化测试生成模块，分析被测函数签名与调用关系，生成 Pytest 单测用例（含正常 / 边界 / 异常三类），通过率 71%（生成的测试可直接运行通过），为 230 个核心模块补充测试，整体覆盖率从 58% 提升至 74%。

关键实现：

使用 VSCode Extension API 注册 inlineCompletionItemProvider 实现行内补全，通过 LanguageModelChat API 接入企业内部模型网关，支持按文件类型路由不同模型（Python 用 GPT-4o，其余用 GPT-4o-mini）。
在 Agent 后端使用 OpenAI Agents SDK 的 Agent 定义「补全 Agent」「Bug 修复 Agent」「测试生成 Agent」三个角色，通过 handoff 机制实现场景切换；每个 Agent 注册独立工具集，工具调用前做参数校验与权限检查。
设计代码上下文召回管道：将仓库文件按函数 / 类粒度分块入 Qdrant，查询时以当前文件 AST 节点为 query 召回 Top-K 相关片段，结合 import 关系图做二次扩展，保证上下文相关性。
实现采纳埋点：前端记录补全建议是否被采纳、采纳后是否修改、修改幅度，回传后端分析，作为 Prompt 优化的数据依据，每周迭代一次 Prompt 版本。

项目成果：

覆盖内部 800+ 开发者，月活跃用户 650 人，日均补全请求 4.2 万次。
代码补全采纳率 32%（行业基准约 25-30%），估算节省编码时间约 15%。
单测自动生成节省开发者 25% 测试编写时间，累计生成可用测试 1200+ 个。
Bug 修复建议采纳率 41%，减少平均 Bug 修复耗时约 20%。
API 月度成本通过模型路由优化降低 44%。

Git 提交信息生成工具 | 2023.05 - 2024.01 | 独立开发¶

技术栈： Python + OpenAI API + Git CLI

项目背景： 开源命令行工具，自动分析 Git diff 生成符合 Conventional Commits 规范的提交信息，提升团队提交规范一致性。

核心职责与贡献：

实现 diff 分块与变更类型识别（feat / fix / refactor / docs 等），结合变更文件权重生成提交摘要，生成信息规范达标率 88%。
支持 hooks 集成 git commit，开发者无需切换工具即可使用，团队采纳后提交规范达标率从 54% 提升至 89%。

关键实现：

通过 git diff --staged 获取变更并按文件分组，剔除 lock 文件等噪声，控制 Prompt 长度在 2K Token 内，单次生成成本 < 0.01 元。
使用 JSON Schema 约束输出结构，支持 --emoji / --scope 等参数定制格式。

项目成果：

GitHub 开源 380 Star，周下载量 1200+。
团队内部 6 个项目接入，提交规范达标率提升 35 个百分点。

教育背景¶

某某大学 - 计算机科学与技术 - 本科 - 2016.09 - 2020.06

技能证书¶

Microsoft Certified: Azure AI Engineer Associate
VSCode Extension Development 官方课程认证（虚构示例）

开源贡献¶

git-commit-ai - 基于 OpenAI 的 Git 提交信息生成工具，GitHub 380 Star。
vscode-agent-starter - VSCode 扩展 + Agent 后端脚手架，GitHub 95 Star。
向 microsoft/vscode 提交 1 个文档修复 PR。