项目经历
2024年12月16日
- 一、基于 TensorFlow.js 集成人脸识别模型构建 AI 音视频录制工具,基于 Service Worker 缓存模型,采用 WebGL 加速 AI 推理,优化多线程并行计算,确保录制帧率达 30 FPS+,音视频同步延迟低于 30ms。支持 ASR 识别、人脸/手势/微笑检测,ASR 准确率达 90%+,助力用户生成内容（UGC）质量提升 60%,用户满意度超 95%
- 二、结合前端与 Node, 设计并实现了多个 AI 驱动的核心功能——包括 AI 数字人、AI 封面图、AI 视频字幕和 AI 课程描述。前端利用 SWR 结合 Service Worker 实现高效的 AI 任务轮询与实时推送, Node BFF 层运用 Redis 高效存储与队列管理，提升内存利用率 30% 并缩短响应耗时10%。通过这些实践, 推动了平台智能化升级，进一步增强了用户粘性和市场竞争力
- 2.1 认识
- 2.1 你为什么选择用 SWR 来轮询 AI 生成服务？
- 2.2 在预计生成时长超过3分钟时关闭轮询的具体逻辑是如何实现的？
- 2.3 请详细描述你如何利用 Service Worker 和 PushManager 实现实时消息推送，并确保推送消息能正确更新前端状态？
- 2.4 在 Node BFF 层中，你提到了使用 Redis FIFO 队列与 Hash ZipList 压缩策略，这些设计对前端用户体验有何影响？如何确保数据快速、低延迟地更新到前端？
- 2.5 你如何看待和处理极端请求场景，令牌桶限流对单个 IP 用户的应用对前端有什么提示和交互设计？
- 2.6 在前后端协同的过程中，你如何处理因网络抖动或系统异常导致的消息重复、数据不一致问题？
- 2.7 如何获取客户端 IP 地址呢？
- 2.8 令牌桶限流是如何实现的？ 为什么要选择用令牌桶？
- 2.9 你们的 Node 做了哪些工作呢？做了哪些性能优化呢？
- 三、基于 PNPM 和 Monorepo 策略，将 20+ 独立前端仓库整合至集中式代码库，采用 workspace 依赖管理与变更追踪，减少冗余代码 60%，研发效率提升 40%，极大的提升了开发体验，并解决 MultiRepo 依赖分散与版本不一致问题
- 四、通过 Webpack 4.x 实现精细化代码分割、Tree Shaking 和按需加载，核心产物体积缩减至 3MB，首次加载性能提升 40%；升级至 RsPack 构建工具，构建时间缩短至 40s，提升 90%，CI/CD 周期减少 80%；结合 PostCSS 完成动态主题与大字体适配，优化用户体验