产品与技术架构设计：
顶层设计：负责工业大数据平台、工业互联网平台及AI中台的整体架构规划，涵盖数据采集层（边缘计算）、数据中台层（数据湖/数据仓库）、AI基础算法层（机器学习/深度学习）及应用层（SaaS化工业APP）的架构设计
技术选型：针对工业场景下的海量时序数据处理需求，进行技术栈选型（如物联网时序数据库、流式计算引擎、大数据批处理框架），确保系统具备高并发写入、低时延查询和高可靠性
AI工程化架构：设计MLOps（机器学习运维）流程，构建模型训练、推理、部署及监控的闭环体系，预测性维护、参数优化等场景的快速迭代
工业智能体架构设计：负责工业智能体（Agent）的技术体系设计，包括感知层（多模态数据融合）、决策层（基于强化学习/运筹优化的自主决策）、执行层（指令下发与反馈闭环），并支持多智能体协同、人机协作等复杂场景
工业场景需求洞察与方案落地：
业务抽象：深入制造车间、产线和设备端，与工艺工程师、设备管理人员沟通，将复杂的工业机理与大数据/AI技术相结合，抽象出可复用的业务模型
核心场景落地：
设备智能：设计基于振动/温度数据的设备故障诊断与预测性维护架构
质量优化：设计基于机器视觉的缺陷检测架构，以及基于过程数据的产品良率预测与根因分析方案
生产调度：设计基于运筹优化算法的生产排程与供应链协同架构
能效管理：设计工厂能源大数据分析架构，支持碳足迹追踪与能效优化
工业智能体应用：设计智能自主工作流，决策流，融合周边支持性模块构建：提示词工程，记忆体构建，知识增强检索等等
数据治理与数据资产化：
数据标准：建立工业数据治理体系，包括设备资产主数据管理、数据质量稽核、元数据管理，解决工业“脏数据”、“孤岛数据”问题
数字孪生对接：负责物理实体（设备、产线）与数字空间的映射架构，支持3D可视化与实时数据联动，并为智能体提供高保真仿真训练环境
技术攻坚与团队协同：
项目落地：主导和领导核心模块的代码开发（POC原型验证或核心框架搭建），解决海量工业时序数据存储、复杂事件处理及大规模AI推理的高性能问题
内外协同：作为技术接口人与硬件（PLC/传感器/边缘网关）团队、算法团队、前后端开发团队紧密协作，确保技术方案在资源受限的边缘端或云端顺利落地
支持售前团队进行重大项目技术竞标