CVEN / LAB
说明我是什么类型的工程师、能力如何形成、能够独立解决哪些问题，以及工作中坚持哪些责任边界。
CVEN
我的起点是数据研发：处理 SQL、DDL、字段口径和结果粒度。随着工作中需要解决的问题不断扩展，我开始把重复规则做成工具，补齐前端、后端、数据库和部署能力，再把 AI 从生成助手逐步纳入可控、可验证的工程流程。
能力结论
我能够独立完成从问题澄清、方案设计、前后端实现到容器化交付的完整闭环；面对业务真值、生产权限和公开边界时，会保留明确的人工确认，而不是让自动化替代责任判断。
从复杂 SQL、Hive / StarRocks DDL、字段类型和 JOIN 粒度问题开始。
不只完成取数，还关注口径来源、方言边界、验证 SQL 和交付产物是否可复查。
Hive→StarRocks 两阶段交付、JOIN 发散诊断
面对重复的数据处理、提交记录、密码管理和工作流操作需求。
开始把个人经验整理成有页面、有状态、有数据模型和验收标准的实际工具。
copy-book、git-commit-helper、cven-diary-helper
工具要真正可用，需要前端、API、数据库、异步任务和运行环境共同成立。
补齐 React / Next.js、Python / FastAPI、MySQL、Docker Compose、Nginx 和回滚链路。
cven-task-demo、CVEN Lab
从模型对话和代码生成，逐步遇到上下文丢失、规则漂移和长任务失控。
使用 MCP、Skill、Goal、Loop 和 Harness 组织执行，并进一步实现状态机、人工检查点和持久化轨迹。
cven-data-delivery-agent、AI 工程实践
确认目标、非目标、数据边界和可验证结果，再进入实现。
优先读取源 DDL、真实代码、日志和运行结果，不凭命名或经验猜测。
根据当前规模选择最小可解释方案，为增长保留升级路径。
缺少业务数据、权限或人工判断时进入检查点，不伪造完成状态。
保持版本、测试、构建、运行和回滚证据，使问题可以定位、任务可以继续。
需求拆解、技术方案、前后端实现、数据模型、质量门禁、容器化和部署工具。
业务口径、真实数据结果、生产权限、隐私范围和最终上线授权。
未获得的生产指标、未完成的线上验证、未公开的公司信息和未经用户确认的个人资料。
公开站点暂不展示私人手机号、家庭地址或未确认邮箱；沟通继续使用招聘平台或已投递简历中的渠道。