我的旅程
遷移 出價團隊監控指標從舊 TSDB 至 VictoriaMetrics，並自製 Python client 套件
Research Developer (Bidder Team) · Bridgewell
自行開發並發佈 victoria-metrics-client Python 套件（1.0 → 2.1），將 rtbwatcher、bwlearner、tflearner 等出價團隊服務的指標上報全面搬離舊 TSDB；2026 年完成全公司 config 切換到 victoria-agent。
重構 CTR 模型的訓練管線與框架
Research Developer (Bidder Team) · Bridgewell
原本是手刻的 FM 與 LR 模型搭配 FTRL、L-BFGS optimizer，資料管線混用 C# 與 Python、以 row-based 的 pbb64 格式做轉換，耗時極長。改為 TensorFlow + GPU 訓練，淘汰 LR 改用具 cross-term 的 FM，資料管線收斂成純 Python 的 parquet-in / parquet-out。
建置 公司內部 AI 工程工具——Claude Code 的 MCP server 與部署 skills
Research Developer (Bidder Team) · Bridgewell
在公司共用的 Claude Code 套件庫貢獻 Argo Workflows MCP server，並把 tflearner、Searcher 等服務的上線 SOP 沉澱成 AI 代理可執行的 deploy skills，隨 bw-bidder / bw-infra 多個版本發佈。後續新增 tflearner 部署與 Searcher 上線觀察 skill，並把 Argo Workflows MCP 改為部署在 Kubernetes 叢集上的共用 server（streamable HTTP、改用上游 image）。
建構 Columnar 特徵工程與 ONNX serving 管線，取代舊 pbb64 離線特徵路徑
Research Developer (Bidder Team) · Bridgewell
以向量化 columnar 特徵生成取代 pbb64 → pythonnet → C# 舊路徑，將前處理 tokenize 編入 ONNX 子圖、輸出單一 full.onnx，並以 FG parity gold 驗證訓練與線上特徵一致。serving 端經 shadow 驗證與 A/B 實驗後，2026-08-31 全量上線為預設 ranker，舊的 C# ranker 與 shadow 路徑同步退場。
規劃並實作 Exploration v5 探索出價機制的跨 repo 落地，計數表由 Redis 移入出價服務記憶體
Research Developer (Bidder Team) · Bridgewell
演算法由研究團隊設計（陌生度 σ 改為三維加權，讓已探索足夠的對象停止加價）；我負責拆解落地需要的跨 repo 工作並逐一實作：bwproto 的 log 欄位與 per-imp 結構、bwlearner 的 feature generator 與 XXH64 key 指紋、exploration-updater 的 key 契約層，以及出價服務直接從 MinIO 載入計數快照並定時刷新。過程中也修正了 v4 的計數 bug：衰減格數無條件捨去，使 15 分鐘內再出現的 feature 永遠不衰減。