---
title: "Roman Matveev"
url: "https://ramenm.com/zh"
markdown_url: "https://ramenm.com/zh/index.md"
locale: "zh"
content_language: "zh-Hans"
page_kind: "home"
source: "localized_path"
llms_url: "https://ramenm.com/llms.txt"
llms_full_url: "https://ramenm.com/llms-full.txt"
---

# Roman Matveev - Roman Matveev
> 软件开发者 · 远程 · UTC+3

写能正常运行的服务。

软件开发者，5年以上 Python 经验。在规划、实现、调试和验证阶段都会使用 AI 工具。一个合同项目中，开发成本降低约 3 倍。项目需要时，也会写 Rust 和 Go。

远程 · 全职和合同

## 我的工作方式
我尽量不把系统变得神秘。先看真实输入、慢的地方、错误，以及服务上线后如何运维。保持实现足够简单，让另一个开发者可以继续。

### 我通常负责什么
- AI辅助开发：每个阶段都用神经网络，从规划到调试
- Python服务：FastAPI、contracts、validation、tests、logs
- 集成和API：retries、timeouts、错误处理、支持
- 优化：profiling、cache、async I/O、清理瓶颈

### Principles
- **先测量当前路径** - 修改代码前需要 baseline：logs、timings、request shape 和最慢的 dependency。
- **让失败变得普通** - Retries、timeouts、validation 和可读错误比聪明代码更重要。
- **考虑下一个开发者** - 交接应包含 contracts、config、tests 和 production debugging 所需的上下文。
- **AI 是工具，不是魔法** - LLM features 同样需要 inputs、fallbacks、cost control 和 observability。

## 项目
每个案例只保留关键信息：问题、实现、结果，以及为什么便于后续维护。

### [nnzen 模型目录](https://ramenm.com/zh/projects/llm-models-hub/index.md)
实时 LLM 模型目录：收集模型数据、统一格式，并让模型比较更快完成。
- Role: Founder / Backend Developer
- Impact: 模型调研从多标签页和笔记，变成一个可搜索的比较界面。
- Stack: Python, FastAPI, LLM APIs, RAG, Vector DB / pgvector, Tool calling

### [MCP core for an LLM assistant](https://ramenm.com/zh/projects/enhanced-mcp-agent/index.md)
LLM assistant 的 backend core，包含 plugin execution、hot reload、tool chains 和 explicit context handoff。
- Role: AI Tooling Developer
- Impact: 可以添加新 tools 而不重写 assistant core，并且 tool execution 更容易 inspect。
- Stack: Python, FastAPI, MCP, Tool calling, LLM APIs, Docker / Docker Compose, TypeScript

### [FastAPI backend performance cleanup](https://ramenm.com/zh/projects/fastapi-backend-performance/index.md)
优化 FastAPI API path：async I/O、connection reuse、Redis cache、request validation、metrics 和移除 serial bottlenecks。
- Role: Python 后端开发者
- Impact: 在 repeatable benchmark profile 中，throughput 从约 1,600 提升到约 8,200 RPS，p95 latency 约降低 70%。
- Stack: Python, FastAPI, asyncio, Pydantic, Redis, PostgreSQL, SQLAlchemy, Docker / Docker Compose, REST APIs / Webhooks, Prometheus / monitoring / logging

### [Resilient data collection workflows](https://ramenm.com/zh/projects/resilient-data-collection/index.md)
为 external web systems 构建 collection 和 debugging workflows，目标行为会变化，failures 必须可诊断。
- Role: Python Data / Backend Developer
- Impact: Failures 更容易 classify、reproduce 和 fix，不需要每次从零开始。
- Stack: Python, Web scraping, Reverse engineering, Playwright, ClickHouse

## 工作经历


### NDA - 软件开发者
- Period: 10月 2024 - 至今
- Mode: 合同，兼职
- Summary: 在团队中开发和完善production服务。AI工具贯穿整个开发周期。
  - 负责多个生产服务（30k-1.5M行代码）：新开发、维护、legacy模块重构。
  - 通过AI工具将开发成本降低约3倍：代码生成、code review、测试自动化。
  - 在同一项目中使用Python、Rust和Go，在主要技术栈之外完成任务。

### 自由职业 - Python后端开发者
- Period: 2月 2023 - 至今
- Mode: 远程，与合同并行
- Summary: 后端优化、自有产品和客户工具。
  - 上线nnzen.com：实时LLM目录，500+模型。FastAPI + PostgreSQL + Next.js。
  - 优化客户 FastAPI hot path：throughput 从约 1,600 提升到约 8,200 RPS，p95 latency 约降低 70%。
  - 为LLM助手构建plugin runtime：hot reload、工具调用链、上下文传递。

### Bright Data - 数据采集开发者
- Period: 5月 2021 - 2月 2023
- Mode: 远程，全职
- Summary: 为大型数据平台开发scrapers和collectors。处理不同复杂度的网站，包括受anti-bot系统保护的网站。
  - 编写300+ scrapers/collectors：解析、验证、edge cases，针对不同结构和保护的网站。
  - 分析HTTP流、JS运行时和anti-bot系统行为，实现稳定数据采集。
  - 为不稳定目标建立诊断机制：日志、可复现性、清晰的报告。

## 需要能搞定messy systems的开发者？
适合涉及API、performance、data flows、AI tooling或需要把旧自动化变成可维护代码的任务。

远程。开放考虑全职职位和单独的合同任务。

### Contact links
- [Email](mailto:ramenm.work@gmail.com)
- [Telegram](https://t.me/ramenm44)
- [GitHub](https://github.com/Ramenm)
- [nnzen.com](https://nnzen.com)

## Agent-friendly resources
- Markdown fallback for this page: https://ramenm.com/zh/index.md
- llms.txt: https://ramenm.com/llms.txt
- llms-full.txt: https://ramenm.com/llms-full.txt
- Sitemap: https://ramenm.com/sitemap.xml