人工智能 软件定制 案例

一、立项背景与目标 1. 立项背景 在传统的知识库问答系统中，普遍存在以下痛点： - 流程混乱：通用ReAct Agent在处理复杂业务时，容易发生步骤跳跃或逻辑错乱，导致回答质量不稳定。 - 上下文断裂：多轮对话中，用户常使用代词（如“它多少钱？”），传统向量检索缺乏指代消解能力，导致检索失败。 - 意图混杂：闲聊式提问（如“你好”）与知识检索式提问（如“XX产品参数是多少”）被统一处理，浪费算力且影响用户体验。 - 状态丢失：用户刷新页面或稍后再访问时，对话历史无法延续，每次都是“新会话”。 2. 项目目标 - 构建一个流程可控、意图可分流、上下文可理解、状态可持久的智能知识助手。 - 实现复杂业务逻辑的结构化解耦，提升系统的可维护性与稳定性。 - 显著提升多轮对话场景下的检索命中率与回答准确率。 二、软件功能与核心模块 1.整体功能概述 本系统是一个基于LLM的智能对话式知识库问答助手，支持用户通过自然语言提问，从向量知识库中精准检索并生成回答。系统特别强化了多轮对话中的指代消解能力与流程可控性。 2.核心功能模块介绍 模块名称 功能说明 Planner（规划器） 基于LLM + 专用Prompt，硬编码业务流程。负责解析用户请求，按固定流程调度执行，防止逻辑跳跃。 语义路由器 基于LLM的分类工具，动态识别用户意图为“chat”（闲聊）或“retrieval”（知识检索），实现分支分流。 历史加载与写入模块 与Redis集成，自动追加对话历史，确保跨会话的上下文连续性。 查询重写模块 结合历史对话，将存在指代或省略的用户问题（如“它多少钱？”）改写为语义完整的独立问句。 混合检索引擎 同时执行向量语义检索与关键词检索，通过RRF算法融合排序，提升召回效果。 Executor（执行器） 根据Planner的指令，调用重写、检索、生成等环节，最终输出回答。 系统流程严格遵循：语义路由 → 历史加载 → (分支判断) → 查询改写/直接回答 → 知识库检索 → 最终生成 三、业务流程与功能路径 以下为用户与系统交互的完整功能路径描述： 场景一：用户进行知识检索（多轮对话） 场景二：用户发起闲聊 场景三：用户首次访问 / 会话恢复

本项目主要面向无人驾驶仿真研究、智能车辆轨迹跟踪与轻量化控制算法验证场景，围绕端到端自动驾驶技术开展系统设计与实验开发。项目基于 CARLA 仿真平台构建虚拟驾驶环境，通过采集车辆前视图像、行驶状态和控制指令等数据，训练轻量化神经网络模型，实现从环境感知输入到车辆控制输出的端到端映射。项目可用于自动驾驶算法教学、科研训练、数据采集、模型训练、仿真测试和轨迹跟踪效果评估，为低成本、高效率的自动驾驶算法验证提供支持。 本项目主要功能包括仿真环境搭建、自动驾驶数据采集、数据预处理、模型训练、模型推理和效果评估等模块。系统可在 CARLA 仿真环境中生成车辆行驶场景，自动采集车辆前方图像、方向盘转角、油门、刹车等控制数据，并生成对应的数据标签文件；同时支持对采集数据进行划分和预处理，形成训练集、验证集和测试集。模型部分采用轻量化端到端神经网络结构，通过输入车辆前视图像，直接预测车辆控制指令或轨迹跟踪相关参数，从而实现车辆在仿真道路中的自主行驶与轨迹跟踪。项目还支持训练过程记录、模型保存、测试推理和结果可视化，便于对算法性能进行分析和改进。

基于 Kubernetes 和 Ray 构建大规模分布式训练系统，常常会面对一个典型需求：训练任务需要调用独立的仿真环境（如游戏引擎、机器人模拟器、工业仿真软件等），而这些仿真环境本身已打包为 Docker 镜像，必须在一个隔离的容器内运行。此时，将容器化的仿真环境与 Ray 的工作节点相结合，并在 Kubernetes Pod 内安全、高效地运行仿真容器，就成了架构的关键。Docker‑in‑Docker（DinD）便是解决此类场景的重要技术之一。

本项目是一个面向学生事务资料查询场景的 AI 问答工具，主要解决学生在阅读学生手册、校规文件和办事流程时查找困难、理解成本高、重复咨询多的问题。 系统支持基于已整理资料进行智能问答，用户可以咨询学籍管理、考试安排、奖学金、请假、处分、实践学分等规则类问题。项目提供普通回答和专业回答两种模式：普通回答适合快速查询，专业回答会补充依据、办理流程、可信度提示和必要的流程图说明。 系统还支持资料上传学习功能，可将 Markdown 或文本格式的规章文件加入知识库，使问答范围不局限于默认资料。整体目标是把分散、较长、阅读门槛较高的制度文件，转化为更容易理解和检索的交互式问答体验。

SmartLearn Pro 是一个面向英语学习场景的 AI 学习平台，核心目标是把文章、单词、听说读写训练和复习计划整合到一个学习闭环中。系统支持文本/PDF 导入、AI 阅读分析、生词提取、闪卡复习、记忆曲线复习、阅读考试训练、翻译挑战、AI 写作批改、口语教练、学习笔记、知识图谱和学习流画布等功能。 用户可以导入学习资料，系统自动生成词汇、语法结构、阅读理解题和复习内容；在学习过程中可以将生词、难句、错题和写作素材沉淀为笔记，并通过 FSRS 记忆算法安排后续复习。项目还集成了语音识别、AI 对话和 TTS 语音合成能力，用于模拟 IELTS、商务英语、日常聊天等口语训练场景，帮助用户完成从输入、练习、反馈到复习的完整学习流程。

AI 智能翻译：支持 OpenAI 及其兼容 API（如 DeepSeek, Groq 等），可对文章进行高保真全文翻译。 AI 核心摘要：一键生成文章要点，快速筛选有价值内容。 GReader API 兼容：完美支持 Google Reader 协议，可作为各类移动端（如 NetNewsWire, Reeder 等）的后端服务。 Token 使用量统计：透明化展示 AI 接口的使用量（Prompt/Completion），帮助掌控成本。 极致自定义样式：支持用户自定义 CSS，随心所欲定制翻译文本的展示外观。 多架构支持：原生支持 Docker 部署，适配 amd64 与 arm64 架构（支持树莓派等设备）。

为解决生产环境故障排查效率低、依赖人工经验的问题，需构建一套具备自动诊断与经验复用能力的智能运维助手。(1) 构建运维Agent，将性能诊断、故障排查等场景封装为Skill，通过意图路由按需调用；基于MCP集成监控、日志等运维工具辅助诊断。(2) 构建多层记忆机制。短期记忆基于Redis实时维护诊断会话状态；向量记忆跨周期召回相似历史故障案例；图记忆基于Neo4j建立服务、告警、故障等依赖关系，支持根因追溯。(3) 经验闭环与RAG知识库构建。基于已解决的故障事件，自动提取故障模式与解决方案并写入记忆，实现知识复用闭环；支持文档上传，经智能切分、向量化后索引入库，为诊断提供外部知识支撑

重点车辆管控平台，基于AI能力，通过源头管控、车路联动等多种维度研判，对重点车辆违法行为进行抓拍，形成车辆画像，包括：无证运输、未苫盖车辆、道路遗撒、改装车、遮掩污损号牌等，为城市管理提供执法依据，实现执法闭环。

结合前后端和人工智能技术完成小说创作系统： 尽管大模型上下文已经堆积到 1M 大小，但是小说系统过于复杂，需要强烈的上下文链接以及关系梳理等，同时大模型并不能一次就完成整本小说的创作，往往需要不停的审查重写、润色等。合理的框架才是成功的根本。

随着智慧物流行业的快速发展，物流领域的知识体系日益复杂，从业人员、学生和相关研究者在获取专业的物流知识时往往面临信息分散、查询效率低下的问题。传统的搜索引擎难以提供精准的领域知识问答服务，而通用的大语言模型又缺乏物流领域的专业知识，容易产生幻觉内容，回答的准确性和可信度无法保证。为了解决这些问题，本文设计并实现了一个基于检索增强生成技术的智慧物流RAG问答系统。

1、招标文件合规审查应用建设：通过对标国资委合规风险审查要点。服务企业采购中招标书的风险筛查、编制即合规，源头把控风险、实现招标合法、合规、合理。 2、供应链智能评标示范应用建设：通过梳理招标书响应内容响应要求来检查投标文件。服务企业采购中对招标书的响应审查、帮助招标企业节省清标时间，帮助投标企业提升标书质量。

为一款基于Claude大语言模型的AI助手PWA（渐进式Web应用）， 面向个人提供智能对话、任务辅助等功能。 立项背景：随着大模型能力提升，用户对个性化AI助手需求增加，本项 目旨在提供一个可定制、可私有部署的AI对话平台。 核心功能模块：1）多轮对话管理，支持上下文记忆；2）PWA离线缓存 ，支持移动端安装；3）后端API服务，对接Claude模型接口；4）用户 会话持久化存储；5）自定义人格与提示词配置。 业务流程：用户通过Web端发起对话请求，前端调用后端Node.js服务， 后端转发至Claude API并返回流式响应，前端实时渲染输出结果。

系统需要支撑高并发的实时电信号上传，并对接了深度学习模型进行电器类型识别。为此，我做了几个关键设计： 用 JWT 做无状态认证，保障 API 和 WebSocket 的安全； 用 WebSocket 把采样的电信号流式推送到前端，Vue 界面实时绘制波形； 用 Redis 做波形片段缓存、设备状态存储和分布式锁，防止多实例重复处理； 模型服务由 Python 团队使用 PyTorch 提供，我通过 gRPC 协议与之通信，利用 Protobuf 序列化提升性能，并针对长波形数据采用了服务端流式调用。

SagooIOT物联网平台是一款功能强大、安全可靠的物联网基础平台，可助力企业快速构建物联网应用，实现数字化转型。平台支持多种通信协议，可灵活接入不同类型设备；提供实时数据采集、分析和处理能力，帮助企业挖掘数据价值；支持设备远程控制、监控和运维，降低运维成本，提升运维效率；此外，还支持物模型定义、可视化大屏、流媒体服务、开放API等功能，可广泛应用于智慧城市、智慧农业、工业制造、能源管理等多个领域。 平台向上对外开放功能完善的北向应用接口，支持第三方系统利用这些接口对接物联网平台，实现对设备的监控管理、远程控制等功能。平台预集成了规则引擎、可视化大屏、流媒体等核心服务，具有快速业务组装和交付的能力。 平台还提供了场景联动、设备远程控制、OTA固件升级等功能组件。平台具有高扩展性和开放性，可以方便地对接外部系统。 SagooIOT 具有完整的物联网平台关键能力覆盖，是一个功能强大、稳定可靠的企业级IoT平台解决方案。 SagooIOT，赋能万物互联，智领数字时代！

立项背景与目标： 在 Nordic nRF 及配套电源管理芯片（CPS、TPS）的产测与研发调试中，烧录流程往往依赖 J-Link 命令行、OpenOCD、工装 RPC 上电、固件 SCP 上传等多套工具，操作步骤多、易出错，且不同工站（PowerDFU、DataDFU、PowerFCT、DataFCT）流程不一致。本项目旨在用 Python 开发统一的一键烧录与工装控制 CLI，将「选固件 → 选工位 Slot → 自动上电 → 烧录 → 校验 → 下电」串联为可重复的标准流程，并支持打包为 macOS 单文件可执行程序，便于产线工程师与硬件研发人员开箱即用。 核心功能模块： 1）多工站模式：支持 PowerDFU、DataDFU、PowerFCT、DataFCT 四类 Station，按 Slot（1–4）自动映射 RPC 端点 IP/端口； 2）Nordic nRF 一键烧录：集成 SEGGER JLinkExe，自动扫描/选择 J-Link 序列号，生成并执行 Commander 脚本，支持 .bin/.hex、擦除、校验及烧录结果智能判定； 3）PowerDFU 扩展烧录：CPS/TPS 通过 RPC 控制继电器与 I2C 自动烧录，固件经 SCP 上传至工装；ULPOD 走 OpenOCD program_onefile 链路； 4）工装 RPC 自动化：烧录前后自动执行上电/下电、继电器切换、电压测量等 mixdevice 调用，减少人工拨码与接线失误； 5）交互与可观测：彩色终端 UI、进度条/Spinner、固件 SHA256 与路径校验、J-Link 日志解析与失败原因提示；支持 PyInstaller 打包 universal2 单文件分发。 业务流程与功能路径： 工程师启动 CLI（或 MagicTool 可执行文件）→ 选择 Station 与 Slot → 选择操作（烧录 / 一键上电 / 一键下电）→ 拖入或输入固件路径（.bin/.hex）→ 工具按工站 profile 调用 RPC 完成 DUT 上电与继电器配置 → 执行 J-Link 烧录或 CPS/TPS/ULPOD 对应烧录链路 → 实时展示烧录进度与日志 → 自动解析 success/verify 等关键字判定结果 → 烧录结束后 RPC 下电复位 → 提示是否继续下一台 DUT。该工具将分散的嵌入式烧录与产测工装操作收敛为「一条命令、一套交互」，显著提升产线烧录效率与操作一致性。

安全防护体系：为插件运行构建了沙箱环境、熔断保护及白名单访问控制。 AI原生开发范式：利用AI辅助编程，单人完成从系统架构设计到核心功能模块的开发。 动态密钥管理：实现了云端模型API密钥的动态管理与自动切换，保障系统高可用

本系统针对水泥企业包装环节的车辆排队、装车调度、数量核验等痛点，打造全流程智能管理方案。 核心模块：排队管理模块、调度模块、智能装车模块、AI大模型识别计数模块。 业务流程：车辆入场时自动读取车号，系统根据车号查询计划装车品种，并动态分配车辆进入对应排队队列。各装车线按照排队顺序进行智能调度，引导车辆依次就位。司机扫码确认后开始装车，此时AI大模型实时识别水泥包装袋并自动计数，确保装车数量精准无误。系统还能自动识别并扣除破损包装，避免人工核验误差，显著提升装车效率与数据准确性。

本项目是一套基于 AI 大语言模型的智能聊天平台，支持自然语言对话、AI写作、代码生成、学习辅助以及内容创作等功能。平台采用前后端分离架构，支持实时流式输出、多轮上下文记忆、历史会话管理以及用户系统。 系统主要面向学生、办公用户以及内容创作者，通过 AI 提升信息处理与创作效率。用户可以通过平台快速完成文章生成、代码辅助、学习问答等任务。 后台系统支持用户管理、Token统计、敏感词审核、会话管理以及数据监控，方便运营维护。

本项目构建了一套融合提示词工程、指令微调、大语言模型（Large Language Model, LLM）与检索增强生成（Retrieval-Augmented Generation, RAG）技术 的中医痞满智能辅助诊疗智能体，实现了多种前沿技术在中医领域的协同应用。 该智能体基于指令调优采用多层次 LLM 推理框架，整合本地化知识库检索机 制，实现了多模态数据（包括文本、语音及图像）到中医辨证论治决策的全流程 智能化处理。

图3 （二）学习板块：系统课程+趣味实践 这是我们精心打造的Python学习核心区域，采用"双轨并行"的学习模式： 课程学习模块（如图4） ● 资源整合：精选B站等优质平台的Python基础、数据挖掘等系列课程 ● 分类清晰：按模块、方向进行分类，支持按需深入学习 ● 适配人群：从零基础入门到进阶提升，覆盖不同学习阶段 图4 趣味学习模块 这是我们特别设计的创新功能，将枯燥的编程练习变成有趣的挑战： 1. 拆解代码挑战：提供一段完整代码，要求分析其功能、逻辑和算法，培养代码阅读能力 2. 魔改挑战：给定代码和新的需求，需要修改代码实现特定功能，加深对Python语法和逻辑的理解 3. 代码溯源：从运行结果反推代码实现，锻炼逆向思维和问题分析能力 这种游戏化的学习方式让我们在测试中发现，用户的学习积极性显著提升，平均学习时长增加了40%以上。 如图5 图5 AI编程助教 这是一个24小时在线的智能助教，它的核心能力包括： ● 多模态输入：支持文字描述、代码截图、错误信息截图等多种提问方式 ● 智能诊断：快速识别语法错误、逻辑问题、运行时错误，并分析产生原因 ● 分级讲解：根据用户水平自动调整讲解深度，初学者讲得更详细，有基础的同学提供进阶知识 ● 标准化流程：每次回答按照"问题分析→解决步骤→代码示例→知识拓展"的顺序，帮助系统性理解 （三）发现模块：构建学习社区生态 学习不应该是孤独的，我们打造了一个活跃的编程学习社区： 交流圈 ● 热门话题：以弹幕形式滚动展示当前热门讨论话题，点击即可进入 ● 文章列表：支持"最热/最新/精华"排序，可按类型筛选 ● 互动功能：评论、点赞、分享，形成良好的学习氛围 社区互动入口 ● 代码分享墙：计划中的功能，用于展示优秀代码作品，支持双向学习 ● 学习小组：规划中的功能，支持组队学习、进度同步、相互监督 交流互助板块 ● 问题答疑：遇到编程问题可以发帖求助，社区成员或AI助手提供解答 ● 经验分享：学习心得、踩坑经验、项目总结都可以在这里分享 ● 知识沉淀：优质问答会被标记为精华，形成知识库 博客功能（如图6） ● 学习日志：记录每天的学习内容、心得体会、成长轨迹 ● 技术分享：发布学习指导、教程文章 ● 数据可视：查看自己的文章点赞量、浏览量、粉丝数 三、AI智能体应用（核心创新，如图7） 这是我们项目的最大亮点！我们基于Coze AI平台，设计并实现了五个具有实际应用价值的AI智能： 图7 场景一：AI智能招聘助理（校招小助手） 设计初衷：临近毕业时，我们发现很多同学因为缺少面试经验而紧张失常。如果能有一个AI面试官陪你练习，是不是能更从容地应对真实面试？