算法模型 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。

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。

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。

本系统是一套面向多源数据的可视化分析工具，基于Python数据分析生态构建，可读取结构化Excel数据源并自动生成专业级分析图表和HTML报告。 系统聚焦两大分析场景： 1. A股金融市场分析：读取沪深A股4000+只股票的实时数据，自动生成板块分布饼图、成交量Top15排行柱状图、涨跌幅分布直方图，直观展示市场结构和资金动向。针对个股（如贵州茅台600519），生 成日K线走势图并叠加MA20/MA60双均线，标注历史最高收盘价，辅助技术分析决策。 2. 豆瓣影评数据分析：读取豆瓣电影Top250完整榜单，生成评分分布直方图、评分区间占比饼图，以及年度电影数量与平均评分的双Y轴趋势图。可直观看到经典电影年代分布和评分走势。 所有图表统一采用专业配色方案，支持中文渲染，输出为高分辨率PNG图片（150 DPI）。同时自动生成一个响应式HTML分析报告页面，将所有图表嵌入精美卡片布局，包含概览统计卡片和技术指标说明，可直接用于演示汇报或嵌入Web页面。

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。

熟悉pytorch，tensorflow等主流深度学习框架，了解大模型底层架构原理，关注学术界最新论文，寻求应用部署方案，熟练使用llama-factory等微调工具LoRA，full调参。agent养成，自动化部署落地，网络信息安全，嵌入式开发等相关场景。提供端到端全栈式开发，从方案设计到项目落地测试，产品生命周期全流程陪跑跟踪，企业向量库构建，企业内部信息打通本地化部署，企业办公自动化，数据零出。提供竞对，隐性客户资源，痛点需求，企业未来方向分析等全流程追踪收集报告。自媒体平台全自动运营发布，24h客户、销售、报表系统化全流程自动化私人订制。

据 2020 年国际癌症研究机构（IARC）调查的最新数据显示，乳腺癌在全球女性癌症中的发病率为 24.2%，位居女性癌症的首位。在药物研发领域，利用预测模型对能够拮抗 ERα 活性的化合物进行筛选的方法受到广泛的关注，本文通过建立回归与分类预测模型，对化合物的生物活性和 ADMET 性质做多目标优化求解

在数字化浪潮席卷全球的今天，我们致力于通过创新技术与专业服务，为企业与个人提供高效、智能、定制化的解决方案。我们的业务核心围绕“智能交互与个性化服务”展开，旨在通过前沿技术打破传统服务壁垒，实现需求与资源的精准匹配。 我们的主营业务涵盖智能聊天机器人开发、个性化服务定制、心理健康辅助系统及企业级数字化解决方案。通过自主研发的自然语言处理模型与深度学习算法，我们打造的聊天机器人不仅具备流畅的对话能力，更能根据用户行为数据构建个性化画像，提供定制化建议与情感支持。例如，在心理健康领域，我们的系统能够通过语境分析识别用户情绪状态，结合认知行为疗法原理，提供缓解压力、调节情绪的互动引导，已在教育、职场、社区服务等场景中取得积极反馈。 在企业服务方面，我们为企业客户提供数字化转型支持，包括智能客服系统搭建、内部知识库自动化管理、客户行为分析平台等。通过模块化设计，我们的解决方案可灵活适配不同行业需求，帮助企业降低运营成本、提升服务效率。例如，某零售企业通过引入我们的智能客服系统，实现了7×24小时客户咨询响应，客户满意度提升35%，人力成本降低40%。 我们的技术优势在于“场景化落地能力”与“持续优化机制”。团队由资深AI算法工程师、心理学专家、行业顾问组成，确保技术开发与实际需求深度结合；同时，我们建立了数据驱动的迭代体系，通过用户反馈与行为数据持续优化模型性能，确保服务始终贴合用户动态需求。 未来，我们将继续深耕智能交互领域，拓展更多垂直场景应用，如教育辅导、健康管理、智慧养老等，让技术真正服务于人的需求，创造“有温度的智能体验”。选择我们，即是选择以创新为引擎、以用户为中心的合作伙伴，共同探索数字化时代的无限可能。

本项目构建了一套从视频下载到多平台分发的全自动化流水线。立项背景是内容创作者每天花费大量时间在视频下载、字幕制作、剪辑去重、多平台发布等重复性工作上。 核心功能模块： 1. 多平台视频采集：支持B站、抖音、快手、YouTube等主流平台视频下载。 2. 智能转写配音：Whisper语音转文字 + 背景音乐自动混音 + AI解说生成。 3. 画面去重：基于帧间相似度对比，自动识别并裁剪重复/低信息量画面。 4. AI内容润色：大模型优化字幕文本，自动生成标题、简介、标签。 5. 批量发布调度：对接各平台API，支持定时发布与发布状态追踪。 6. 仪表盘监控：实时查看处理进度、成功率、Token消耗等运营指标。

该项目为外贸企业打造了一套基于AI大模型的客户自动沟通系统，支持WhatsApp消息的智能回复与客户意图识别。 立项背景：外贸客户分布在多个时区，夜间询盘无法及时回复导致丢单率高。客户需要一套7×24小时自动响应系统，能理解英文询盘意图、自动回复常见问题、标记高价值客户并通知人工跟进。 核心功能模块： 1. WhatsApp Web消息监听：实时监控WhatsApp Business收件箱，自动捕获新消息 2. AI意图识别引擎：基于大模型分析客户消息，自动识别"询价""样品需求""合作意向""投诉""寒暄"五类意图 3. 智能回复生成：针对不同意图生成定制化回复，支持中英文双语 4. 客户分级标记：根据对话内容自动标记客户优先级（高/中/低），高价值客户实时通知人工介入 5. 对话历史归档：所有对话自动存入数据库，支持按客户、时间、意图类型检索 业务流程：WhatsApp消息到达 → AI意图分析 → 自动回复/标记优先级 → 高价值客户飞书通知 → 人工介入。

立项原因，快速对学生做的试题进行批改。 行业场景，为了解决辅助老师批改作业和学生做题后批改。 主要的功能模块，登陆模块，错题本，批改记录，单体批改，整页批改，跨页题批改，批量批改等。 错题本可以收藏批改的每一道题，把每一道题单独切分出来进行收藏。批改流程是，学生把做完的习题拍照后，系统自动切题，把每一道题进行批改和坐标识别。

一、立项背景与目标 港口岸桥电机碳刷在振动、粉尘、光照多变环境下易掉落，人工巡检难以及时发现，易造成电机损坏及停机损失。本项目基于NVIDIA Jetson边缘计算平台，在Ubuntu系统上部署YOLOv8模型，实现碳刷状态的实时视觉检测，替代人工巡检。 二、软件功能与核心模块 软件功能包括：RTSP视频流实时解码与预处理、YOLOv8模型推理（在位/掉落二分类）、滑动窗口防抖滤波、检测结果可视化叠加、报警状态输出（通过HTTP/Modbus接口与PLC对接）。核心模块： 视频接入与预处理：使用OpenCV解码多路RTSP流，完成尺寸缩放、归一化及光照自适应增强； YOLOv8推理引擎：在Jetson上将训练好的PyTorch模型转换为TensorRT格式，利用GPU加速实现实时推理。 状态判定与防抖：实现连续N帧滑动窗口投票机制，过滤因振动或飞鸟造成的单帧误检； 系统集成与输出：基于Ubuntu开发后台服务，通过HTTP/Modbus协议向PLC方提供报警状态接口，供对接人员调用。 三、业务流程与功能路径 业务流程：摄像头采集碳刷图像 → OpenCV解码并预处理 → YOLOv8 TensorRT推理输出状态 → 滑动窗口防抖确认 → 更新报警状态至共享接口 → PLC方轮询读取或接收推送。功能路径：通过Web配置页面添加RTSP源并设置检测区域；调整置信度阈值与防抖帧数；查看实时检测画面（绿框在位/红框掉落）；通过HTTP接口获取当前状态供PLC对接测试。

本项目核心业务为货车始发场故障检测算法的研发、优化与落地实施，聚焦货车始发编组环节的故障排查需求，通过技术创新解决人工排查效率低、隐患识别不全面的行业痛点，提升货运安全管理水平，强化行业技术竞争力。项目以实现货车故障精准、高效识别为目标，完成从算法研发、系统开发到部署交付的全流程落地，最终通过可研评审，为后续实际应用奠定基础。

该项目面向边缘智能摄像机场景，目标是在 MLU-3226 平台上实现图像采集、端侧智能分析、视频流输出、远程通信和设备升级等能力。系统主要包括设备接入、图像处理、AI 推理、RTSP 推流、网络通信、OTA 升级和系统配置管理等模块。业务流程上，摄像机完成图像采集后进入图像处理模块，结合检测、识别、OCR 等模型完成端侧推理，再将原始视频或处理结果通过 RTSP、HTTPS/TOR 等方式对外提供，支持远程查看、数据上报、状态管理和版本升级，提升设备在复杂现场环境下的自动化运行能力。

为解决省级电网负荷预测精度不足、调度响应滞后的问题，本系统构建了集数据采集、负荷预测、优化调度、实时监控于一体的后端平台。系统通过对接电力 SCADA 系统、气象数据接口，采集电网运行的实时数据；基于 LSTM 深度学习模型实现未来 24 小时 / 72 小时的负荷预测，预测准确率达 96% 以上；结合预测结果与电网约束条件，生成优化调度方案，自动分配发电机组出力；同时提供电网运行状态的实时监控、异常告警、报表统计功能，为电网调度人员提供决策支持，有效降低电网峰谷差，提升电网运行效率与稳定性。

Transformer是一种基于自注意力机制的神经网络架构，最初应用于自然语言处理领域，因其强大的序列建模能力而被广泛用于时间序列分析任务。在物联网传感器故障检测与定位中，传感器数据表现为多变量时间序列，Transformer能够捕捉长距离依赖关系，从而有效识别异常模式。

电影评分网站每天产生海量用户评论，人工判断情感倾向效率低。传统词典方法无法捕捉上下文语义。本项目利用循环神经网络对评论文本进行自动情感二分类（正面/负面），帮助平台快速了解用户反馈。 核心功能：① 输入一段英文电影评论，输出正面/负面情感标签及置信度；② 支持 RNN、LSTM、GRU 三种模型对比（可选）；③ 提供模型训练过程中的损失/准确率曲线以及最终对比指标。 业务流程：用户输入文本 → 选择模型类型（或使用最佳模型） → 文本预处理（分词、填充） → 模型推理 → 显示情感标签与概率。