业务和功能介绍
通过引入知识图谱，我们的菜谱搜索系统将具备：
- 结构化知识表达：以图的形式显式编码实体间的语义关系
- 增强推理能力：支持多跳推理和复杂关系查询
- 智能查询路由：根据查询复杂度自动选择最适合的检索策略
- 事实性与可解释性：基于图结构的推理路径提供可追溯的答案
极大的拓展大语言模型的能力，用较小的模型+知识图谱就可以实现超大参数模型的推荐能力。而且通过对大语言模型的量化和部署，可实现本地快速的推理，而不依赖云端网络。
- 结构化知识表达：以图的形式显式编码实体间的语义关系
- 增强推理能力：支持多跳推理和复杂关系查询
- 智能查询路由：根据查询复杂度自动选择最适合的检索策略
- 事实性与可解释性：基于图结构的推理路径提供可追溯的答案
极大的拓展大语言模型的能力，用较小的模型+知识图谱就可以实现超大参数模型的推荐能力。而且通过对大语言模型的量化和部署，可实现本地快速的推理，而不依赖云端网络。
项目实现
关键技术
1. 图数据准备模块 (GraphDataPreparationModule)
- 功能：连接Neo4j数据库，加载图数据，构建结构化菜谱文档
- 特点：支持图数据到文档的智能转换，保持知识结构完整性
2. 向量索引模块 (MilvusIndexConstructionModule)
- 功能：构建和管理Milvus向量索引，支持语义相似度检索
- 特点：使用BGE-small-zh-v1.5模型，512维向量空间
3. 混合检索模块 (HybridRetrievalModule)
- 功能：传统的混合检索策略，结合向量检索和关键词查询
- 特点：双层（dual level)检索（实体级entity+主题级topic），向量检索
4. 图RAG检索模块 (GraphRAGRetrieval)
- 功能：基于图结构的高级检索
- 特点：支持多跳推理、子图提取、实体关系识别、相似实体聚类
5. 检索结果融合重排(Reranker):
- 功能：对检索结果按照与query的相关性排序
- 特点：使用bge-reranker-base模型
6. 智能查询路由 (IntelligentQueryRouter)
- 功能：分析查询特征，自动选择最适合的检索策略
- 特点：LLM驱动的查询分析，动态策略选择
7. 查询重写(QueryRewrite)
- 功能：对用户的问题重写，减少口语化和模糊的表达，增强检索效果
- 特点：LLM驱动
8. 生成集成模块 (GenerationIntegrationModule)
- 功能：基于检索结果生成最终答案
- 特点：支持llm api调用(e.g. kimi) 和 llm model(e.g. qwen25-7b-instruct)两种方式
我负责全项目整个模块的搭建和demo开发和测试
1. 图数据准备模块 (GraphDataPreparationModule)
- 功能：连接Neo4j数据库，加载图数据，构建结构化菜谱文档
- 特点：支持图数据到文档的智能转换，保持知识结构完整性
2. 向量索引模块 (MilvusIndexConstructionModule)
- 功能：构建和管理Milvus向量索引，支持语义相似度检索
- 特点：使用BGE-small-zh-v1.5模型，512维向量空间
3. 混合检索模块 (HybridRetrievalModule)
- 功能：传统的混合检索策略，结合向量检索和关键词查询
- 特点：双层（dual level)检索（实体级entity+主题级topic），向量检索
4. 图RAG检索模块 (GraphRAGRetrieval)
- 功能：基于图结构的高级检索
- 特点：支持多跳推理、子图提取、实体关系识别、相似实体聚类
5. 检索结果融合重排(Reranker):
- 功能：对检索结果按照与query的相关性排序
- 特点：使用bge-reranker-base模型
6. 智能查询路由 (IntelligentQueryRouter)
- 功能：分析查询特征，自动选择最适合的检索策略
- 特点：LLM驱动的查询分析，动态策略选择
7. 查询重写(QueryRewrite)
- 功能：对用户的问题重写，减少口语化和模糊的表达，增强检索效果
- 特点：LLM驱动
8. 生成集成模块 (GenerationIntegrationModule)
- 功能：基于检索结果生成最终答案
- 特点：支持llm api调用(e.g. kimi) 和 llm model(e.g. qwen25-7b-instruct)两种方式
我负责全项目整个模块的搭建和demo开发和测试
示例图片视频
相似推荐
网络安全领域大模型微调
基于网络安全领域的大模型微调
本项目聚焦网络安全领域大模型定制化微调，旨在解决通用大模型在安全场景下专业性不足的问题。核心基于Llama2等开源基座模型，依托包含漏洞分析、攻防对话、安全日志解析、恶意代码研判的专属数据集，通过Transformers框架实现模型微调。流程涵盖数据预处理（分词、截断、格式化）、训练参数配置（批次大小4、3轮训练、GPU加速）、模型训练与验证，最终输出适配网络安全场景的专用模型。微调后的模型可精准理解安全领域术语，高效完成漏洞研判、攻击行为分析、安全问答等任务，大幅提升网络安全运营与应急响应的智能化水平。
智能安防系统
实现智能安防系统，获取区域所有摄像头数据，调用算法实现区域人员防护，实现电子围栏，安全告警，并通过数字孪生技术进行全局显示。使用主要技术包括视觉目标识别、目标跟踪、目标定位、数字孪生技术。
python源代码加密混淆-python源代码加密混淆
（一）定制化Python爬虫开发
1. 全场景数据采集定制
- 支持网页、APP接口、小程序、API接口等多源数据采集，适配静态页面、动态JavaScript渲染（Vue/React）、反爬机制（验证码、IP封锁、Cookie验证）等复杂场景。
- 可定制数据字段提取、格式转换（Excel/CSV/JSON/数据库直连）、定时采集、增量更新等个性化需求。
2. 反爬策略深度适配
- 内置IP池自动切换、User-Agent随机伪装、请求频率控制、Cookie池管理等基础反爬方案；
- 针对高难度反爬场景（滑块验证、短信验证、设备指纹识别），提供定制化破解方案，确保爬虫稳定运行。
3. 爬虫性能优化
- 支持多线程、多进程、异步协程（aiohttp）优化，提升采集效率；
- 实现断点续爬、异常重试、日志监控功能，避免数据丢失，便于问题排查。
（二）高强度代码加密混淆
1. 多层级混淆防护
- 基础混淆：变量名/函数名/类名随机替换（支持自定义规则）、代码逻辑打乱、冗余代码插入、注释清空；
- 进阶混淆：控制流扁平化（嵌套分支重构）、指令乱序、字符串加密（Base64/AES/RC4）、常量加密隐藏；
- 高强度混淆：虚拟机保护（将核心逻辑转为自定义字节码）、反调试（禁止断点调试、检测调试工具）、反编译防护（防止PyInstaller打包后被反编译）。
2. 爬虫专属混淆优化
- 针对爬虫核心逻辑（请求参数构造、反爬策略、数据解析算法）重点加密，避免核心思路泄露；
- 保留爬虫运行效率，混淆后不影响采集速度与稳定性。
3. 多格式输出支持
- 支持.py源码直接混淆、.pyc字节码加密、PyInstaller打包后exe/elf文件加固，适配Windows、Linux、Mac多系统。
（三）附加增值服务
1. 售后技术支持：提供1-3个月免费bug修复、爬虫反爬策略更新适配、混淆方案优化；
2. 个性化定制：根据客户需求整合代理IP、验证码识别接口、云存储等第三方服务；
3. 教程文档配套：提供混淆后代码使用说明、爬虫部署教程、常见问题排查手册。
三、服务优势
1. 技术专业性：深耕Python爬虫与代码安全领域，适配各类复杂场景，拒绝“通用化模板”，每单均为定制开发；
2. 安全可靠性：加密混淆方案经过多轮反编译、反调试测试，确保代码难以破解，爬虫稳定抗封；
3. 高效响应：快速对接需求，明确开发周期（简单需求1-3天，复杂需求3-7天），支持加急开发；
4. 灵活合作：支持“爬虫开发+加密混淆”一站式服务，也可单独承接爬虫开发或代码混淆需求，按需求定价。
四、适用客户
- 开发者/编程爱好者：需要定制特定场景爬虫，或希望保护自己的爬虫代码不
智能表单助手系统（中国华能驻场项目）
立项原因：传统企业办公流程中，员工填写各类业务表单（如用车申请、物资领用）需反复查找字段、手动输入，耗时长、易出错，且流程割裂。
行业场景：在大型能源国企的数字化转型背景下，存在大量标准化业务流程需提效。本项目针对华能内部办公场景，通过对话式AI实现“口述即填表”，将传统纸质/电子表单流程升级为智能交互流程，提升员工体验与行政效率。
餐饮数据分析专家系统-Mobo
该产品定位为“餐饮数据分析专家系统”，背景是餐饮门店数据（菜品、利润、库存、指标波动等）分散且分析门槛高，依赖人工出报表效率低。目标是让经营人员用自然语言直接发起分析，系统自动生成专业提示词并调用数据接口获取结构化结果，再通过多模型分层分析输出可读的 Markdown 报告。核心模块包括：专家模式（提示词选择/自动生成、SSE实时日志、深度报告）、助理模式（多轮对话、历史保存、图片上传分析）、提示词库管理（prompt.json）、报告下载与展示。典型流程：前端选择/生成提示词→后端按ID加载prompt→调用报表API取数并做空结果重试→按菜品整合并分块并行分析→汇总生成报告→前端展示与保存对话
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服