业务和功能介绍
## 立项背景与目标
MUS Booking System 面向香港中文大学（深圳）音乐学院琴房预约，解决官方系统登录繁琐、网络敏感、热门琴房成功率低等问题。项目提供生产级（v2.10.0）自动化工具，在 VPN、校园网或 Reqable 环境下一键完成登录、批量与定时抢房，在满足校内安全要求前提下提升成功率和体验。
## 软件功能与核心模块
### 自动登录与 Cookie
通过 GUI 一键登录，自动填写学号与密码、提交表单并抓取 Cookie，保证身份合法和会话稳定。
### 智能网络适配
自动识别校园网/VPN、Reqable（127.0.0.1:9000）及系统代理，也可在 Cookie 面板手动检测，确保对 SSL 要求严格的校内接口在不同网络下可访问。
### 定时与批量预订
支持“立即执行”与“定时执行”，可将多个琴房与日期组合成一个任务并按优先级依次尝试，一旦成功即停止；超过 2 小时的请求会自动拆分为多个 2 小时时段，以符合教务规则。
### GUI 客户端与预订引擎
桌面端由 src/GUI.py 提供主窗口、设置、Cookie、自动登录与任务管理等界面；核心逻辑由 src/main.py 中的 CrazyRequests 与 book() 完成，封装 SSL 容错、代理路由、统一 UA/Cookie 头及琴房 ID 映射，并在失败时返回可读错误信息。
### 配置与质量保障
config.yaml 统一保存启动时间、执行模式、代理与 Cookie 信息、用户档案及请求列表，便于在“单次抢房/连续预约”等场景间复用。测试脚本覆盖网络、SSL、Qt 代理、预约接口和自动登录，配合 PySide6、WebEngine、PyYAML、requests 等依赖，保证主要平台的一致行为。
## 业务流程与功能路径
###准备：下载并解压发行包，在“设置”中填写学号、密码、联系方式等，可通过“自动检测”完成 VPN/代理适配和配置初始化。
###建模：在主界面点击“＋ 添加一组预定请求”，选择琴房、日期和时间段，可设置多个备选方案，自动写入 config.yaml。
###执行：选择立即或定时启动后，AutoLogin 获取最新 Cookie，BookingWorker 依次调用 book() 提交请求，并按规则进行 2 小时拆分与“成功即停”。
###结果与复盘：日志实时显示成功记录及失败原因（如 Cookie 过期、网络异常、放号竞争失败等），用户可据此排查网络或更新 Cookie，并结合历史记录优化后续策略。
综合来看，MUS Booking System 通过可视化配置界面、稳健预订引擎、智能网络适配及完善测试文档，构建了“准备 → 建模 → 执行 → 反馈与复盘”的闭环流程，有效降低琴房预约的人力成本和失败风险。
MUS Booking System 面向香港中文大学（深圳）音乐学院琴房预约，解决官方系统登录繁琐、网络敏感、热门琴房成功率低等问题。项目提供生产级（v2.10.0）自动化工具，在 VPN、校园网或 Reqable 环境下一键完成登录、批量与定时抢房，在满足校内安全要求前提下提升成功率和体验。
## 软件功能与核心模块
### 自动登录与 Cookie
通过 GUI 一键登录，自动填写学号与密码、提交表单并抓取 Cookie，保证身份合法和会话稳定。
### 智能网络适配
自动识别校园网/VPN、Reqable（127.0.0.1:9000）及系统代理，也可在 Cookie 面板手动检测，确保对 SSL 要求严格的校内接口在不同网络下可访问。
### 定时与批量预订
支持“立即执行”与“定时执行”，可将多个琴房与日期组合成一个任务并按优先级依次尝试，一旦成功即停止；超过 2 小时的请求会自动拆分为多个 2 小时时段，以符合教务规则。
### GUI 客户端与预订引擎
桌面端由 src/GUI.py 提供主窗口、设置、Cookie、自动登录与任务管理等界面；核心逻辑由 src/main.py 中的 CrazyRequests 与 book() 完成，封装 SSL 容错、代理路由、统一 UA/Cookie 头及琴房 ID 映射，并在失败时返回可读错误信息。
### 配置与质量保障
config.yaml 统一保存启动时间、执行模式、代理与 Cookie 信息、用户档案及请求列表，便于在“单次抢房/连续预约”等场景间复用。测试脚本覆盖网络、SSL、Qt 代理、预约接口和自动登录，配合 PySide6、WebEngine、PyYAML、requests 等依赖，保证主要平台的一致行为。
## 业务流程与功能路径
###准备：下载并解压发行包，在“设置”中填写学号、密码、联系方式等，可通过“自动检测”完成 VPN/代理适配和配置初始化。
###建模：在主界面点击“＋ 添加一组预定请求”，选择琴房、日期和时间段，可设置多个备选方案，自动写入 config.yaml。
###执行：选择立即或定时启动后，AutoLogin 获取最新 Cookie，BookingWorker 依次调用 book() 提交请求，并按规则进行 2 小时拆分与“成功即停”。
###结果与复盘：日志实时显示成功记录及失败原因（如 Cookie 过期、网络异常、放号竞争失败等），用户可据此排查网络或更新 Cookie，并结合历史记录优化后续策略。
综合来看，MUS Booking System 通过可视化配置界面、稳健预订引擎、智能网络适配及完善测试文档，构建了“准备 → 建模 → 执行 → 反馈与复盘”的闭环流程，有效降低琴房预约的人力成本和失败风险。
项目实现
## 整体架构与设计思路
项目按 MVC 分层：PySide6 组件树做 View，MainWindow 负责信号-slot 调度与任务编排；config、workers 承载数据与业务，配合 requests 和自研 CrazyRequests 组成网络层对接订房接口。目录按“核心逻辑 + GUI 组件 + 对话框 + 工具层”拆分，旧版 GUI.py 与新模块并行，便于重构排错。
配置用 dataclass + YAML，用于持久化用户数据及 UI 默认值、表单回填。BookingWorker 将定时器、拆单和日志信号放入 QThread，避免界面阻塞。CrazyRequests 自动处理 SSL、代理和 Cookie，并与 ProxyDetector 联动，使“开始”按钮一键串起 Cookie 捕获、请求构造与日志展示。
##模块与技术栈
View 由 widgets、dialogs 组成；Controller 为 MainWindow；Model / Service 为 AppConfig、RequestItemData、book()、timer_run()、BookingWorker，对订房接口做封装与调度。通过 PyInstaller 多文件打包和自定义 spec 生成约 207MB 的开箱即用发行版。主要依赖 PySide6/QtWebEngine、requests/CrazyRequests、PyYAML/dataclasses 及系统接口；tests 覆盖网络、SSL、代理和自动登录回归。
##坑与难点及解决方案
1）SSL 握手失败
AnyConnect VPN 下接口对 requests 持续抛出握手失败，而 Qt WebEngine 与 Reqable 可正常 TLS。最终方案：自动登录走 WebEngine 直连，请求统一经 Reqable 代理；ProxyDetector 按“直连 → Reqable → 系统代理”回退，并将结果落盘，重启可复现稳定路径。
2）自动获取 Cookie 与降级
通过 AutoLoginDialog 内嵌 QtWebEngine，集成浏览器控件，在捕获成功 URL 后延迟提取 Cookie，同时将 Reqable 写入 QtNetwork.QNetworkProxy，保持与流程代理一致；缺少 WebEngine 时提供手动粘贴 Cookie 的降级，并校验关键字段，避免写入无效配置。
3）多线程定时抢房
热门琴房需在时间窗口内 POST 并拆分时段。BookingWorker 将等待与请求循环放入 QThread，通过信号回传日志和完成事件，防止卡顿；timer_run() 统一“立即/定时启动”的等待逻辑，只靠延迟区分；时段拆分、防重入与批量备选顺序集中在 worker 中，便于调试扩展。
项目按 MVC 分层：PySide6 组件树做 View，MainWindow 负责信号-slot 调度与任务编排；config、workers 承载数据与业务，配合 requests 和自研 CrazyRequests 组成网络层对接订房接口。目录按“核心逻辑 + GUI 组件 + 对话框 + 工具层”拆分，旧版 GUI.py 与新模块并行，便于重构排错。
配置用 dataclass + YAML，用于持久化用户数据及 UI 默认值、表单回填。BookingWorker 将定时器、拆单和日志信号放入 QThread，避免界面阻塞。CrazyRequests 自动处理 SSL、代理和 Cookie，并与 ProxyDetector 联动，使“开始”按钮一键串起 Cookie 捕获、请求构造与日志展示。
##模块与技术栈
View 由 widgets、dialogs 组成；Controller 为 MainWindow；Model / Service 为 AppConfig、RequestItemData、book()、timer_run()、BookingWorker，对订房接口做封装与调度。通过 PyInstaller 多文件打包和自定义 spec 生成约 207MB 的开箱即用发行版。主要依赖 PySide6/QtWebEngine、requests/CrazyRequests、PyYAML/dataclasses 及系统接口；tests 覆盖网络、SSL、代理和自动登录回归。
##坑与难点及解决方案
1）SSL 握手失败
AnyConnect VPN 下接口对 requests 持续抛出握手失败，而 Qt WebEngine 与 Reqable 可正常 TLS。最终方案：自动登录走 WebEngine 直连，请求统一经 Reqable 代理；ProxyDetector 按“直连 → Reqable → 系统代理”回退，并将结果落盘，重启可复现稳定路径。
2）自动获取 Cookie 与降级
通过 AutoLoginDialog 内嵌 QtWebEngine，集成浏览器控件，在捕获成功 URL 后延迟提取 Cookie，同时将 Reqable 写入 QtNetwork.QNetworkProxy，保持与流程代理一致；缺少 WebEngine 时提供手动粘贴 Cookie 的降级，并校验关键字段，避免写入无效配置。
3）多线程定时抢房
热门琴房需在时间窗口内 POST 并拆分时段。BookingWorker 将等待与请求循环放入 QThread，通过信号回传日志和完成事件，防止卡顿；timer_run() 统一“立即/定时启动”的等待逻辑，只靠延迟区分；时段拆分、防重入与批量备选顺序集中在 worker 中，便于调试扩展。
示例图片视频
相似推荐
RAG Agent
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
端到端自动驾驶轻量化模型设计
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。
k8s加ray集群部署
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。
AI学生手册问答助手-学生手册助手
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。
AI英语学习平台-VerbaPath
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。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服