业务和功能介绍
本项目是一个面向建筑领域的智能问答系统，旨在将大模型能力与行业知识深度结合，解决传统建筑信息查询效率低、专业门槛高以及安全合规风险大的问题。随着大模型在通用问答场景中的广泛应用，其在垂直行业中往往存在“回答不专业、胡乱生成、越权回答”等隐患，尤其在建筑规范、施工安全和法律责任相关问题上，错误回答可能带来严重后果。因此，构建一个安全、可信、可控的建筑大模型智能问答系统具有重要的现实意义。
在业务层面，该系统面向建筑设计、施工、监理及相关从业人员，提供建筑规范查询、专业知识问答和工程经验辅助决策等服务。系统以“安全合规优先”为核心原则，通过引入拒答机制，确保模型只在合理、合规、可回答的范围内进行输出，避免对高风险、越权或不确定问题给出误导性答案，从而提升业务可靠性与实际可用性。
在功能架构上，系统由前置拒答模块、核心问答模块和后置拒答模块共同构成。前置拒答模块基于专门训练的拒答模型，对用户问题进行安全与合规性判断，在高风险或不适合回答的场景下直接给出规范化拒答，避免问题进入生成环节。核心问答模块采用 RAG（检索增强生成）+ LangChain 架构，通过向量检索精准召回建筑领域知识文档，并结合大模型生成专业、可溯源的回答，显著降低幻觉问题。后置拒答模块则对模型生成结果进行二次审核，在发现潜在违规或不确定内容时进行拦截或修正，形成完整的安全闭环。
最终，系统以网站形式对外部署，为用户提供直观、便捷的交互体验，实现建筑行业知识的智能化、安全化与服务化落地。
在业务层面，该系统面向建筑设计、施工、监理及相关从业人员，提供建筑规范查询、专业知识问答和工程经验辅助决策等服务。系统以“安全合规优先”为核心原则，通过引入拒答机制，确保模型只在合理、合规、可回答的范围内进行输出，避免对高风险、越权或不确定问题给出误导性答案，从而提升业务可靠性与实际可用性。
在功能架构上，系统由前置拒答模块、核心问答模块和后置拒答模块共同构成。前置拒答模块基于专门训练的拒答模型，对用户问题进行安全与合规性判断，在高风险或不适合回答的场景下直接给出规范化拒答，避免问题进入生成环节。核心问答模块采用 RAG（检索增强生成）+ LangChain 架构，通过向量检索精准召回建筑领域知识文档，并结合大模型生成专业、可溯源的回答，显著降低幻觉问题。后置拒答模块则对模型生成结果进行二次审核，在发现潜在违规或不确定内容时进行拦截或修正，形成完整的安全闭环。
最终，系统以网站形式对外部署，为用户提供直观、便捷的交互体验，实现建筑行业知识的智能化、安全化与服务化落地。
项目实现
本项目采用模块化、分层式的大模型系统架构，围绕“安全可控 + 行业知识增强”的核心目标进行整体设计。系统整体流程为：用户问题首先进入前置拒答模块进行安全与合规判断，通过筛选的问题再进入RAG 增强问答模块生成答案，最后由后置拒答模块对输出结果进行二次校验，确保最终回复的可靠性与规范性，并通过 Web 服务对外提供能力。
在技术架构上，前置与后置拒答模块均基于 Qwen3Guard 0.6B 模型进行 LoRA 微调，采用 PyTorch + HuggingFace Transformers + PEFT 完成训练与推理部署，用于高效判断高风险、越权及不确定问题。核心问答模块采用 RAG + LangChain 技术栈，使用 Sentence Embedding + 向量数据库（如 FAISS） 进行建筑领域知识检索，并结合大模型生成最终答案，从而在保证专业性的同时显著降低幻觉问题。系统整体通过 FastAPI 提供服务接口，并部署至 Web 前端，实现完整的端到端问答流程。
在项目中，我主要负责拒答模块的设计、训练与集成，包括拒答数据构建、模型微调方案制定以及与 RAG 问答链路的融合。具体工作中，我独立完成了约 16 万条拒答数据的清洗与格式统一，并基于 Qwen3Guard 0.6B 进行 LoRA 训练，在单卡 GPU 环境下实现稳定收敛。实验结果显示，前置拒答模块对高风险问题的拦截率提升至 90% 以上，有效减少了不合规问题进入生成阶段；后置拒答模块进一步降低了不安全回答的输出概率，使系统整体安全性显著提升。
在实现过程中，主要难点在于显存受限条件下的大模型训练与稳定性控制，以及拒答边界定义不清导致的误拒答问题。针对显存瓶颈，我通过 LoRA 微调、FP16、梯度累积与合理的 batch size 设置 成功完成训练；针对误拒答问题，我对数据标签进行多轮修正，并引入前后置双重拒答策略，在保证安全性的同时尽量减少对正常业务问答的影响。最终，该方案实现了安全性与可用性的平衡，为建筑行业大模型应用提供了可落地的工程实践。
在技术架构上，前置与后置拒答模块均基于 Qwen3Guard 0.6B 模型进行 LoRA 微调，采用 PyTorch + HuggingFace Transformers + PEFT 完成训练与推理部署，用于高效判断高风险、越权及不确定问题。核心问答模块采用 RAG + LangChain 技术栈，使用 Sentence Embedding + 向量数据库（如 FAISS） 进行建筑领域知识检索，并结合大模型生成最终答案，从而在保证专业性的同时显著降低幻觉问题。系统整体通过 FastAPI 提供服务接口，并部署至 Web 前端，实现完整的端到端问答流程。
在项目中，我主要负责拒答模块的设计、训练与集成，包括拒答数据构建、模型微调方案制定以及与 RAG 问答链路的融合。具体工作中，我独立完成了约 16 万条拒答数据的清洗与格式统一，并基于 Qwen3Guard 0.6B 进行 LoRA 训练，在单卡 GPU 环境下实现稳定收敛。实验结果显示，前置拒答模块对高风险问题的拦截率提升至 90% 以上，有效减少了不合规问题进入生成阶段；后置拒答模块进一步降低了不安全回答的输出概率，使系统整体安全性显著提升。
在实现过程中，主要难点在于显存受限条件下的大模型训练与稳定性控制，以及拒答边界定义不清导致的误拒答问题。针对显存瓶颈，我通过 LoRA 微调、FP16、梯度累积与合理的 batch size 设置 成功完成训练；针对误拒答问题，我对数据标签进行多轮修正，并引入前后置双重拒答策略，在保证安全性的同时尽量减少对正常业务问答的影响。最终，该方案实现了安全性与可用性的平衡，为建筑行业大模型应用提供了可落地的工程实践。
示例图片视频
相似推荐
智慧园区管理平台
通过数字孪生技术，真实的真实整个园区的场景，通过物联网设备管理以及大数据分析，实时展示园区的整个状态。通过对接的硬件设备，实时显示园区的环境，气象，污水等数据，通过算法实现精准决策，完成控制设备的调控
微信原生AI应用热量管理工具小程序-纤刻
# 纤刻 — AI 驱动的智能饮食与运动管理助手
> 记录今天，刻下改变。
---
## 一、产品概述
纤刻（Qianke）是一款基于微信小程序平台的 AI 智能健康管理工具，面向关注体重管理、饮食质量和代谢安全的用户群体。产品深度集成人工智能能力，提供从食物识别、营养规划到运动记录的全链路闭环体验，让用户在微信生态内即可完成科学、个性化的健康管理。
### 核心定位
- **不只是热量计算器**：纤刻在传统热量追踪基础上，引入代谢安全监控（Energy Availability）、饮食结构分析、AI 自适应目标调整等进阶能力，帮助用户在安全范围内达成健康目标。
- **AI 原生体验**：从拍照识别食物、对话式运动记录，到基于 14 天行为数据的动态目标生成，AI 贯穿产品的每一个核心环节。
- **科学安全优先**：内置激进策略风险检测、健康状况守卫、体重漂移校验等多层安全机制，确保用户不会因追求速度而损害健康。
---
## 二、目标用户
- 希望管理体重（减脂 / 维持 / 增重）的微信用户
- 关注饮食营养质量、希望了解每日膳食结构的人群
- 有慢性病管理需求（高血压、二型糖尿病、慢性肾病等）需要谨慎控制饮食的用户
- 偏好在微信生态内完成健康管理、不想额外安装独立 App 的用户
---
## 三、核心功能
### 3.1 智能仪表盘（Dashboard）
仪表盘是用户的「今日中心」，一屏呈现完整的当日健康状态：
| 模块 | 说明 |
|------|------|
| 热量英雄卡 | 显示剩余可摄入热量，动态渐变色彩随摄入比例变化（绿色 → 黄色 → 红色），圆环进度指示器 |
| 三大宏量营养素卡片 | 蛋白质 / 碳水 / 脂肪各自的进度条、摄入量、目标值、最低摄入线和颜色引导 |
| 代谢安全卡 | 实时计算 Energy Availability（可用能量 / 去脂体重），三级安全状态（安全 / 注意 / 危险） |
| 四餐记录 | 早 / 午 / 晚 / 加餐四个餐次，展开查看每条食物记录，支持编辑和删除 |
| 饮食结构分析 | 汇总当日所有食物标签，显示警告标签（高糖、高钠等）和正面标签（高纤维、抗炎等） |
| 运动卡 | 展示当日运动记录，支持增删改 |
| 体重卡 | 显示当日体重及与上次的变化量 |
下拉刷新可同步微信运动步数并刷新 AI 日标。
### 3.2 AI 拍照识别（AI Camera）
两种模式，覆盖食物和配料表两大场景：
**食物识别模式**
- 拍照或从相册选择食物图片
- AI 返回：食物名称、每 100g 营养素（热量 / 蛋白质 / 碳水 / 脂肪）、建议份量、置信度、推荐文案
- 丰富的标签体系：微量营养素亮点（microHighlights）、功能效果（f
SurveyPulse - 智能在线调查与实时分析平台
1、立项背景和目标：SurveyPulse 面向产品、运营、市场研究等团队，解决传统问卷平台多人编辑易冲突、数据反馈滞后、分析链路割裂的问题，目标是建设一套支持团队协作、复杂逻辑问卷、实时采集与实时分析的大型在线调查平台。
2、软件功能、核心功能模块介绍：系统包含用户与工作空间管理、问卷创建与发布、答题采集、实时分析四大模块。核心能力包括注册登录、角色权限管理、复杂题型配置、逻辑跳转、多人协作编辑、问卷发布、按题/整卷提交、实时统计、数据看板与导出报告。演示页面见 apps/web/src/pages/DemoPage.vue。
3、业务流程、功能路径描述：用户先创建工作空间并邀请成员，在管理端创建问卷、配置题目与跳转逻辑，然后发布问卷链接。受访者在答题端动态完成作答，系统同步执行逻辑校验并提交数据。随后分析服务实时汇总答卷结果，在看板中展示参与量、满意度和趋势变化，形成“创建—发布—采集—统计—分析”的完整业务闭环。
二课后台管理
从项目发起、审批、参与、评价活动的全过程，均有完整的数据支撑，管理人员可通过第二课堂平台数据了解到项目全生命周期的活动情况，方便对项目进行全方位管理。
方便学生老师对于参加的一些校园活动，及获得进行统计汇总，数字化校园生活。我在项目中主要负责
系统通过安全测评，平台安全有保障。同时系统本地化部署，数据不出园区，以确保师生相关信息数据不泄露。
三维数字化孪生大屏平台
本系统是面向电力/能源行业定制的数字化孪生视景平台。旨在实现输变电工程的数字化全景管控，系统支持标准 GIM（网架信息模型）文件的解析与高效渲染，结合大范围倾斜摄影和 3D Tiles 数据，在三维数字地球上精准复现变电站、输电线路及其周边地理环境。平台提供视点动态漫游、空间距离与面积测量、设备属性秒级查询、全要素图层动态开关以及结合实时运行数据的状态数字孪生监控。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服