业务和功能介绍
1.立项背景与目标
在检邀与检测业务快速扩张的背景下，传统人工排班与工单分配方式已无法满足高效运营的需求。区域划分模糊、检测师排班不透明、检邀下单盲目、工单路线规划不合理等问题频发，导致工单分配不均、检测师频繁折返、客户等待时间过长，严重制约了业务增长与服务体验。
为解决上述痛点，我们立项开发了“地图排班排线系统”。目标是通过可视化地图与智能排班机制，实现检测区域精准配置、检测师排班灵活管理、检邀下单实时可视、工单路径智能规划，全面提升检邀转化效率与检测师作业效能，打造标准化、智能化、可视化的检邀检测一体化调度平台。
2.软件功能
系统围绕“区域—人员—工单—路线”四大核心要素，构建了完整的排班排线闭环。主要功能包括：
检测区域配置：支持城市端灵活绘制上门、到店、远程区域，区域数据实时同步，减少人工沟通成本。
检测师管理：支持区域人员设置、调班管理、交通工具配置，实现每日检测师排班可视化。
检邀CRM集成：在呼叫线索与下检测工单环节，实时展示检测师排班、空闲时段、实时位置与预计路程时间，帮助检邀人员快速匹配最优检测师。
检测经理APP：提供派单页面，支持检测经理查看检测师工单情况，支持调单、强制派单，保障紧急工单的灵活处理。
检测配置：支持城市级检测时长与默认交通工具配置，统一服务标准。
3.核心功能介绍
系统最大的亮点在于“检邀下单可视化”与“检测师智能排线”。检邀人员在沟通客户时，可实时查看检测师当前工单状态、实时位置及排班空闲时段，系统自动预估路程时间与检测时长，辅助检邀人员精准约定检测时间，避免工单冲突与无效等待。检测经理端则支持全局视角下的工单调度，可跨区域、跨时段灵活调配资源，确保工单响应效率最大化。
4.业务流程描述
业务流程贯穿检邀、调度、检测三大角色。检邀人员根据客户定位与系统推荐，选择检测方式并查看周边检测师排班与实时位置，选择空闲时段下单。检测经理在APP端接收工单，可选择系统推荐检测师或手动派单，支持调班与紧急派单。检测师通过移动端接收工单，完成检测后系统自动回显实际检测时间，形成工单闭环。整个过程实现从线索到工单、从调度到完成的端到端数字化管理。
在检邀与检测业务快速扩张的背景下，传统人工排班与工单分配方式已无法满足高效运营的需求。区域划分模糊、检测师排班不透明、检邀下单盲目、工单路线规划不合理等问题频发，导致工单分配不均、检测师频繁折返、客户等待时间过长，严重制约了业务增长与服务体验。
为解决上述痛点，我们立项开发了“地图排班排线系统”。目标是通过可视化地图与智能排班机制，实现检测区域精准配置、检测师排班灵活管理、检邀下单实时可视、工单路径智能规划，全面提升检邀转化效率与检测师作业效能，打造标准化、智能化、可视化的检邀检测一体化调度平台。
2.软件功能
系统围绕“区域—人员—工单—路线”四大核心要素，构建了完整的排班排线闭环。主要功能包括：
检测区域配置：支持城市端灵活绘制上门、到店、远程区域，区域数据实时同步，减少人工沟通成本。
检测师管理：支持区域人员设置、调班管理、交通工具配置，实现每日检测师排班可视化。
检邀CRM集成：在呼叫线索与下检测工单环节，实时展示检测师排班、空闲时段、实时位置与预计路程时间，帮助检邀人员快速匹配最优检测师。
检测经理APP：提供派单页面，支持检测经理查看检测师工单情况，支持调单、强制派单，保障紧急工单的灵活处理。
检测配置：支持城市级检测时长与默认交通工具配置，统一服务标准。
3.核心功能介绍
系统最大的亮点在于“检邀下单可视化”与“检测师智能排线”。检邀人员在沟通客户时，可实时查看检测师当前工单状态、实时位置及排班空闲时段，系统自动预估路程时间与检测时长，辅助检邀人员精准约定检测时间，避免工单冲突与无效等待。检测经理端则支持全局视角下的工单调度，可跨区域、跨时段灵活调配资源，确保工单响应效率最大化。
4.业务流程描述
业务流程贯穿检邀、调度、检测三大角色。检邀人员根据客户定位与系统推荐，选择检测方式并查看周边检测师排班与实时位置，选择空闲时段下单。检测经理在APP端接收工单，可选择系统推荐检测师或手动派单，支持调班与紧急派单。检测师通过移动端接收工单，完成检测后系统自动回显实际检测时间，形成工单闭环。整个过程实现从线索到工单、从调度到完成的端到端数字化管理。
项目实现
1.整体架构设计思路
本项目采用前后端分离的微服务架构，围绕“高可用、可扩展、实时性”三大目标进行设计。整体架构划分为接入层、业务层、数据层与基础服务层。
接入层：通过Nginx反向代理与API网关统一管理流量入口，实现鉴权、限流、路由转发，保障系统稳定与安全。
业务层：按领域拆分为区域配置服务、排班管理服务、工单调度服务、实时位置服务、用户权限服务等独立微服务模块，服务间通过OpenFeign进行通信，确保高内聚低耦合，便于独立迭代与水平扩展。
数据层：采用读写分离与分库分表策略，核心业务数据使用MySQL存储，结合Redis缓存热点数据（如检测师排班、实时位置），降低数据库压力，提升查询效率。
基础服务层：集成高德地图API实现区域绘制、路径规划与距离计算；通过WebSocket实现检测师实时位置上报与工单状态推送；引入消息队列（RabbitMQ）处理工单流转、状态变更等异步任务，确保数据最终一致性。
在实时性方面，系统通过定时任务与Redis缓存相结合，实现检测师排班数据的秒级刷新；在地图交互场景下，通过前端异步加载与后端数据聚合，保证页面响应时间在300ms以内。
技术栈
后端框架：Spring Boot + Spring Cloud Alibaba（Nacos作为注册中心与配置中心），实现服务治理与配置统一管理。
持久层：MyBatis-Plus作为ORM框架，结合ShardingSphere实现分库分表与读写分离。
缓存：Redis集群，用于存储检测师排班、实时位置、用户会话等高频访问数据。
消息队列：RabbitMQ，用于工单创建、状态同步、日志记录等异步解耦场景。
实时通信：WebSocket + Netty，实现检测师位置上报与工单实时推送。
调度任务：XXL-JOB，用于定时刷新检测师排班、清理过期数据。
数据库：MySQL 8.0，主从架构，保障数据高可用。
第三方服务：高德地图API，用于区域绘制、路径规划、距离计算。
本项目采用前后端分离的微服务架构，围绕“高可用、可扩展、实时性”三大目标进行设计。整体架构划分为接入层、业务层、数据层与基础服务层。
接入层：通过Nginx反向代理与API网关统一管理流量入口，实现鉴权、限流、路由转发，保障系统稳定与安全。
业务层：按领域拆分为区域配置服务、排班管理服务、工单调度服务、实时位置服务、用户权限服务等独立微服务模块，服务间通过OpenFeign进行通信，确保高内聚低耦合，便于独立迭代与水平扩展。
数据层：采用读写分离与分库分表策略，核心业务数据使用MySQL存储，结合Redis缓存热点数据（如检测师排班、实时位置），降低数据库压力，提升查询效率。
基础服务层：集成高德地图API实现区域绘制、路径规划与距离计算；通过WebSocket实现检测师实时位置上报与工单状态推送；引入消息队列（RabbitMQ）处理工单流转、状态变更等异步任务，确保数据最终一致性。
在实时性方面，系统通过定时任务与Redis缓存相结合，实现检测师排班数据的秒级刷新；在地图交互场景下，通过前端异步加载与后端数据聚合，保证页面响应时间在300ms以内。
技术栈
后端框架：Spring Boot + Spring Cloud Alibaba（Nacos作为注册中心与配置中心），实现服务治理与配置统一管理。
持久层：MyBatis-Plus作为ORM框架，结合ShardingSphere实现分库分表与读写分离。
缓存：Redis集群，用于存储检测师排班、实时位置、用户会话等高频访问数据。
消息队列：RabbitMQ，用于工单创建、状态同步、日志记录等异步解耦场景。
实时通信：WebSocket + Netty，实现检测师位置上报与工单实时推送。
调度任务：XXL-JOB，用于定时刷新检测师排班、清理过期数据。
数据库：MySQL 8.0，主从架构，保障数据高可用。
第三方服务：高德地图API，用于区域绘制、路径规划、距离计算。
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