业务和功能介绍
这个项目是基于若依（RuoYi）v3.8.2 深度二次开发的一套企业级“一物一码追溯与供应链协同平台”。
主要服务快消制造场景中的箱码、瓶码、托盘码关联管理与全链路追踪：支持箱托关系查询、码级明细下钻、入库/出库记录管理、历史追溯以及多工厂维度的数据过滤；同时提供问题上报与闭环处理能力，支持按工厂、产线、供应商、问题类型进行协同流转，并可导出统计数据。系统还集成了微信小程序接口，支持移动端登录、权限下发、扫码查询、业务操作上报，便于一线人员在仓库、产线和现场快速处理任务。此外，项目接入了人脸认证流程（含二维码校验、认证次数控制、认证结果回写），用于关键操作场景的身份核验与风控。结合 WMS、外部平台调用与日志审计能力，这个项目本质上是一套将“防伪追溯、仓储物流、现场质控、移动协同、身份认证”打通的数字化运营系统，目标是提升数据可追踪性、作业规范性和异常处理效率。
主要服务快消制造场景中的箱码、瓶码、托盘码关联管理与全链路追踪：支持箱托关系查询、码级明细下钻、入库/出库记录管理、历史追溯以及多工厂维度的数据过滤；同时提供问题上报与闭环处理能力，支持按工厂、产线、供应商、问题类型进行协同流转，并可导出统计数据。系统还集成了微信小程序接口，支持移动端登录、权限下发、扫码查询、业务操作上报，便于一线人员在仓库、产线和现场快速处理任务。此外，项目接入了人脸认证流程（含二维码校验、认证次数控制、认证结果回写），用于关键操作场景的身份核验与风控。结合 WMS、外部平台调用与日志审计能力，这个项目本质上是一套将“防伪追溯、仓储物流、现场质控、移动协同、身份认证”打通的数字化运营系统，目标是提升数据可追踪性、作业规范性和异常处理效率。
项目实现
1）整体架构和设计思路
项目是基于若依做的深度业务化改造，定位是一物一码追溯 + WMS仓储协同 + 移动端现场作业。
整体采用前后端分离架构：
后端：Spring Boot + Spring Security + JWT + Redis + MyBatis-Plus（Maven多模块）
前端：Vue2 + Element UI
数据侧：MySQL + 分页插件 + Excel导出能力
扩展能力：微信小程序接口、人脸识别接口、外部系统对接
设计上分成四条主线：
基础能力层：用户、角色、权限、日志、定时任务
核心业务层：箱码/瓶码/托盘码关联、追溯查询、入库/出库流程
协同闭环层：问题上报、流转、处理、统计分析
渠道接入层：PC后台 + 微信小程序 + 第三方接口统一接入
核心思路是：把“码流”和“物流”统一到同一套数据链路里，保证每一次扫码、每一笔出入库、每一个异常工单都可追溯、可审计、可统计。
2）我主要负责的模块和结果
A. 箱/瓶/托全链路追溯模块
负责内容：追溯接口设计、码关系查询、明细下钻（托盘→箱→瓶）、高频查询优化。
结果：
支撑了质检、仓储、客服三类场景共用同一套追溯口径，减少跨部门对账争议。
B. WMS入库/出库与工厂权限隔离模块
负责内容：入库、出库、导出、工厂维度数据隔离、操作权限控制。
结果：
完成入出库全流程线上化，减少手工台账；
按“用户所属工厂”做数据过滤，避免跨工厂数据误看误改；
出入库报表导出标准化后，统计口径统一，月度盘点效率显著提升
C. 微信小程序现场作业模块
负责内容：小程序登录、权限获取、扫码查询、问题上报、现场操作接口联调。
结果：
关键现场动作从PC迁移到移动端，一线可边作业边上报；
缩短“发现问题→发起处理”链路时长；
推动现场数据实时回传，管理端看板时效性提升。
3）我遇到的难点、坑和解决方案
难点1：码体系复杂，历史数据口径不一致
坑：不同阶段对箱码、托盘码、虚拟托盘码命名不统一，导致查询结果容易“看起来对不上”。
解决：先统一领域模型和接口入参语义，再做兼容映射；对关键查询加审计日志，便于复盘。
收益：追溯口径稳定后，业务和技术沟通成本明显下降。
难点2：多角色、多工厂权限下的数据安全与可用性平衡
坑：权限收得太紧影响使用，放得太开又有越权风险。
解决：采用“功能权限 + 数据权限（工厂维度）”双层控制；列表查询统一加工厂过滤。
收益：既满足一线使用效率，也保证了跨工厂数据隔离。
难点3：外部接口与现场网络不稳定，导致流程偶发失败
坑：小程序、第三方接口、认证服务偶发超时，现场用户感知差。
解决：关键接口增加重试与兜底提示；异步日志记录完整请求链路，方便快速定位。
收益：接口可用性和问题定位效率都提升，线上故障恢复时间缩短。
项目是基于若依做的深度业务化改造，定位是一物一码追溯 + WMS仓储协同 + 移动端现场作业。
整体采用前后端分离架构：
后端：Spring Boot + Spring Security + JWT + Redis + MyBatis-Plus（Maven多模块）
前端：Vue2 + Element UI
数据侧：MySQL + 分页插件 + Excel导出能力
扩展能力：微信小程序接口、人脸识别接口、外部系统对接
设计上分成四条主线：
基础能力层：用户、角色、权限、日志、定时任务
核心业务层：箱码/瓶码/托盘码关联、追溯查询、入库/出库流程
协同闭环层：问题上报、流转、处理、统计分析
渠道接入层：PC后台 + 微信小程序 + 第三方接口统一接入
核心思路是：把“码流”和“物流”统一到同一套数据链路里，保证每一次扫码、每一笔出入库、每一个异常工单都可追溯、可审计、可统计。
2）我主要负责的模块和结果
A. 箱/瓶/托全链路追溯模块
负责内容：追溯接口设计、码关系查询、明细下钻（托盘→箱→瓶）、高频查询优化。
结果：
支撑了质检、仓储、客服三类场景共用同一套追溯口径，减少跨部门对账争议。
B. WMS入库/出库与工厂权限隔离模块
负责内容：入库、出库、导出、工厂维度数据隔离、操作权限控制。
结果：
完成入出库全流程线上化，减少手工台账；
按“用户所属工厂”做数据过滤，避免跨工厂数据误看误改；
出入库报表导出标准化后，统计口径统一，月度盘点效率显著提升
C. 微信小程序现场作业模块
负责内容：小程序登录、权限获取、扫码查询、问题上报、现场操作接口联调。
结果：
关键现场动作从PC迁移到移动端，一线可边作业边上报；
缩短“发现问题→发起处理”链路时长；
推动现场数据实时回传，管理端看板时效性提升。
3）我遇到的难点、坑和解决方案
难点1：码体系复杂，历史数据口径不一致
坑：不同阶段对箱码、托盘码、虚拟托盘码命名不统一，导致查询结果容易“看起来对不上”。
解决：先统一领域模型和接口入参语义，再做兼容映射；对关键查询加审计日志，便于复盘。
收益：追溯口径稳定后，业务和技术沟通成本明显下降。
难点2：多角色、多工厂权限下的数据安全与可用性平衡
坑：权限收得太紧影响使用，放得太开又有越权风险。
解决：采用“功能权限 + 数据权限（工厂维度）”双层控制；列表查询统一加工厂过滤。
收益：既满足一线使用效率，也保证了跨工厂数据隔离。
难点3：外部接口与现场网络不稳定，导致流程偶发失败
坑：小程序、第三方接口、认证服务偶发超时，现场用户感知差。
解决：关键接口增加重试与兜底提示；异步日志记录完整请求链路，方便快速定位。
收益：接口可用性和问题定位效率都提升，线上故障恢复时间缩短。
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