动态监控大屏系统

系统需要支撑高并发的实时电信号上传，并对接了深度学习模型进行电器类型识别。为此，我做了几个关键设计： 用 JWT 做无状态认证，保障 API 和 WebSocket 的安全； 用 WebSocket 把采样的电信号流式推送到前端，Vue 界面实时绘制波形； 用 Redis 做波形片段缓存、设备状态存储和分布式锁，防止多实例重复处理； 模型服务由 Python 团队使用 PyTorch 提供，我通过 gRPC 协议与之通信，利用 Protobuf 序列化提升性能，并针对长波形数据采用了服务端流式调用。

SagooIOT物联网平台是一款功能强大、安全可靠的物联网基础平台，可助力企业快速构建物联网应用，实现数字化转型。平台支持多种通信协议，可灵活接入不同类型设备；提供实时数据采集、分析和处理能力，帮助企业挖掘数据价值；支持设备远程控制、监控和运维，降低运维成本，提升运维效率；此外，还支持物模型定义、可视化大屏、流媒体服务、开放API等功能，可广泛应用于智慧城市、智慧农业、工业制造、能源管理等多个领域。 平台向上对外开放功能完善的北向应用接口，支持第三方系统利用这些接口对接物联网平台，实现对设备的监控管理、远程控制等功能。平台预集成了规则引擎、可视化大屏、流媒体等核心服务，具有快速业务组装和交付的能力。 平台还提供了场景联动、设备远程控制、OTA固件升级等功能组件。平台具有高扩展性和开放性，可以方便地对接外部系统。 SagooIOT 具有完整的物联网平台关键能力覆盖，是一个功能强大、稳定可靠的企业级IoT平台解决方案。 SagooIOT，赋能万物互联，智领数字时代！

立项背景与目标： 在 Nordic nRF 及配套电源管理芯片（CPS、TPS）的产测与研发调试中，烧录流程往往依赖 J-Link 命令行、OpenOCD、工装 RPC 上电、固件 SCP 上传等多套工具，操作步骤多、易出错，且不同工站（PowerDFU、DataDFU、PowerFCT、DataFCT）流程不一致。本项目旨在用 Python 开发统一的一键烧录与工装控制 CLI，将「选固件 → 选工位 Slot → 自动上电 → 烧录 → 校验 → 下电」串联为可重复的标准流程，并支持打包为 macOS 单文件可执行程序，便于产线工程师与硬件研发人员开箱即用。 核心功能模块： 1）多工站模式：支持 PowerDFU、DataDFU、PowerFCT、DataFCT 四类 Station，按 Slot（1–4）自动映射 RPC 端点 IP/端口； 2）Nordic nRF 一键烧录：集成 SEGGER JLinkExe，自动扫描/选择 J-Link 序列号，生成并执行 Commander 脚本，支持 .bin/.hex、擦除、校验及烧录结果智能判定； 3）PowerDFU 扩展烧录：CPS/TPS 通过 RPC 控制继电器与 I2C 自动烧录，固件经 SCP 上传至工装；ULPOD 走 OpenOCD program_onefile 链路； 4）工装 RPC 自动化：烧录前后自动执行上电/下电、继电器切换、电压测量等 mixdevice 调用，减少人工拨码与接线失误； 5）交互与可观测：彩色终端 UI、进度条/Spinner、固件 SHA256 与路径校验、J-Link 日志解析与失败原因提示；支持 PyInstaller 打包 universal2 单文件分发。 业务流程与功能路径： 工程师启动 CLI（或 MagicTool 可执行文件）→ 选择 Station 与 Slot → 选择操作（烧录 / 一键上电 / 一键下电）→ 拖入或输入固件路径（.bin/.hex）→ 工具按工站 profile 调用 RPC 完成 DUT 上电与继电器配置 → 执行 J-Link 烧录或 CPS/TPS/ULPOD 对应烧录链路 → 实时展示烧录进度与日志 → 自动解析 success/verify 等关键字判定结果 → 烧录结束后 RPC 下电复位 → 提示是否继续下一台 DUT。该工具将分散的嵌入式烧录与产测工装操作收敛为「一条命令、一套交互」，显著提升产线烧录效率与操作一致性。

安全防护体系：为插件运行构建了沙箱环境、熔断保护及白名单访问控制。 AI原生开发范式：利用AI辅助编程，单人完成从系统架构设计到核心功能模块的开发。 动态密钥管理：实现了云端模型API密钥的动态管理与自动切换，保障系统高可用

为解决生产环境故障排查效率低、依赖人工经验的问题，需构建一套具备自动诊断与经验复用能力的智能运维助手。(1) 构建运维Agent，将性能诊断、故障排查等场景封装为Skill，通过意图路由按需调用；基于MCP集成监控、日志等运维工具辅助诊断。(2) 构建多层记忆机制。短期记忆基于Redis实时维护诊断会话状态；向量记忆跨周期召回相似历史故障案例；图记忆基于Neo4j建立服务、告警、故障等依赖关系，支持根因追溯。(3) 经验闭环与RAG知识库构建。基于已解决的故障事件，自动提取故障模式与解决方案并写入记忆，实现知识复用闭环；支持文档上传，经智能切分、向量化后索引入库，为诊断提供外部知识支撑