人工智能 云服务/云平台 软件定制 案例

立项背景和目标 本项目旨在构建一个集智能对话、自动化信息处理、终端远程控制于一体的业务中台。解决企业日常运维、信息采集、多系统协同中的重复性劳动问题，通过AI技术实现部分环节的无人值守。 2、核心功能模块 AI对话与推理模块：基于大语言模型的智能问答与决策支持，可辅助业务分析。 浏览器自动化模块：模拟用户操作网页，自动完成数据抓取、表单提交等任务。 情报API服务：对外提供结构化数据接口，支持第三方系统集成。 终端远程管理模块：通过WebSocket实现远程服务器命令执行与日志查看。 主控调度中心：统一管理各模块的任务队列、健康检查和异常告警。 3、业务流程 用户通过前端界面（或API调用）提交任务请求 → 主控中心解析任务类型 → 分发给对应的AI/自动化模块执行 → 结果存入Redis缓存并同步MySQL持久化 → 最终返回给用户。整个过程支持异步和同步两种模式。

业务介绍： 建筑工地依靠人工巡检监控工人安全帽佩戴情况，人工监管容易疲劳漏检。本项目使用YOLOv5目标检测算法，自动识别画面工人安全帽佩戴状态，辅助工地安全监管，减少安全事故隐患。 功能介绍： 1. 对图片、视频进行目标检测，标记人员与安全帽检测框； 2. 识别佩戴安全帽、未佩戴安全帽两类目标，输出类别和置信度； 3. 数据集制作、模型训练、模型指标评估； 4. 支持图片、视频批量推理，输出带检测框的可视化结果。

1、聚合多平台金融资讯，更及时获取最新消息，尽量减少消息遗漏 2、整合多平台财经或大事件日历，更早了解将要发生的大事 3、每日ETF申赎数据自动获取和计算 4、每日股指期货自动获取和更新 5、宏观分析师-对当前整体市场进行分析，给出具有可操作性的建议

本系统针对感知类智能Agent存在记忆上下文冗余、token消耗过高问题，设计记忆筛选与压缩算法。实现对Agent历史感知对话、环境观测记录做过滤、摘要压缩，减少大模型输入token开销。提供API接口，可对接各类感知Agent，完成多组对比实验，验证压缩后Agent任务效果损失可控，显著降低调用成本，可用于智能体原型开发与学术研究。

📋 业务和功能介绍 1. 立项背景与目标 「造」由非技术背景的独立创始人（金融猎头转型 AI 应用层）于 2026 年 8 月启动，10 天搭出框架、两周跑通原型。目标是解决企业级 Agent 落地的"确定性困境"——通用 Agent 框架以 LLM 推理为主驾，存在幻觉、不可控、高成本三大硬伤，无法进入合规审计、风险定价等"确定性 > 创造性"的核心业务流程。 2. 软件功能与核心模块 确定性编译执行引擎：workflow.json 经 Kahn 拓扑序 + sha256 冻结，生成不可变 workflow.compiled.json，运行时按拓扑确定执行 三层固化画布：draft（灰虚线）→ confirmed（黄实线）→ compiled（绿带勾）三态生命周期，支持子流程打包/钻取/库复用 双 LLM 异构评审：DeepSeek（可行性）+ SiliconFlow（风险合规），require_different_provider 保证永不共用厂商 防幻觉校验：「生成回复」节点带引用指纹校验，未引用流程数据自动黄色警告 分层记忆 L0–L3（工作/情景/语义/反思）+ 三后端知识检索（BM25 / sqlite-vec 向量 / MCP）+ 规则库资产化（金融合规 / 工业巡检 2 样例） OpenAI 兼容推理栈（model-catalog.json 单一来源）+ 一键部署包（23.3MB 双击即用） 3. 业务流程 用户中文描述需求 → 反问澄清 → 双 LLM 评审 → 确定性编译 → 节点级可追溯执行 → 导出独立部署包（双击 start.bat 自动配置 + 启动 + 浏览器打开运行台）。

1. 立项背景与目标 项目面向长沙望城区社区居家养老服务中心/站，解决三大真实痛点：机构上门服务后人工电话回访费时费力、易漏访，家属对服务过程不透明；工单派发靠微信口头通知、服务记录靠手写，难以留痕；老人多药易漏服错服、健康数据无法持续追踪。目标是打造一套轻量、低成本、可本地部署的数字化系统，通过「AI 服务回访（P0）」「居家服务工单（P1）」「用药提醒 + 健康档案（P2）」三个产品，实现机构、护理员、家属三端协同闭环，并满足数据加密与机构隔离的隐私要求。 2. 核心模块 - AI 服务回访：Excel 名单导入与手机号校验（错误标红）、创建回访任务（可全选/单选，短信/微信/电话三种方式，立即或定时）、短信/微信生成满意度链接供 1–5 星打分、电话模拟外呼并支持未接自动重试、结果记录与按护理员统计、Excel 报表导出。 - 居家服务工单：管理员建单派单、护理员接单/拒单（必填原因）/出发/到达签到（GPS + 拍照防作假）、提交服务记录（项目/时长/老人状态/至少 1 张照片/备注）、家属查看记录与照片并评价、服务类型字典管理。 - 用药提醒 + 健康档案：用药计划录入（多时段、批量 Excel 导入）、到点自动提醒、点击「已服用」确认、超时最多再提醒 3 次后标记漏服并通知家属、周/月依从率统计、血压血糖记录、健康档案打印/导出 PDF 供医生参考。 - 通用支撑：定时调度、模拟通道 + 站内通知 + 审计日志、Fernet 敏感字段加密、机构数据隔离、老年友好交互（大字模式、语音配置预留）。 3. 业务流程与功能路径 - 回访链路：管理员后台「回访」→ 下载模板填 Excel → 导入并校验 → 新建回访任务（选名单、方式、时间）→ 定时任务到点自动执行 → 家属点短信/微信链接打 1–5 星，或电话外呼后管理员登记结果 → 未接按策略自动重试 → 查看统计报表并导出 Excel。 - 工单链路：管理员「创建工单」（选老人、服务项目、护理员、时间）→ 派单并通知家属 → 护理员端接单 → 标记出发 → 到达签到（GPS + 拍照）→ 填写服务记录并提交完成 → 家属端查看照片、打 1–5 星评价，全程每步推送站内通知。 - 用药健康链路：管理员录入或批量导入用药计划 → 到点自动生成提醒（微信/短信/语音）→ 老人或家属点击「已服用」确认 → 超时自动升级再提醒，3 次未确认则标记漏服并告警家属；护理员/管理员录入血压血糖 → 家属端打印健康档案给医生。

立项背景：Hermes与OpenClaw两个AI Agent之间需要通过A2A（Agent-to-Agent）协议双向通信，但现有网关存在三个生产问题：tasks/send请求挂起长达5分钟、未带token时返回500、inbox消息写不进去，导致跨Agent通信不可用。目标：修复网关故障，打通Hermes到OpenClaw的双向通信。功能模块：A2A JSON-RPC网关——tasks/send消息发送、tasks/get任务状态查询、authMiddleware鉴权拦截、inbox消息落地。业务流程：Hermes通过HTTP POST发起JSON-RPC请求，网关经Bearer Token鉴权后写入inbox并即时返回，消息经Watcher轮询触发飞书通知送达OpenClaw。

做一个能随时随地管理家用服务器的全栈平台：通过手机应用直连家里服务器上部署的大模型服务，实现远程聊天、查看数据、管理任务，整套系统通过容器编排五分钟完成部署上线，让 AI 能力真正随身携带、随时可用。 独立开发者「糊糊小樱」，软硬通吃工作室主理人，一人 AI 公司全栈交付。项目为基于异步框架的云端管理平台，后端提供一百二十四个接口、十七个路由模块、安全认证机制；移动端为跨平台应用，包含二十个页面、十九个功能模块；通过容器编排加反向代理一键部署，外网穿透后可随时随地用手机远程管理家中服务器。

为AI伴侣设计的长期记忆存储与衰退管理系统。支持多类型记忆条目（规则、事件、项目、信件、日记流），每条记忆携带关键词索引和摘要钩子。核心机制包括：四阶段自然衰退（活跃→半沉→深层→星云），基于访问频率的锚定升级系统（微光→灯塔→锚点，三级永驻），时间触发浮现（含错过日期补偿），感受回声（随机翻出30天前的旧记忆），关键词碰触匹配与关联条目展开，变更前自动快照存档，以及面向前端可视化的星空数据API（星/尘/历史尘分层）。通过MCP协议对接AI客户端，支持SSH回退通道。

利用ocr、大模型对检查官办案过程使用的卷宗进行拆卷、编目、要素提取，后端使用java，前端vue3，完成卷宗解析的核心逻辑及配置功能，基于如上能力实现检察官办案过程中的证据审查、量刑、文书生成等功能。每天300+案件稳定处理

为应对 DeepSeek-V4-Pro 模型在长上下文、高并发推理场景下的性能瓶颈，我们启动了 H20 集群推理服务优化项目。原单机部署方案在解码阶段依赖 DSpark 投机解码（num_speculative_tokens=3）进行加速，但在实际业务流量（高峰约 100 req/min）下，KV Cache 显存占用成为主要限制，导致请求承载能力仅约 10% 的流量比例，大量请求因资源不足被拒绝或排队，严重影响服务可用性和用户体验。 本次项目旨在通过架构升级，将部署规模从单机扩展至双 H20 集群，并引入 LMCache KVCache Pool 池化技术，实现 KV Cache 跨实例复用，显著降低长上下文场景下重复 Prefill 计算开销，最终目标是将业务承载能力提升至 25% 以上，保障高峰流量下的服务稳定性与低延迟响应。

项目说明: 优家同城是一个整合本地生活服务的020平台,连接用户与本地服务提供商。平台包含运用管理后台、用户小程序端、商家端系统，支持服务发现、在线预约、抢优惠券、智能派单、支付结算等全流程业务。旨在通过技术手段提升服务匹配效率和用户体验。 项目技术栈: SpringCloudAlibaba, MyBatisPlus, MySQL, Redis, RabbitMQ,XXL-JOB, Elasticsearch

云控是一款云端跨终端配置管理平台，全面适配某手机厂商旗下手机、电视、平板、汽车等各类智能终端设备，核心面向终端内置各类APP，提供云端配置文件动态更新、下发管控全流程能力，支撑业务无需客户端版本迭代，即可完成功能配置调整、策略灰度上线、参数动态更新，极大提升终端业务迭代效率与运营灵活性。 平台核心覆盖四大核心业务能力，全方位支撑云控业务落地：一是配置云端更新与下发，支持多终端、多APP配置文件的统一管理、远程推送与动态更新，保障终端配置实时生效；二是全维度数据管控，搭建完整的数据管理、数据统计、数据预估体系，支撑业务精准把控配置下发态势；三是大数据实时计算分析，实现配置下发数量预估、下发数据实时统计，解决业务数据无量化、展示不直观的痛点；四是高可用服务支撑，负责平台架构运维、性能优化、成本管控及业务对接，保障平台高并发、低成本稳定运行，同时为各业务方提供日常技术支持与需求对接服务。

这个平台是给企业内部用的，专门解决一个痛点：项目是一个给企业内部使用的智能体管理平台，主要解决企业里不同 AI 助手不好统一管理、调用过程不好追踪、一些高风险操作缺少审批的问题。 在这个平台里，可以搭建好多不同用途的AI智能体，比如售后用来判断该不该退款的助手、人事查合规制度的助手、运维判断设备故障的助手。普通员工直接打开AI对话窗口，向这些智能体提问办事就行；管理人员也能在后台看得清清楚楚，每个智能体绑定了哪些内部知识库、对接了公司哪些业务系统，一目了然。 除此之外平台还配了工作台、知识库管理、打通业务系统、线上审批、数据统计、话术配置、人员权限这些配套功能。重点说下风控审批：要是AI智能体要发起退款、打款、重启设备这类敏感操作，系统不会直接执行，会自动生成一条审批任务，得管理员审核点同意之后，动作才会往下走。 总的来说，它不是大家理解的普通聊天AI，而是把公司所有AI助手、内部知识库、各个办公业务系统、审批流程、操作记录全部收拢在一块统一管，大家日常用AI处理业务，既方便又稳妥安全。

用 STM32MP257 和 ESP32-S3 搭了一套双芯片系统。M33 负责硬实时采集和控制，A35 跑 Linux 做复杂一点的推理和通信，ESP32-S3 当无线通信模块用和安全模块。数据通过 MQTT 传到 Docker 后端存储和可视化。训练框架 PyTorch，边缘推理引擎 ONNX Runtime，可视化 TensorBoard + Plotly。从硬实时控制芯片到云端训练，再到边缘端异构部署 的全栈式群体智能系统。系统底层采用 STM32MP257（A35+M33+NPU）与 ESP32-S3 双芯异构架构，确保微秒级安全响应与高算力 AI 推理共存；中层通过 EMQX + TimescaleDB + Grafana 实现千万级消息的实时数据中枢与时空可视化；上层接入课题组的多智能体强化学习（MARL）算法库（HetDPS、LazyAgents、MADPS 等），解决异构集群在稀疏奖励、通信受限、责任分散等挑战下的协同决策问题。

基于飞致云 MaxKB 知识库问答系统作为底座，快速完善企业在线智能客服的 AI 助手能力。主要负责 MaxKB 的二次配置、知识库构建、RAG 链路调优、多渠道接入及效果评测。 1.底座集成：部署并配置 MaxKB 开源版本，将其作为智能客服的核心引擎。利用其内置的模型管理、知识库管理和 RAG 流水线能力，大幅缩短开发周期。 2.知识库构建：梳理 10 万+ 条历史客服对话记录，完成清洗、分类与结构化处理，导入 MaxKB 知识库。通过文档分段、QA 对提取等方式提升知识召回率。 3.RAG 检索优化：在 MaxKB 原生 RAG 流程基础上，调整检索参数（Top-K、相似度阈值），并增加重排序（Rerank）环节。并基于 MaxKB 支持的模型接入能力，选用 Qwen3系列模型。利用收集的领域数据，通过 LoRA 方法进行轻量化微调，并集成回 MaxKB 底座。微调后客服场景回答准确率达 92%，幻觉率降至 5% 以下。通过 MaxKB 提供的 API 接口，实现与企业微信、App、Web 端等多渠道的无缝对接。开发简单的消息适配层，完成会话管理、上下文关联等基础功能。

智能症状诊断（对话式问诊） 业务描述：用户以自然语言描述主诉（如“膝关节不能下蹲”），AI通过多轮追问，引导用户补充细节（如疼痛部位、活动受限幅度、伴随体征）。 典型界面： 用户发送“不能下蹲” → AI先提问“下蹲幅度：小幅度障碍还是不能站直？” → 再问“过伸试验强阳性？” → 逐步缩小范围，输出可能的病因（滑膜炎、髌骨嵌顿、腘肌损伤等）。 价值：模拟医生问诊逻辑，避免用户盲目猜测，提高诊断专业性。 2️⃣ 分层鉴别诊断（结构化推理） 业务描述：按照预设的临床路径（如“下蹲障碍”诊断树），AI自动输出分步骤的鉴别诊断列表，区分小幅度障碍、不能站直、后侧疼痛等不同分支。 截图体现： 小幅度障碍 → 肿胀（查滑膜炎） / 髌骨嵌顿（查股骨-髌骨关系） 不能站直 → 过伸试验强阳性（查膝后侧） / 过屈试验阳性（查膝前侧） 后侧疼痛 → 查臀后侧、腘斜韧带等具体结构 大幅度障碍 → 查脊柱侧弯、骨盆旋移、腿型等全身因素 价值：帮助医生/学员建立清晰的临床思维路径，减少漏诊。 3️⃣ 治疗靶点推荐（针刀/针灸定位） 业务描述：当AI完成诊断后，直接输出需要查治的具体解剖结构或压痛点，例如“查治臀后侧、腘斜韧带、腘肌下隐窝、籽骨、半腱肌、半膜肌”。 扩展功能：可进一步点击某个靶点，查看针刀松解进针方法、解剖图示、操作视频。 价值：从“是什么病”快速过渡到“怎么治”，尤其适合针刀医师临床参考。 4️⃣ 体征试验引导（辅助检查） 业务描述：AI主动建议用户或医生完成特定物理检查试验，如“正/反4字试验、直腿抬高试验、过屈/过伸试验”，并根据试验结果再推理。 交互方式：用户点击试验名称，可以查看操作图解或视频演示；也可输入试验结果为“阳性/阴性”，AI更新诊断结论。 价值：标准化体格检查，提升远程问诊的可靠性。 5️⃣ 多模态教学资源关联 业务描述：在诊断结果下方，直接推荐相关的教学视频、名医课程，例如截图中的“膝关节相关疾病的诊断及进针思路”、“唐国振膝关节临床操作演示”。 业务形态：可免费预览部分内容，完整课程需付费/订阅解锁。 价值：实现“即诊即学”，构建从诊疗到教育的闭环，增加用户粘性和付费转化。 6️⃣ 主动追问与健康档案记录 业务描述：在用户未主动提问时，AI可主动发起常见问题，例如截图底部的三个引导按钮： “下蹲时膝关节有无疼痛？” “膝关节活动时有响声吗？” “平时走路或站立时膝盖感觉如何？” 数据沉淀：用户回答内容自动归入个人健康档案，形成长期追踪记录，未来复诊时可对比变化。 价值：变被动问答为主动健康管理，提升用户活跃度和数据丰富度。 7️⃣ 再答一次/调整诊断（可控生成） 业务描述：用户若对当前AI诊断不满意，可以点击“再答一次”按钮，AI会重新生成一组诊断思路或换一种推理逻辑（例如增加考虑肌筋膜链）

集成 AI 智能体与多 MCP 服务的浏览器扩展插件，面向文案创作、代码编写、数据处理等场景，打造智能化定制化服务能力。 ，制定模块交互规范与通信协议；完成 Java 接口开发、接口测试与异常处理；设计智能体完整工作流，搭建多类提示词模板，实现需求解析、任务拆解、服务调用、结果整合全流程自动化。同时优化任务拆解算法与 LLM 交互逻辑，增设异常重试、提示词动态调优能力，大幅提升系统运行效率与需求识别准确度。

构建生命健康领域 “数据接入 - 结构化 - AI 洞察” 持续运行体系，强化公司数据基础设施长期主轴。 明确生命健康行业数据分散、异构、脱节、治理成本高、连续性弱的核心痛点，确立以数据基础设施为稳定锚点的产品方向，不追逐短期 AI 热点，聚焦长期可复用数据价值。

SkyOps 是面向低空作业的任务级自治与风险推演智能体，定位于低空监管平台和无人机飞控系统之间的智能决策层。系统以深圳高层建筑外立面巡检为首个场景，综合任务目标、天气风速、GPS、空域审批、电量、图传、人流等约束，回答“该不该飞、何时飞、怎么飞、异常后怎么办、任务后如何复盘”。前端提供任务运营控制台，支持自然语言任务输入、规划生成、风险解释、异常注入、重规划、复盘报告和评测摘要展示。