嵌入式软件 软件定制 案例

### 多 Agent 智能协作 6 个专业 Agent（Sisyphus、Code Analyzer、Programmer、Refactor Master、Test Expert、Librarian）通过 4 种协作模式（Sequential、Parallel、Debate、Main-with-Helpers）智能协作。基于意图识别自动选择 Agent，并行执行提升效率，自动综合多专家意见。 ### 深度代码理解 集成 LSP（Language Server Protocol）、AST（抽象语法树）分析和语义代码搜索。支持 Python、JavaScript、TypeScript 等主流语言，提供类型推导、引用分析、基于向量的语义检索。自动识别代码结构和依赖关系。 ### 智能编排系统 7 种编排策略（Simple、ReAct、Multi-Agent、Parallel、Conditional、Workflow、Sisyphus）自动选择最优方案。ReAct 模式支持推理-行动循环，条件分支实现动态决策，并行执行提升性能。 ### 完整工具链 34+ 专业工具，包含项目理解（文档发现、结构分析、代码地图）、代码搜索（文本、正则、语义、AST）、LSP 工具（诊断、跳转、引用、重命名）、文件操作（读写、批量操作、补丁）、Git 工具（状态、差异、日志）。 ### 智能记忆系统 分层存储架构（会话级、用户级、全局级），对话树结构支持多分支，智能压缩和摘要，相关性检索。多轮对话保持上下文，记住用户偏好和习惯，跨会话知识复用。 ### Skill 配置系统 14+ 预置技能，灵活的 Prompt 模板，工具和编排器配置，可扩展的技能定义。YAML 配置驱动，Jinja2 模板引擎，动态加载和热更新。

主要实现，rk3588linux驱动以及系统集成，驱动包括各种外设驱动，如音频编解码芯片，摄像头，触摸屏，edp，lvds，mipi屏，千兆以太网phy，各种传感器外设驱动，nfc等 集成各种三方库，以及支持多种系统，支持npu加速 其他nxp平台或者intel平台，以及单片机等相关的都没问题

本人曾任职前端开发岗位，主要负责公司核心SaaS平台的前端开发与迭代工作，业务覆盖广告运营、大数据分析、海外营销等核心领域，同时涉及OA办公系统、SCRM客户管理系统的前端构建，还包含聊天消息、文字转语音、数字人、图片转视频等特色功能模块。

1.此项目主要为满足商业场景下有线视频信号一分多路显示的需求。 2.产品主要包含MCU(STM32)和视频传输芯片，其中MCU通过模拟I2C与视频传输芯片的I2C寄存器进行交互，实现有线视频传输的接收与分配。接收芯片将接收到的一路视频信号，分成完全相同的4路输出，输出到不同的显示设备上。

一、 立项背景与目标 在矿山开采、隧道掘进等土方工程中，传送带上渣土的运输量是衡量工程进度、控制成本与评估安全（如避免欠挖、超挖）的关键指标。传统依赖人工估算或间断性计量的方式，存在效率低、精度差、无法实时预警等问题。本项目旨在开发一套基于激光雷达扫描的自动化实时监测系统，核心目标包括： 1. 实现高精度实时监测：利用激光雷达扫描技术，实时获取传送带渣土断面轮廓，通过算法精确计算方量，替代低效的人工估算。 2. 构建稳定可靠的数据链路：开发标准化的数据采集、通信、存储与展示模块，确保监测数据从采集端到用户端的完整、可靠与实时。 3. 提升系统集成与部署效率：通过模块化、标准化设计，特别是通用通讯与驱动封装，大幅缩短不同类型传感器（激光雷达、相机、惯导等）的接入与调试周期，便于现场快速部署与维护。 二、 软件功能与核心模块 系统以模块化思想构建，主要包括以下功能与核心模块： 1. 核心监控功能： ◦ 渣土体积实时计算：基于激光雷达扫描的断面点云数据，结合算法模型实时计算渣土截面积与累计体积。 ◦ 数据可视化看板：提供实时体积曲线、历史数据查询、报警信息（如超限）展示等界面。 2. 核心支撑模块： ◦ 硬件驱动与数据采集模块：基于统一的通讯框架，封装了激光雷达、相机、惯导、测距仪等常用设备的驱动，实现数据的标准化接入与解析。 ◦ 工业通讯模块：支持TCP/IP、WebService、Modbus TCP三类主流工业协议，实现了与PLC、第三方系统等设备的可靠数据交互，是设备快速接入的基础。 ◦ 数据处理与算法模块：对激光雷达原始点云数据应用滑动滤波等机制，滤除噪声，大幅提升轮廓识别与体积计算的准确性。 ◦ 数据管理模块：基于ODBC统一接口，支持将处理结果、报警日志等数据持久化存储至MySQL、SQL Server等数据库。 ◦ 系统服务模块：集成glog进行分级日志管理，记录系统运行、错误及操作审计信息，保障系统可维护性。 三、 业务流程与功能路径描述 1. 数据采集与处理流程： ◦ 硬件扫描：安装于传送带上方的激光雷达按设定频率对通过的渣土进行横向扫描，获取一系列表示渣土表面轮廓的三维点云数据。 ◦ 驱动解析：硬件驱动模块接收雷达的原始数据流，并解析为系统内部标准的点云数据结构。 ◦ 滤波优化：点云数据送入数据处理与算法模块，经过滑动滤波等算法处理，去除因物料滑落、水滴、粉尘等造成的噪声点，得到洁净、准确的渣土断面轮廓线。 2. 体积计算与系统监控流程： ◦ 体积解算：根据滤波后的轮廓线与传送带速度（可通过编码器或系统设定获取），实时计算当前渣土的

一、 立项背景与目标 在智能化矿山掘进作业中，对掘锚机的实时、高精度位姿感知是实现自动导航与安全作业的核心前提。传统方案依赖单一定位技术，存在精度低、可靠性差、环境适应性弱的问题。本项目旨在构建一套集成了机器视觉、激光定位与多源传感器的高精度实时感知系统，核心目标包括： 实现亚像素级高精度感知：通过轻量化视觉模型与激光光斑分析，为位姿解算提供高精度输入。 完成六自由度位姿精准解算：融合视觉、惯性导航等多源信息，实现厘米级定位与亚度级姿态测量。 构建可扩展的监控平台：开发插件化上位机系统，灵活集成UWB、SLAM、环视相机等多种传感器，实现掘锚机状态的可视化实时监控。 二、 软件功能与核心模块 系统由下位机智能感知系统与上位机多源融合平台两大部分构成： 下位机智能感知系统： 功能：负责靶标视觉识别、激光光斑定位与六自由度位姿解算。 核心模块： 轻量化视觉识别模块：基于C++部署的YOLOv5模型，实时识别特定靶标。 激光特征提取模块：采用OpenCV的Blob分析，通过自适应阈值与形态学处理，实现光斑质心亚像素级定位（误差<0.1px）。 位姿解算模块：核心为EPnP算法，融合IMU数据构建优化模型，输出高精度位姿（俯仰/横滚角误差<0.5°，横向精度±2cm）。 上位机多源融合平台： 功能：集成并融合多传感器数据，进行实时可视化展示与监控。 核心模块： 多源数据融合引擎：基于卡尔曼滤波，实时融合UWB（±5cm）、LOAM-SLAM（20Hz）、超声波、360°环视RTSP流、IMU等数据。 Qt插件化框架：基于Qt Plugin机制开发，定义了统一的Google Protobuf数据通信协议与插件管理接口。 设备插件集：包括UWB定位插件、SLAM建图插件、超声波雷达插件、视频流处理插件等，支持热插拔。 三、 业务流程与功能路径描述 下位机高精度位姿解算流程： 图像采集与识别：工业相机捕获现场图像，轻量化视觉识别模块（YOLOv5）​ 实时检测并框出靶标。 激光光斑定位：激光器投射光斑至靶标，激光特征提取模块对图像进行Blob分析，计算出光斑的亚像素级精确质心坐标。 多源数据融合解算：将靶标框、光斑质心坐标与惯性导航模块（IMU）​ 的实时角度、加速度数据一同输入位姿解算模块（EPnP）。该模块通过求解欧拉角-平移矩阵联合优化模型，最终输出掘锚机相对于目标的六自由度位姿（包括三维位置与三维姿态角）。 上位机综合监控与数据融合流程： 插件化数据接入：各类传感器（UWB基站、SLAM激光雷达、超声波传感器、环视相机）通过对应的设备插件接入系统。插件将原始数据统一封装为Protobuf格式报文。 中心化数据融合：多源数据融合引擎接收来自各插件的标准报文，以下位机解算的高精度位姿为重要观测值，结合UWB绝对位置、

控制仪器进行运动，对细胞计数，对各种细胞计数的结果值以及结果图片进行展示，展示结果保存进数据库，对数据库历史数据进行调用展示，且软件添加审计追踪功能，保证客户行为的追踪等等。

1、负责细胞样本的长时间动态成像工作,采用高精度显微镜设备对活体细胞进行连续72小时以上的实时观察和图像采集,确保实验数据的完整性和准确性。 2、开发并实施标准化的图像处理流程,将算法结果包括但不限于:细胞计数统计、形态学参数测量(面积/周长/圆度)、荧光强度定量分析等关键指标值进行展示。 3、建立完善的实验数据管理系统,将原始图像数据和分析结果按照标准命名规范归档存储至本地数据库,实现数据的长期保存和快速检索功能。 4、设计并实施基于角色的访问控制系统(RBAC),为不同级别的研究人员配置差异化的数据访问权限(查看/编辑/下载),确保敏感实验数据的安全性。 5、开发审计追踪功能模块,详细记录所有用户的登录时间点及关键操作行为(如数据修改记录),满足实验室质量管理体系(GLP)的合规性要求。

我给你用最清晰、最实用、不啰嗦的方式，讲清楚 Linux BSP 开发到底是什么、做什么、要会什么、怎么学。 一、Linux BSP 是什么 BSP = Board Support Package，板级支持包 简单说： 让 Linux 能在一块具体的硬件板子上跑起来的所有软件集合。 它不是一个单一文件，而是一整套： - 启动代码（Bootloader） - Linux 内核配置与移植 - 设备驱动 - 设备树（DTS） - 底层硬件初始化 - 系统适配与调试 一句话： BSP 就是 Linux 和硬件之间的“翻译官 + 驱动层 + 启动层”。   二、BSP 开发主要做什么 典型工作内容（按实际项目流程）： 1. 系统 bring up（最核心） - 让板子上电能跑 - 移植 U‑Boot / TF-A - 调试 DDR、时钟、电源 2. Linux 内核移植 - 适配 CPU 平台（ARM、RISC‑V 等） - 内核配置、裁剪、编译 - 设备树 DTS 编写与调试 3. 底层驱动开发/调试 - I2C、SPI、UART、GPIO - PWM、ADC、时钟、中断 - 网口、EMMC/SD、NAND Flash - 显示、音频、摄像头（部分平台） 4. 系统稳定性与性能 - 低功耗调试 - 时钟/电源域配置 - 内核死机、panic 问题定位 5. 与应用/硬件联调 - 给上层提供稳定接口 - 解决硬件bug、时序问题   三、适合谁做？前景如何 - 偏 嵌入式底层、硬件相关软件 - 比纯应用开发更靠近硬件，薪资普遍更高 - 汽车电子、工业控制、机器人、IPC、ARM 服务器大量需求 你之前在搞 Ubuntu、驱动、硬件调试，其实已经在 BSP 边缘了。   四、必须掌握的技能（最简清单） - C 语言（指针、内存、位操作） - ARM/嵌入式基础（寄存器、中断、时钟） - Linux 基础命令、Makefile、Shell - U‑Boot 移植与使用 - Linux 内核配置、编译、启动流程 - 设备树 DTS/DTSI 必学 - 驱动基础：platform、I2C、SPI - 调试：串口 log、JLink / OpenOCD、GDB - 看懂原理图、 datasheet   五、学习路线（最快上手） 1. 先玩一块开发板（正点原子/野火/ARM 官方） 2. 学会编译 U‑Boot + Kernel + 根文件系统 3. 写设备树，点亮 LED、配置 I2C 4. 写简单字符驱动 / I2C 驱动 5. 调试启动问题、panic、硬件时序   如果你愿意，我可以直接给你： - 一份 BSP 开发工程师面试题（高频） - 或 从零到入职 BSP 的 30 天学习路线

本项目是一个面向锅炉管屏制造行业的AutoCAD插件系统,用于自动化设计和生成管屏装配图纸。系统主要解决传统手工绘制管屏图纸效率低、易出错的问题。 核心功能包括: 1.BOM管理: 从MOM系统获取项目BOM数据,包括装配体、零件、管段的层级结构和材质规格信息 2.参数化设计: 通过可视化界面输入设计参数(起点坐标、方向向量、管段尺寸等),系统自动计算几何数据并生成CAD图形 3.几何计算引擎: 支持直线、平面圆弧、空间圆弧等复杂几何元素的自动计算,包括弯曲补偿、长度累计等 4.焊点管理: 自动计算焊点位置和不可焊接区域,支持附件引起的特殊不可焊接区域标注 5.镜像装配: 支持管屏的镜像装配功能,自动处理坐标变换和几何翻转 6.数据持久化: 使用本地BoltDB数据库和云端Go服务双重存储,保证设计数据的安全性和可追溯性

IP语音系统是基于IP网络传输语音信号的电话通信系统，通过部署IP语音中继设备将传统电话网络与IP网络连接，实现跨区域免费通话，本项目是基于网络终端设备，实现在路由器上的IP电话功能，控制协议使用SIP协议，媒体使用RTP协议，配合软交换实现各种补充业务，主要客户是各国网络运营商，通过RJ11口连接电话机，实现电话功能。

作为高速公路车道设备的主控单元，主要作用为： 1、作为收费系统对车道设备进行管理和协议转换的节点，用来管理车道的各种外设 2、用来监控车道设备的运行状态，并将状态数据发送到设备监控系统

该项目是一个融合了3D 数字人交互与生成式AI数据分析的商业智能平台。它不仅仅是一个数据可视化工具，更是一个能够"听懂"你意图、"会说话"的智能数据分析师。该项目获得某黑客松银奖。 🤖 核心功能与 AI 实现原理 (Core AI Features) 本项目通过精细的 Prompt Engineering 和 Multi-Agent 架构，在三个核心场景深度集成了 LLM 能力。 1. 📊 智能数据大屏 (AI Dashboard Generation) 功能描述：上传文件，立即可视化。零配置，零学习成本。用户无需拖拽任何字段，上传即生成一个结构完整、逻辑清晰的初始仪表盘。 2. 🤖 数字人讲解 (AI Narration & Sync) 功能描述：不仅看图，还能听懂图。数字人实时播报数据洞察。 每一张展示在屏幕上的图表，背后都有一个专属的数字人播报。 3. 💬 智能问数 功能描述：一句自然语言，完成复杂数据分析。 为了解决复杂问题设计了三个分工明确的 Agent： 🧭 Router Agent（路由与拆解） 角色定位：他是"大脑"，负责分析用户问题的意图，将其拆解为多个子任务。 核心能力： - 🎯 意图识别：理解用户真实需求 - 🧩 任务拆解：复杂问题分解为简单子任务 - 📋 执行规划：生成结构化的执行计划

红外音智能家居项目:基于ESP8266 NodeMCU开发板以及天问aispro语音识别模块实现控制灯与空调，通过舵机模拟物理开关动作，结合Blinker平台和天猫精灵语音服务，实现了手机App远程控制与智能语音双模联动的灯具改造方案。其核心以低成本iFi模块驱动舵机精准控制传统开关，支持状态实时反馈与自定义交互界面，兼顾实用性与可扩展性。 个人博客链接：https://blog.csdn.net/m0_63692467/article/details/147074557?fromshare=blogdetail&sharetype=blogdetail&sharerId=147074557&sharerefer=PC&sharesource=m0_63692467&sharefrom=from_link

本系统基于 C++ 面向对象编程 思想开发，主要运用以下核心技术： 1. 类与对象封装 使用  class  定义员工类，将员工编号、姓名、年龄、工资等属性与添加、显示、修改等成员函数进行封装，提高代码安全性与可维护性。 2. 模块化程序设计 按功能拆分为添加模块、查询模块、删除模块、文件模块等，结构清晰，便于调试与扩展。 3. 数据存储结构 使用数组或链表存储员工信息，实现对多条数据的统一管理与快速操作。 4. 文件操作（数据持久化） 通过文件流  fstream  实现数据的写入与读取，保证程序关闭后数据不丢失，重新运行可自动加载。 5. 菜单交互与逻辑控制 使用循环、分支语句实现控制台菜单交互，提供友好的操作界面，提升用户使用体验。 6. 数据合法性校验 对输入的年龄、工号等信息做简单判断，避免非法数据，增强程序健壮性。

该项目是将ai、康养陪护、日常净饮等方面融合的产物。涵盖了微信小程序端、后台运营端、安卓硬件端。用户可以通过微信扫码进行绑定设备和人员，设置自己喜爱的小辈们的声音作为安卓端音色，进行别样的人机交互生活，从而使得数据流入后台。通过算法或手动触发或语音唤醒等方式进行紧急情况的呼救

实时测控海水质量、环境温度等同步到自建云，实现远程操控。系统借助Wi-Fi模拟NB - IoT通信，实现数据远程传输。该方式能有效降低成本，同时保证数据的稳定传输，满足远程监控的需求。采用MQTT协议上传数据，具有高效、可靠的特点。能将采集的海水温度等数据及时准确地传输到服务器，便于后续分析和处理。通过远程界面，管理人员可以实时查看海水温度，还能查看历史温度曲线，了解温度变化趋势。同时，可对设备进行远程控制，实现智能化管理。

1. 立项背景与目标：针对传统水表生产人工操作效率低、读数误差大、溯源困难等痛点，立项搭建自动化平台，目标是整合多技术实现水表读数识别、吹表校准、读码雕刻全流程自动化，提升生产效率与产品精度，降低人力成本，实现生产数字化溯源。​ 2. 软件功能及核心模块：核心模块含视觉读数识别、自动吹表校准、读码雕刻管控、全流程数据溯源，配套设备联动、异常报警、参数配置等辅助功能，支撑各工位协同作业。​ 3. 业务流程路径：水表依次经工位一视觉读数采集→工位二自动吹表清洁+读数校准→工位四自动读码核验→激光雕刻→雕刻复检，全流程联动输送，异常分流人工处理。

立项背景 在无人机目标识别场景中，有时需要在同一系统中同时完成多类目标或多任务的识别。如果为每个任务分别部署独立模型，将导致模型参数量大、推理效率低、部署和维护成本高。 因此，有必要在保证检测效果的前提下，通过结构设计实现多任务目标检测的统一与优化。 立项目标 基于 YOLO 目标检测框架，设计并实现一种共享主干网络的多目标识别方案，通过引入多 Head / Neck 结构，在同一模型中完成多个检测任务，降低整体参数量和计算开销，提高系统的实用性与部署效率。 二、软件功能与核心模块介绍 1. 软件功能介绍 支持基于 YOLO 的多目标检测 支持多个检测任务在同一模型中并行执行 通过共享主干网络减少模型参数规模 支持图片与视频流输入 提供检测结果的可视化输出 2. 核心模块介绍 （1）特征提取模块（Backbone） 负责对输入图像进行统一的特征提取，作为多个检测任务的共享基础，减少重复计算。 （2）特征融合模块（Neck） 针对不同任务配置独立的特征融合结构，在共享特征的基础上增强各任务的表达能力。 （3）检测头模块（Head） 为不同任务分别设置检测头，完成各自的目标分类与位置回归。 三、业务流程与功能背景介绍 1. 功能背景介绍 在多任务目标检测场景中，传统方案通常采用多个独立模型分别处理不同任务，存在资源占用高、系统复杂度高的问题。本项目通过统一模型结构，实现多任务目标检测的集中处理，更适合对性能和资源敏感的应用场景。 2. 业务流程说明 2.1. 训练流程 收集多任务标注数据，每个任务拥有独立的训练集 数据统一格式，方便输入共享主干网络 所有任务的数据都会用于更新共享的 Backbone，确保基础特征表示能力适用于所有任务 Backbone 学习通用特征，减少模型参数重复 每个任务独立训练自己的 Neck 与 Head 模块 根据任务目标进行优化，保证任务专有特征有效提取 与共享 Backbone 协同工作，实现多任务并行优化 训练过程中，Backbone 与各任务分支交替优化 最终得到既共享通用特征，又具备多任务检测能力的模型 2.2 使用流程 Backbone 对输入数据提取通用特征，作为多任务检测基础 各任务独立的 Neck & Head 模块接收共享特征 输出各自的检测结果（如不同目标类别或任务指标） 将各任务检测结果汇总 支持视频流叠加显示或输出结构化数据（CSV/JSON） 汇总检测结果并进行可视化输出

对高速汽车充电站进行智能监控和运维，利用物联网通信技术，实时监测充电桩的运行状态，当发现充电桩运行异常可以产生告警并且允许人员远程操控充电桩重置重启来解决故障。 可以对充电桩的视频画面进行实时监控和分析，分析有无烟雾、火焰、人员倒地、油车占位等异常隐患，当系统发现异常时及时告警，将人物损失降到最低。