框架或代码包 软件定制 案例

HOS-LS 是一个以 AI 为核心的代码安全分析与攻击链推理系统，从规则驱动转变为 AI 驱动，包含 AI 语义分析引擎、攻击链分析引擎、多Agent架构、Exploit生成和自动验证等核心功能。 HOS-LS 是一个以 AI 为核心的代码安全分析与攻击链推理系统，从规则驱动转变为 AI 驱动，包含 AI 语义分析引擎、攻击链分析引擎、多Agent架构、Exploit生成和自动验证等核心功能。 HOS-LS 是一个以 AI 为核心的代码安全分析与攻击链推理系统，从规则驱动转变为 AI 驱动，包含 AI 语义分析引擎、攻击链分析引擎、多Agent架构、Exploit生成和自动验证等核心功能。

Camstar 是面向离散制造业的 MES 核心系统，用于生产订单全流程管控、工艺路径管理、物料追溯与生产数据采集，实现工厂生产过程的数字化、透明化管理。系统核心功能包括：生产订单排程与下发、工艺路线维护、工序数据采集、设备状态监控、生产过程追溯、报表与看板分析，以及用户权限与系统日志管理，为生产执行层提供完整的数据支撑与流程控制能力。

统一支付支付清算系统是农信银用来处理支付清算业务、支付查询、对账等功能的微服务项目。 主要业务有汇兑交易、汇票交易、通存通兑交易、网联借记、网联贷记、日终对账、批次对账业务，其中网联借记和网联贷记的业务量一天大约400万。系统的调用方主要有柜面、网联渠道等。

审批反欺诈子系统是审批系统在处理审批过程中，根据客户上送的信息、历史客户申请记录信息和审批规则等内容获取到此客户命中的规则、对应的欺诈评分等信息，用来对审批工作提供参考。 标签分为横向标签和纵向标签，横向标签是根据客户的简单信息直接判断，例如：客户的年龄是否<30岁；纵向标签是根据客户进件信息和历史记录进行判断，例如：近三个月内，相同手机号不同客户的进件次数。

项目背景：该系统适用于弱网、高丢包、高抖动等复杂网络环境下的实时数据与音 视频传输场景，涵盖多人会议、直播连麦、在线教育、远程协作、工业采集、车载回传、 安防监控及物联网边缘上传等业务。同时，该系统可作为中心转发与媒体中继节点，承 担上行流的接入、解析、转发、路由和分发能力，并支持视频流与结构化业务数据在服 务端的统一接入、存储与后续处理，从而提升整体传输效率、系统稳定性与用户体验。

立项背景 本项目围绕全网云网一体化管控底座搭建，依托统一采集管控模块，完成全专业网络运行数据归集与设备操作集中管控，为上层各类业务系统提供基础能力支撑。伴随城域网智能化改造、各类专线 / 云业务、移网优化等业务逐年迭代落地，原有管控平台需配套迭代升级，补齐网元运维、数据采集、异常处置、高危操作管控等系列能力，适配多品类新业务的自动化开通、设备扩容、指标稽核等生产刚需。 二、项目建设目标 搭建一体化统一采集管控平台，覆盖固网、传输、城域网、云防火墙、移动通信多专业场景： 实现各类通信业务自动化开通，替代人工逐条配置，缩短业务上线周期； 落地全网设备自动化巡检、数据采集、故障预警与异常闭环处理，保障核心设备稳定运行； 完成海量智能网络设备接入适配与平台扩容，满足设备逐年扩容后的承载需求； 依托批量指令自动化下发，降低人工运维工作量、减少配置失误，提升全网运维智能化、标准化水平； 满足集团级运营指标的数据自动稽核，保障全网资源统计数据精准度。 平台核心软件功能 1. 基础管控类 网元基础管理：统一纳管全品类固网、传输、无线、云平台网元设备，实现设备台账、基础配置集中维护； 采集监控管理：自动化采集设备性能、告警、端口、时隙等全量运行数据，落地数据校验、统计核查能力，支撑集团指标核算； 纳管驱动适配：新增多类型设备接入驱动，兼容新型智能城域网设备、云防火墙等异构设备快速入网。 2. 业务自动化开通类 固网业务自动化：标准化指令下发，落地号码开户、停机、销户等固网业务自动化开通； 传输专线编排开通：复杂传输链路自动化串联编排，通过标准化配置文件下发实现链路资源自动激活； 多云网络策略开通：适配多类政企云资源，实现防火墙访问策略批量自动开通，配套预下发核验机制规避配置错误； 移网参数批量调优：联动无线运维系统，批量下发基站参数调整指令，实现基站性能动态优化。 3. 风险与运维保障类 高危指令管控 + 控制规则管理：对高风险设备操作指令做流程管控、权限约束，规范批量下发规则，规避误操作风险； 异常回滚处置：配置下发异常后支持配置一键回退，保障网络平稳； 预检预修：针对全网核心网设备、业务平台实现自动化定期巡检、配置备份，提升系统故障防御能力。

机械臂抓取系统 场景：机械臂从车上抓取 杆件/钩子，放到货架上。 核心业务流程 抓取任务 (catch_kfs, task_id=2)： 1. 移动到 catch_gan_ready 准备位 2. 视觉伺服逼近目标（RealSense 检测红色杆 → TF → 视觉伺服收敛） 3. 气泵吸附 → 夹爪抓取 4. 沿脱离路径 detach_gan_ready → detach_gan_1 → detach_gan_2 移动 5. 向下戳杆（Z - 0.27m 直线运动） 6. 通知 driver 抓取完成 放置任务 (place_kfs, task_id=3)： 1. 移动到 kfs{N}_touch_pos 触摸位 2. 打开气泵吸附 3. 退到 place_interim_pos_0 4. 笛卡尔空间移动到货架前方（x - 0.40m） 5. 直线插入货架位 6. 关闭气泵 → 放杆 7. 退到 ready 位 移动任务 (move_kfs, task_id=1)： - 支持关节空间（6轴+duration）和笛卡尔空间（xyz+rpy+duration）两种模式 - 可选气泵开关 视觉伺服 vision 节点检测红色杆 → 发布 camera_link → target_camera TF → arm_task 实时转换到 base_link → 持续发布 visual_target_pose 给 arm_calc 做闭环控制。 距离 < 0.35m 锁定目标位姿，位置误差 < 0.05m 判定收敛。

场景：面向家庭安防场景，针对用户对包裹相关事件（投递、家人取件、快递员取件、包裹盗窃）的高关注需求，基于视觉大语 言模型（VLM）的视频理解能力，构建多类别事件识别系统。 任务：负责视频多模态大模型的选型、训练与压缩， 构建覆盖图文预训练 → 安防垂域微调 → 偏好对齐（DPO） 的完整训练体 系，并设计轻量化方案以支持边端部署。

本基础框架是一个面向企业级应用开发的Java技术底座，旨在解决分布式系统开发中常见的基础设施集成、组件复用与配置管理问题。框架以Spring Boot为核心引擎，通过自动配置与模块化封装，对主流中间件与基础组件进行了统一整合，提供开箱即用的开发体验。开发者无需关注底层版本兼容性与繁琐的初始化配置，即可快速构建高可用、可观测、易扩展的业务系统。

基于天勤量化平台（国内期货、期权、股票），可以实现自动交易，跟单交易，自动风控，高频量化等等定制功能。 国内金融市场，期货期权交易大部分使用上期技术提供的CTP接口，但是CTP接口只有C++事件驱动接口，使用门槛较高，并且没有历史数据需要自己本地保存数据积累，所以使用过于专业。天勤量化平台提供的Python接口，并且提供历史数据实时获取，使自动交易策略实现更为容易。

AI模型 越来越多，软件功能也越来越丰富，客户端部署小模型应用也是当前的热门。目前还是英伟达显卡遥遥领先的情况下，模型推理加速首选还是TensorRT技术。 英伟达官网下载 TensorRT，注意要结合硬件选择对应的CUDA和CUDNN版本。 神经网络推理模型部署 将神经网络推理框架的接口和转换后的神经网络推理模型一起打包发布到客户终端。这里有个难点是推理框架和使用的推理硬件是有深度绑定的，而客户手上的硬件各有不同......。有两个不同的解决方法，一个是发布不同硬件版本的部署产品，一个是在客户的设备上进行一次神经网络推理模型的生成。 如果选择第二个方法，又会遇到新问题就是不想把自己辛苦训练的神经网络模型暴露给其他人，只想提供推理模型。那么又出来一个模型动态加解密的技术。。。

基于工业设备采集的时序数据，开发了一套轻量级异常检测算法Demo。通过滑动窗口统计、3σ原则对设备运行指标进行异常识别，支持数据可视化展示与异常点标记，可用于快速发现设备运行中的异常波动，辅助工业运维人员进行故障预判，提升数据驱动运维的效率。

## 1.1 功能需求（含升级预留设计） ### 1.1.1 基础核心功能（当前场景适配） - **异构设备接入管理**：支持PLC、喷泉泵、灯光控制器、音响、工业传感器等接入，兼容Modbus/EtherCAT/CANopen/鸿蒙分布式软总线协议；提供统一HAL层，设备即插即用（接入延迟≤100ms），状态监控（故障告警延迟≤1ms）。 - **微秒级实时控制**：鸿蒙实时内核驱动优先级调度，核心指令端到端延迟≤50μs；音乐节拍识别（准确率≥98%，延迟＜50ms）与设备动作精准绑定，多设备同步偏差＜50ns。 - **场景化配置管理**：可视化拖拽编排场景模板，支持导入导出与实时预览；调试模式支持单步执行，参数调整生效延迟≤20ms。 - **数据融合处理**：采集传感器/音频/视频数据（最高1kHz频率），内置滤波、频谱分析等轻量算法，处理延迟≤10ms。 ### 1.1.2 升级预留功能（天地人协同适配） - **多光谱感知接入预留**：HAL层预留1550nm激光、红外热成像、激光雷达等多光谱设备驱动接口，支持未来插件化接入（适配周期≤3天）；数据融合模块预留多光谱数据处理通道，支持与可见光/音频数据协同分析。 - **无人装备协同接口**：预留无人机等通信协议适配层（兼容MAVLink/UAVCAN），支持鸿蒙分布式软总线与无人装备直连；分布式协同模块预留“空-地”节点组网逻辑，可扩展至100+无人装备节点。 - **/应急场景适配点**：内置静默通信协议（1550nm激光通信）预留接口，支持未来集成国密SM4加密模块；数据存储模块支持应急场景下的离线缓存与灾后数据回溯，日志存储周期可扩展至1年。 - **集群协同能力预埋**：核心服务层预埋联邦学习算法框架接口，支持未来多节点数据协同训练；调度引擎预留“广域扫描-近距确认”两级控制逻辑，

1. 立项背景和目标 1.1 立项背景 文旅行业数据量激增，景点信息分散杂乱，传统方式难以高效处理和分析。为实现旅游数据的自动化采集、深度分析与可视化应用，构建旅游大数据推荐系统，助力文旅数字化升级。 1.2 项目目标 完成携程景点数据爬取、分布式存储与清洗，构建分层数据仓库； 实现景点数据多维度分析，挖掘评分、热度、价格、地域分布规律； 开发数据可视化大屏，直观展示统计结果，支撑运营决策； 搭建后台管理系统，实现景点管理、数据仪表盘与精准推荐。 2. 软件功能、核心模块介绍 数据采集模块：Python 爬虫抓取携程全国景点数据，含 25 个关键字段，输出 CSV 文件。 大数据存储模块：搭建 Hadoop+Spark+Hive 集群，构建 ODS/DWD 分层数据仓库，实现数据分布式存储与管理。 数据清洗分析模块：PySpark+Hive SQL 完成数据清洗、去重、标准化；实现评分 / 价格 / 热度分档、区域统计、综合评分建模等多维度分析。 数据可视化模块：DataEase 制作数据大屏，生成柱状图、饼图、雷达图、地图等，直观呈现数据。 后台管理模块：基于若依框架开发，实现景点信息管理、数据仪表盘、图表接口开发与优质景点推荐。 3. 业务流程、功能路径 整体流程：数据采集 → 存储 → 清洗 → 分析 → 可视化 → 后台管理与推荐 采集：Python 爬虫爬取携程数据，导出 CSV。 存储：HDFS 上传数据，Hive 建库建表。 清洗分析：Spark 清洗数据，Hive SQL 多维度分析，结果存入 MySQL。 可视化：DataEase 连接 MySQL，设计并发布数据大屏。 后台：若依框架开发管理系统，实现数据展示、管理与推荐功能。

项目描述: 通过本项目实现各个业务系统间服务的标准化调用和全行统一分布式架构，通过对报文标准改造后，将为灰度发布、多版本并行、热力地图采数、交易服务统一监控、交易全局路由、快速迭代开发等提供支撑基础。本项目涉及范围改造40多个系统，横跨研发8个团队，属于部门级重点项目。项目角色: 项目经理，统筹协调各方资源，保障项目进度，解决资源冲突，及时响应各系统需求，分批次调整投产策略，整理项目交付材料；

一、核心业务定位与整体流程 业务核心解决仓库 "货从哪来、放哪、去哪" 的全生命周期管理，通过单据驱动作业，实现库存数据的实时准确与作业流程的标准化。 采购/退货入库通知 → 生成入库单 → 到货验收（质检） → 合格上架/不合格退回 → 库存增加 ↓ 库存锁定（出库预占） → 生成出库任务 → 波次拣货（待实现） → 下架作业 → 出库确认 → 库存扣减 ↓ 定期/动态盘点 → 差异核对 → 库存调整 二、系统功能模块详解 1. 基础管理模块 作为系统的基础数据支撑，所有业务模块均依赖此模块： 仓库管理：维护仓库信息、库区、库位编码及库位容量 单据类型管理：定义入库 / 出库单类型（采购入库、销售出库、退货入库等） 物料管理：维护物料编码、名称、规格、单位、保质期等基础信息 客户 / 供应商管理：维护往来单位的基本信息和联系方式 2. 入库管理模块 入库通知管理：新增、编辑、删除、查询入库通知，支持批量导入 入库单管理：生成、审核、作废入库单，查看入库单明细和状态 批量操作：支持入库单的批量导出、批量打印功能 3. 质量管理模块 质量检验：对到货货物进行验收，录入合格 / 不合格数量 验收记录：查询所有历史验收记录，支持按订单号、物料编码筛选 不合格品处理：标记不合格品原因，记录退回或报废处理结果 4. 上架管理模块 待上架任务：展示所有已验收未上架的货物任务 上架作业：录入上架库位、托盘码、标签号，确认上架数量 上架记录：查询历史上架明细，支持按单据号、物料编码追溯 上架调整：修正上架过程中的数量错误，生成调整明细记录 5. 库存管理模块 即时库存查询：实时查询各库位、各批次的库存数量 库存明细：查看每一笔库存的入库时间、来源单据、库位信息 库存调整：手动调整库存数量，需记录调整原因并留痕 标签 / 托盘管理：管理货物的标签和托盘信息，支持扫码作业预留接口 6. 出库管理模块 出库通知管理：接收和维护出库需求信息 出库任务管理：生成和分配下架作业任务 下架管理：执行下架作业，确认下架数量 出库记录：查询历史出库明细，跟踪订单发货状态

本项目核心业务为货车始发场故障检测算法的研发、优化与落地实施，聚焦货车始发编组环节的故障排查需求，通过技术创新解决人工排查效率低、隐患识别不全面的行业痛点，提升货运安全管理水平，强化行业技术竞争力。项目以实现货车故障精准、高效识别为目标，完成从算法研发、系统开发到部署交付的全流程落地，最终通过可研评审，为后续实际应用奠定基础。

本项目面向卫星载荷在轨运行场景，目标是构建一套可部署在星载计算平台上的综合任务管理软件，支撑地面指令接收、任务调度、状态采集、数据处理和遥测下传等核心业务。系统围绕“指令进入、协议解析、任务执行、状态监控、结果反馈”的业务闭环设计，提供指令处理、数据总线、协议编解码、智能处理任务编排、设备状态采集、遥测数据组帧与下传等功能模块。业务流程上，地面上行指令经过编解码模块解析后进入指令处理模块，由执行协调器根据指令类型、约束条件和会话状态分发到对应业务行为；任务运行过程中，各模块通过数据总线交换状态、告警、推理结果和设备数据，状态采集模块持续监控关键指标，遥测模块按配置完成数据汇聚、序列化、组帧和链路分发，实现星上任务的可控、可观测和可追踪运行。

核心逻辑流： ```text 自我扫描 → 发现代码结构、知识缺口、系统问题 → 生成好奇心问题 → 定向学习相关知识 → 通过知识图、模式引擎、类比引擎进行本地思考 → 安全自我修改与优化 → 再次扫描，进入下一轮循环 ``` 核心模块包括： - `SelfScanner`：扫描自身代码和系统状态 - `CuriosityEngine`：根据知识缺口生成探索方向 - `KnowledgeGraph`：维护实体和关系，形成知识图 - `SelfModel`：构建系统对自身能力的认知 - `ThinkingEngine`：整合知识图、模式、类比，生成思考结果 - `SelfModificationEngine`：在安全机制下进行自我修改和优化 - `ThinkingDaemon`：支持 24/7 后台思考循环 项目特点： - 可以本地大脑，不依赖外部 API 完成核心思考 - 支持自我扫描、自我学习、自我修改 - 已引入安全机制，如宪法 Gate、SHA-256 校验、修改可回滚 - 危险能力模块已从公开仓库中移除，公开部分主要保留思考引擎核心 一句话概括： > 这是一个试图让个人 AI 助手从「被动问答工具」进化为「能持续观察自己、学习自己、改进自己」的自主 Agent 实验项目。

LCUAPI的项目有很多，但是绝大部分Python实现都过重及死板，我想要设计一个足够轻量化、使用灵活的LCUAPI连接器。 项目名称来自于皎月女神的武器“月刃”。 将与LOL后端服务的通信分为 "连接" 及 "分发事件" 两部分，完全解耦。