人工智能 框架或代码包 软件定制 案例

在无人作战/军事仿真场景中，需智能体系统协调多无人平台（UAV、UGV、机器狗等）完成复杂任务。传统方案依赖人工指令与固定流程，难以应对动态任务和自然语言交互。本项目构建基于 LLM 的多 Agent 协同系统，实现自然语言驱动的任务规划、调度与执行。核心目标：支持自然语言任务输入并自动分解为可执行动作序列；多 Agent 协同（任务规划、调度、会议助手、状态检查等）；WebSocket/MQTT 双通道与上位机通信；通过 MCP 协议动态扩展工具能力；Docker 容器化部署，兼容 x86/ARM64。

主要负责RealMan六自由度机械臂与五指灵巧手的目标视觉识别与抓取算法研发，支撑团队多机器人取餐配送系统。实现闭环抓取工作流，融合视觉模型与控制模块，构建从视觉感知到精准抓取的完整解决方案，进行较为可靠的抓取操作。

项目背景：公司级 web 项目基础框架，提供 web 容器服务 技术栈：React16 + Node.js + Express + CAS 业务价值： 支撑公司 3 大行业业务线及业务中台的所有 web 项目开发，实现跨部门的微前端服务整合，缩减各大业务线开发成本、维护成本，提升开发效率。

随着公司AI战略的深入，各类业务对基于领域知识的智能问答需求激增。同时对于不同的应用场景需要支持不同的系统能力，比如解析学城文档表格、大模型对长文本内容总结summary、提供通用AI检索API接口等后续部分应用可能会对文档文本、图片、表格等多模态AI检索能力有部分诉求，因此期望建设支持公司特殊业务场景专有知识管理平台，包括数据解析、知识管理、知识检索能力，大幅提升同类项目的搭建效率。另外随着多模态应用（如故障图片识别）的兴起，缺乏高效的数据标注工具，人工标注成本高昂，因此建设一个面向公司垂类的AI 基础设施平台，成为支撑业务快速创新与降本增效的关键。

立项背景与目标： 针对传统 RAG 系统在处理“图文混合文档”时无法识别图片内容，以及面对“复杂逻辑问题”时回答准确率低的痛点，本项目旨在构建一个生产级、多模态、具备推理能力**的企业知识问答中台，助力企业将非结构化文档（PDF/Word）转化为可交互的智能资产。 核心功能与业务流程： 1. Agentic RAG (智能体检索)**：基于 LangGraph 构建了具备“自我反思”能力的 Agent 状态机。 意图路由：精准区分闲聊/问答，避免资源浪费。 自我评估 (Self-Reflection)：Agent 会对检索结果进行质量打分。如果发现相关性不足（Score < 0.8），会自动触发查询改写 (Query Rewrite) 并重新检索，直到找到满意答案或达到重试上限。 动态规划：针对复杂问题，自动拆解为多个子任务并行执行。 2. 多路混合检索 (Hybrid Search)**： 摒弃单一的向量检索，采用 Vector (语义) + BM25 (关键词) + Rerank (重排序)的黄金组合。 引入 Cross-Encoder 模型进行二次精排，像“阅卷老师”一样剔除伪相关文档，检索准确率提升至 89%。 3. 全链路多模态 (Multi-modal)： 集成 VLM (视觉大模型)，不仅能读懂文本，还能理解 PDF 中的图片、图表，实现真正的“图文跨模态检索”。 4. 生产级异步架构： 利用 Celery + Redis 构建高并发流水线，实现 GB 级大文件的异步解析与后台向量化，确保前端操作零卡顿。

1.以 Stable Diffusion XL 模型为重点，保证一定延时的条件下，最大化地提高吞吐。 以 Pytorch Fp16 格式模型为基准，可在无损条件下实现单模型推理 1.41 倍加速，单 GPU 整体吞吐提升 1.52 倍，考虑 Int8 量化的有损情况下可达到单模型 2.1 倍加速。 2. 搭建文生图模型推理服务框架，支持 Lora、Controlnet 等主流功能以及高并发推理场景。

图论算法在交通网络规划、通信网络设计、电力系统布线等领域应用广泛。本项目旨在通过实现最小生成树的核心算法（Prim和Kruskal），构建一个交互式的算法演示系统。目标不仅在于展示算法原理，更重要的是建立理论与实际应用之间的桥梁，帮助学习者直观理解算法在资源优化配置中的价值，培养解决实际工程问题的能力。 包含六大核心功能模块： 1. 图结构管理模块：支持邻接矩阵表示的加权无向图，提供预置高速公路示例图和随机图 生成功能 2. Prim算法模块：实现基于贪心策略的最小生成树算法，时间复杂度O（V3），适合稠密图 3. Kruskal算法模块：实现基于并查集的算法，时间复杂度O（Elog E），适合稀疏图 4.算法对比分析模块：对比两种算法的执行过程、时间空间复杂度、适用场景 5. 高速公路应用场景模块：将抽象算法转化为具体的工程规划问题，提供成本效益分析 6. 交互式演示系统：提供7种操作的命令行菜单，支持用户交互和实时演示。 用户启动程序后，首先加载预置的高速公路网络示例图。通过交互式菜单，用户可选择：①查看图结构；②从指定城市开始执行 Prim算法并观察逐步构建过程；③执行 Kruskal算法并观察按权重排序的选择过程；④对比两种算法的结果和性能差异；⑤查看如何将最小生成树应用于高速公路建设规划；⑥创建新的随机测试图验证算法通用性；⑦查看算法正确性证明。整个流程形成"理论一实现一验证一应用"的完整学习

1.为某外企汽车公司研发的一套车机系统自动化测试平台, 针对车机的UI/UX、功能和性能, 实现全方位的测试. 2.此平台针对不同人群匹配不同的使用方式. 例如, 针对测试开发人员, 可以基于已封装或者自己封装的功能模块来编写测试用例; 针对不懂开发的人员, 可以通过输入自然语言, 依托大模型转变成代码的方式实现测试用例的编写. 3.对应不同车型和版本, 有一套严谨的代码管理方案, 实现一平台能适配多车型多版本的测试需求和场景. 4.核心功能包括: 界面元素的定位和操作, UI/UX的校验, 文字识别, 图像识别, 录屏, 视频识别, 日志监控, 数据可视化等.

1.立项背景 现有微服务架构的购物网站平台，但首页推荐长期依赖简单规则及人工运营，无法基于用户推荐且转化率偏低。因此上层觉得开发市场分析和个性化推荐服务。 2.项目目标： •在不改动现有 Java 微服务整体架构的前提下，引入机器学习推荐与预测系统。 •用户登录首页提供个性化推荐列表，推荐结果按天离线更新，且可扩展到其他场景。 3.主要痛点： •传统市场分析预测造成的用户点击率低和下单率差距大。 •线上实时性与线下复杂计算的要平衡，不能造成线上接口延迟。 4.软件核心功能介绍 这是一个离线训练的推荐系统，根据用户历史行为与特征，生成 Top K 个个性化推荐商品，并通过接口返回给前端展示。功能模块： •数据与特征服务模块： 汇总 MySQL的订单表等及埋点统计点击数据；使用 Spark SQL 生成多维度特征表。 •序列建模与RNN召回: 把用户购买行为明细加工为时间序列；通过 PyTorch 实现 RNN模型，预测未来用户感兴趣的商品，生成结果表。 •精排打分LR模块LR：基于 Spark MLlib 的 Logistic Regression 模型，对候选集合进行购买概率预测排序。 •推荐结果融合与存储模块：对模型输出进行规格化，将最终推荐结果写入 MongoDB。 •发布推荐查询服务模块：辑封装到基于 Flask 的查询 API 中，供登录/首页推荐服务调用。 •调度与运维模块：通过 Docker + cron（或调度平台）定时调度 Spark 作业与 Python 推理脚本。 5. 业务流程、功能路径描述： 1)离线计算流程 •定时任务启动服务从 MySQL同步前一日数据到大数据平台, 生成/更新特征表。 •模型学习用户下单行为序列样本，利用训练好的模型对全量用户进行批量推理。 •将推理结果写入 MongoDB。 2)线上推荐查询流程 •用户登录电视台 App/网站首页。 •首页服务调用内部推荐服务接口,将查询结果返回前端。未命中返回默认热门商品。

该项目主要实现机器人在室外变电站、室内配电房巡检与消防处置相关功能；通过搭载多传感器（激光雷达、imu、轮速计、GPS等）融合系统，实现全天候自动化作业，具备环境参数监测、设备状态识别、安全合规检测等功能，并采用激光雷达导航技术实现厘米级精准避障，当完成任务后自主返回充电放进行自主充电。

一、业务和功能介绍 1. 立项背景和目标 随着铁路客运系统的日益普及，乘客对于车票信息的获取和分析需求不断提高。然而，市面上大多数购票平台仅提供基础的查询功能，缺乏对售票趋势、起售时间、卧铺余量等深度分析的支持。本项目“火车票分析助手”旨在开发一款集车票查询、卧铺售票分析、起售时间查询于一体的本地化工具，帮助用户更高效地获取和分析火车票信息，辅助出行决策。 2. 软件功能与核心功能模块 本系统主要包括三大功能模块： 车票查询模块：支持用户输入出发地、目的地及出发时间，实时查询并展示相关车次、座位类型、票价等信息。 卧铺售票分析模块：针对用户指定的路线，分析卧铺类车票的售票情况，辅助判断余票趋势。 车票起售时间查询模块：根据车站名称查询该站车票的官方起售时间，帮助用户掌握最佳购票时机。 3. 业务流程与功能路径 用户首先在“车票查询”界面输入查询条件，系统返回车票列表；若需进一步分析卧铺售票情况，可切换至“卧铺售票分析”模块进行专项查询；而“车票起售时间”模块则独立提供各车站的售票时间信息。整个流程清晰、模块耦合度低，用户可根据需求灵活切换功能路径。

1、通过该系统可实时的对施工现场的吊钩及时的进行安全检测 2、功能方面可选不同模型对目标进行检测，也可以定制化模型实习一个系统检测多类别模型系统 3、可通过图片，视频，摄像头等对其进行检测，并且将检测结果保存

- 功能层面： - 非接触式精准监测：运用医用级摄像头，对保温箱内的早产儿进行持续视频采集，无需传感器直接接触婴儿，避免了对婴儿造成刺激。基于改进的深度学习算法，如YOLOv4/YOLOv5等，能够精准定位早产儿的头部、四肢、躯干等关键身体部位，实现对其姿态的高精度识别。 - 异常行为智能检测：通过对早产儿姿态的时序分析，系统可以有效识别出持续性异常体位、活动减少等异常姿态模式。一旦检测到这些异常，便会及时发出预警，提示医护人员关注潜在的神经系统问题。 - 模型优化与实时性保障：采用TensorRT等技术对姿态识别模型进行加速，确保系统能够在不损失过多精度的前提下，实现对早产儿姿态的实时监测与分析。针对早产儿体型小、易出现遮挡等特点，对模型的anchor设计进行针对性优化，提升模型在复杂情况下的鲁棒性。 - 业务层面： - 助力早期风险筛查：能够协助医生尽早发现早产儿患脑瘫、神经发育迟缓等疾病的风险信号，为早期干预争取宝贵时间。研究表明，早期干预可使早产儿的脑瘫发生率从35.5‰降到9.4‰ ，对改善早产儿的健康预后具有重要意义。

使用yacc/lexer实现的简易的pascal-s编译器，能够将指定语法的pascal-s语言代码编译为特定的目标代码，工作流程为：源程序--词法分析器--> token流（一连串token）--语法分析器--> parser tree(or ast) --分析判断源程序是否合法，并给出语义错误，最后进行翻译-->目标语言

基于LangChain框架，给GPT模型以谷歌学术工具，输入要搜索的文献关键字，智能体能够自动搜索文献并返回结果。并且加入了历史消息对话功能，能让智能体针对上下文进一步处理用户输入，比如用户先输入了要查询的主题为"LLM"，智能体返回第一次结果，用户可以针对结果输入相关的提示词，如"刚刚第一篇论文的作者是谁？"

1. 为了确保企业数据合规和防泄漏以及符合法律规范，需本地搭建企业用AI并且落地企业相关可使用功能 2. 功能包括前端统一入口，后端大语言推理基座并且运行大语言模型 3. 企业级用AI应用 包括知识库智能问答，翻译，数据智能分析，企业应用对接等 4. 安全和合规 - 敏感词过滤法律合规 并且 须考虑API安全等网络安全问题

将待处理的视频输出为字幕擦除后的视频及附加字幕提取文件（若客户需求） 需求多为要能兼容横板及竖版视频，字幕多为英文或中文单行及多行形式 难点在于成本及输出效果，成本通过下述项目实现具体阐述，输出效果的区别在于无码化，详见上传的结果示例

CSUF重建系统显著减少了迭代算法的超参数依赖。并且在仅使用 20 个投影的条件下，重建的 CT 图像的峰值信噪比（PSNR）和结构相似性指数（SSIM）出色可达 26 dB 和 0.85。实验结果表明，重建图像具有较好的视觉质量，能够满足临床诊断的需求。

搭载红外避障模块，能在火灾、地震等危险场景中，替代人员进入高温、浓烟或结构受损的楼梯区域，完成双重任务：一是环境探测（如监测温度、气体浓度），二是物资输送（如传递急救药品、小型救援设备），规避人员进入危险区域的伤亡风险。

语音采集功能，通过电脑端的扬声器采集声音 语音识别功能，基于ASR任务识别语音为文字 语音识别结果纠错，通过大模型进行分析语音意图，纠正语音模糊带来的问题 调用MCP服务，大模型来调用可用的tool，若无法分析出语音意图就返回“请重新录入需求”