人工智能 框架或代码包 软件定制 案例

1. 立项背景和目标： 针对传统ProGAN在生成高分辨率纹理时存在的模式崩塌、细节模糊及训练不稳定性问题，本项目旨在构建一套高保真纹理生成系统。目标是通过算法优化，实现4K级无缝纹理的自动化生成，解决游戏与影视制作中美术资产生产效率低、重复度高的问题，将单张高质量纹理的生产时间从数小时缩短至分钟级，并显著提升生成结果的多样性与真实感。 2. 软件功能、核心功能模块的介绍： 系统包含三大核心模块： 改进型生成对抗网络核心：引入自适应实例归一化与谱归一化技术，优化ProGAN的渐进式增长策略，增强高频细节表现力； 纹理后处理与优化模块：集成超分辨率重建与色彩校正算法，自动修复生成瑕疵，支持PBR材质贴图（法线、粗糙度等）的一键导出； 交互式评估看板：提供FID/IS指标实时监控与人工偏好反馈接口，支持用户通过文本或草图引导生成方向。 3. 业务流程、功能路径描述： 用户输入参数或参考图→系统初始化噪声向量→进入改进的ProGAN渐进式生成流程（从低分辨率逐步上采样至目标分辨率）→经过判别器多尺度校验→输出基础纹理→通过后处理模块增强细节→最终交付高清无缝纹理资产并自动归档。

### 市场定位 CodeWeaver 是面向**高安全嵌入式/工业软件（军工GJB438C、航空DO‑178C、汽车ISO26262等）**的智能化单元测试用例生成工具，定位为**研发效率辅助工具，不做取证级工具**，采用本地私有化大模型Ollama，支持离线运行。 **对标产品**：LDRA/VectorCAST，但不走取证工具路线；做研发阶段前置增效，和国外取证工具互补。 **客户对象**：研究所、汽车零部件、医疗器械、核电、铁路软件团队。 ### 产品边界 - 明确是**研发辅助工具**，输出用例需要人工复核，不直接用于A级安全等级取证 - 规避高昂漫长的官方工具鉴定流程 - 核心价值：把设计文档业务约束自动转化测试场景，减轻工程师手工编写单元测试的重复劳动 ### 核心创新 **文档‑代码双向信息融合 + 约束‑场景映射的文档驱动测试**，并非单纯调用大模型生成测试代码的玩具Demo。

本项目是一套面向服装加工厂的生产记账管理系统，目标是解决工人计件、批次管理、工序定价、进出货记录和工资核算分散的问题。系统包含工人管理、工厂管理、生产批次、加工记录、预支与罚款、理工考勤、进出货、工资计算、审核、数据分析和 Excel 导出等模块。管理人员可以建立批次和工序价格，录入或审核生产记录，并按工人、时间和批次查询工资及生产情况。

立项背景：AI Agent（如Cline、Claude Desktop）需要解析HTML、抓取网页，但现有方案依赖重量级浏览器或复杂Python环境，部署成本高、依赖多。目标：打造轻量、免环境依赖的HTML解析MCP服务器，让任何Agent通过MCP协议一键接入。功能模块：四个核心工具——kage_parse_html解析HTML片段提取结构化数据；kage_fetch_url抓取URL并抽取内容；kage_render将HTML渲染为终端风格截图；kage_execute_js在DOM上下文执行JavaScript。业务流程：Agent通过MCP客户端配置调用kage服务器，传入HTML或URL，服务器以JSON-RPC返回结构化结果，全程无需Python、Node.js或浏览器运行时。

面向课程科研调研和文献综述场景，用户输入一个科研问题后，Manager、Scholar、Reader、Critic、Writer 五个 Agent 协作完成任务拆解、arXiv/PubMed 论文检索、摘要与本地 PDF 阅读、贡献提取、局限性反思和报告写作。系统生成 Survey、Mindmap、Literature Matrix、Run Log 等结果，并支持 DeepSeek、Qwen/DashScope 与 mock 模式。Web 端提供 Claude-like 三栏工作台、SSE 阶段状态、历史线程、搜索、归档、删除、明暗主题和 Artifact 阅读。

高光谱遥感模型在跨传感器、跨年份和跨场景应用时会遭遇光谱分布偏移，目标域通常又缺少训练标签。项目目标是建立一条可复现、可审计的无监督域适应研发链，而不是只展示单次最高精度。平台包含MAE/Transformer自监督表征、EMP/Gabor多编码器、最优传输伪标签与对齐、跨模型集成、合法与oracle诊断分离、多随机种子配对实验、集群运行交接、预注册和停止门禁。流程从共享波段与类别协议开始，训练源域模型，再在不读取目标训练标签的合法路径上适配；目标标签仅用于最终评价。每轮研究冻结配置、种子、日志、权重和决策，若未达到预注册阈值则保留负结果并停止扩张。

项目面向无法直接获得距离、只接收方位角信息的无人机编队定位与校正问题。核心目标不是单次求一个坐标，而是同时回答匿名发射机身份是否可辨、需要多少额外观测、圆形与锥形编队怎样选择锚点和轮换发射组、噪声及掉线下是否仍能收敛。系统由可识别性碰撞审计、离散编号枚举、连续位置反演、圆形编队增益选择、锥形拓扑轮换、雅可比秩证书和压力测试组成。业务/实验流程是先给定基准无人机与局部先验，枚举匿名组合并审计碰撞，再用非线性最小二乘反演位置；随后按最大最弱信息选择锚点，轮换发射组迭代调整，最后在角度噪声、参考点误差与接收掉线下评估。

工业质检常见缺陷样本少、类别变化快，难以为每种异常建立充分监督数据。项目目标是用正常样本学习特征分布，对未知异常输出样本级异常分数，并提供ROC、分数分布、排序图和低维可视化，便于比较模型版本。原型覆盖Deep SVDD、自编码器、PaDiM、PatchCore、DecompNet、ViT和Wide-ResNet多条技术路线；当前推荐版本以WideResNet50-2提取多尺度特征，在固定32×32网格上建立位置相关的高斯统计。业务/实验流程为整理正常训练集，提取layer1—3特征并降到128维，增量估计均值/协方差，计算马氏距离异常分数，最后在三组离线数据上汇总AUROC和诊断图。

业务价值 面向企业自建、私有化部署：在控制台配置模型、知识库、智能体、工作流与渠道，员工可在工作台 / IM 提问，业务系统可通过 OpenAPI（lb_ Token）或 Web 嵌入调用，全程可治理（权限、审批、人工确认、审计、License）。 核心功能 模型与智能体：多模型接入（OpenAI 兼容）、智能体目录，挂载知识库 / MCP / 技能 知识库 RAG：文档切片；Milvus 语义召回 + 关键词兜底 对话与工作台：试聊、/chat、Markdown / ECharts、PDF 等附件、HITL 续聊 工作流编排：可视化编排（Agent / 条件 / 循环 / 子流程 / 并行），运行可观测 数字员工：岗位壳（人设、头像）+ 按组织树控制「谁可用」 资源 ACL：智能体 / 知识库 / MCP / 技能 / 编排器「谁可见」 工具与数据：MCP、技能、数据 AI（只读/写 SQL）、沙箱执行；版本灰度与配额 渠道接入：企业微信、飞书、钉钉、Webhook、Web 嵌入 治理与安全：RBAC、审批发布、人工确认（HITL）、GT1 字段级确认、审计、追踪、失败队列、离线 License 典型场景 企业内部知识助手（挂知识库，企微/工作台提问） 多步流程 Agent（敏感写操作走人工确认） 业务系统对接（/v1/chat/completions 或 iframe 嵌入） 数据问答（只读/写 SQL，写操作默认可要求 HITL）

面向 AI 编程 Agent 的多会话编排平台，以"项目经理"视角统一调度多个 AI 编码会话并行工作。把复杂任务拆解给多个子会话同步推进，通过统一协议实时监控每个会话的进度、阻塞与产出，替代人工逐个盯窗口。 核心功能：1）28 个 MCP 工具，覆盖会话创建、进度轮询、后台监听、工具审批全生命周期；2）自适应工作流引擎，按模板逐步下发任务，每步完成自动提交下一步，遇阻塞自动暂停等待决策；3）三层共享内存，把项目元信息、架构决策、风险与经验教训注入子会话，避免重复上下文；4）权限策略引擎，自定义read-only / safe-edit / full-access 三级策略，拦截危险操作并支持一键放行；5）WebSocket 实时隧道，任务完成后自动推送结果，支持断线续跑。

一、立项背景与目标 随着语音交互在智能客服、车载、医疗记录等场景广泛落地，ASR 模型质量直接决定下游业务可用性。但业内存在两个痛点：一是模型评测常依赖厂商宣传数字，缺乏独立、可复现的客观评估手段；二是选型时面对百度、讯飞、阿里等多家厂商，难以在相同测试集上横向比较真实能力、错误类型与服务性能。本项目"ASR 全链路质量评估平台"即针对上述背景立项，目标是搭建一套端到端、可扩展、可复现的 ASR 自动化质量评估工具：输入一批待测音频及对应标准答案，平台自动调用被测 ASR 接口完成转写，基于编辑距离计算 CER 与 WER，细分替换/删除/插入三类错误，挖掘高频错误模式与场景短板，输出含 Bad Case 与优化建议的评估报告。项目既可作为个人测试工程能力的综合实战，也可作为团队 ASR 选型与回归测试的基础设施。 二、软件功能 平台提供命令行一体化入口，功能包括：测试数据生成（正弦波合成与 Windows TTS 真人发音两条路径）、批量调用真实 ASR 接口、文本归一化、多维度指标计算、错误画像分析、并发压测、Markdown 与交互式 HTML 双格式报告生成。所有第三方凭证均通过环境变量注入，仓库零明文敏感信息。 三、核心功能模块 1) 指标计算模块（metrics.py）：基于 Levenshtein 编辑距离的动态规划实现，对参考文本与识别结果做字符级与词级双向对齐，输出命中、替换、删除、插入四类计数及派生比率，并以 jiwer 库做数值交叉校验。 2) 文本归一化模块（textnorm.py）：依次执行去标点、NFKC 全角转半角、中文数字转阿拉伯数字、合并被空格分隔的单字母序列、统一小写，专用于消除"表示形式不同"导致的虚假错误。 3) ASR 客户端层（asr_client.py）：以 typing.Protocol 定义统一 transcribe 接口，实现 Mock、通用 HTTP、百度（HTTP+token 两步鉴权）、讯飞（WebSocket+HMAC-SHA256 签名+流式分帧）四类客户端，由工厂函数按配置返回。 4) 错误分析模块（error_analysis.py）：聚合字符级与词级错误构成、按场景标签分组画像、用 Counter 挖掘高频替换对/漏识字/多识字，并基于启发式规则自动生成优化建议。 5) 并发压测模块（benchmark.py）：基于 ThreadPoolExecutor 线程池对真实接口压测，统计 QPS、延迟 P50/P90/P99、成功率与错误分类，自动解读百度业务错误码。 6) 报告生成模块（report.py / report_html.py）：Jinja2 渲染 Markdown 与离线 HTML 报告，后者使用本地 vendor 的 ECharts + echarts-wordcloud

面向个人用户的去中心化本地AI Agent系统，用户数据完全本地存储，不上传云端。核心功能包括：1）基于大语言模型的智能对话与任务规划引擎，支持多轮复杂任务拆解；2）模块化插件架构，可接入浏览器自动化、邮件、日历等外部服务；3）本地向量数据库实现长期记忆管理，Agent可持续学习用户偏好；4）P2P通信协议支持多设备协同。系统注重隐私保护与离线可用性。

立项背景：asr和agent技术成熟，人类语音信息的是重要的现实世界信息来源，应当被记录利用 目标功能：实现跨平台的个人机器本地隐私化持续asr结果储存并可选利用 项目功能： 目前仅面向ubuntu桌面端的本地化语音识别及识别结果利用工具。 基线：持续的asr和唤醒词检测。 可选功能：快捷键或唤醒词检测唤醒，然后在光标处插入asr识别结果， 记录asr结果与时间戳到数据库（sqlite）， 调用llm/本地agent对语音结果进行反馈（执行操作或直接返回文字结果）， 其他可扩展消费asr结果的功能。

1. 具体功能模块 整机硬件集中控制模块 统一集成电磁阀、夹具轨道直线电机、丝杆电机、主轴、PLC 各类硬件信号，开发整机统一 SDK，完成全部硬件底层驱动集成，实现机床全部件集中调度控制。 多维度精度漂移抑制模块 通过 10 轴 IMU 采集振动数据搭建微震误差模型，搭配 WHT11 温度传感器构建热形变补偿模型，基于 U-Net 网络搭建刀具磨损识别模型，从震动、温度、刀具损耗三个维度抵消加工精度偏移。 双目高精度视觉定位模块 搭载 2000 万像素双目 CCD 相机，采用改进 ResNet18 网络完成金手指追踪定位，搭配自研亚像素几何边缘查找算法，70 毫秒内锁定精准加工坐标。 自适应恒强光源控制模块 采用 PID 闭环控制环形 LED 光源，支持工控机、设备自带控制器双端调控，软硬触发模式可选，消除导轨移动、车间光照波动带来的图像像素特征丢失问题。 轴联动运动加工模块 通过 Modbus TCP 通讯传输视觉定位坐标，系统自动反算加工轴位置，补偿物料倾斜偏差，联动主轴、丝杆完成全自动切削加工。 全流程自动化闭环模块 覆盖物料上料、夹具自动定位、视觉检测、高精度加工、成品出料完整工序，实时记录精度、速度、报废数据，支持设备运行状态实时监控。 2.功能 无需人工调整夹具物料倾斜角度，系统自动完成定位补偿，省去人工校准工序，实现全流程无人加工闭环。 稳定实现 0.8μm-1.4μm 加工精度，满足高端 PCB 金手指小于 10μm 的高精度生产要求。 自动抑制刀具加工弹跳、高温热漂移、刀具磨损带来的加工误差，有效降低产品报废与返工数量。 消除机床移动、现场光照变化对视觉成像的干扰，长期生产过程中金手指图像特征完整保留，加工成品一致性稳定。 一套控制系统统筹光源、视觉、电机、主轴、PLC 全部硬件，不用搭配多套独立控制程序，设备运维操作简单。 3. 技术 整机全硬件 SDK 集成开发，多电机、主轴、电磁阀、PLC 底层驱动协议整合技术。 多传感器融合误差补偿技术，包含 10 轴 IMU 微震建模、WHT11 温度热形变补偿、U-Net 刀具磨损视觉识别。 2000 万像素双目 CCD 视觉成像技术，改进 ResNet18 目标追踪算法，自研亚像素物料边缘查找算法。 PID 恒强环形光源自适应调控技术，支持软硬双触发成像控制。 Modbus TCP 工业实时通讯技术，视觉坐标反算与多加工轴联动运动控制技术。 4. 优势 加工精度稳定维持在 0.8μm-1.4μm，远超客户 10μm 的精度标准，适配高端 PCB 精加工生产需求。 产品废品率降低 32%，有效减少原材料损耗与返工工时。 产线整体加工速度提升 60%，单位时间产出量大幅提高。 完全取消人工调机、校准工位，实现全自动无人化连续生产。 自适应光源系统解决光照变化干扰，视觉成像长期稳定，设备故障率更低

本项目面向受限停车场景下的自动驾驶车辆路径规划与导航需求，目标是提升车辆在狭窄通道、密集障碍物和有限操纵空间中的停车成功率、安全性和规划效率。系统结合大语言模型（LLM）、Hybrid A* 路径规划和深度强化学习技术：LLM 负责分析停车场布局、障碍物分布及目标车位，生成高层语义规划指导；Hybrid A* 根据车辆运动学约束搜索可行全局路径；基于 PPO 的深度强化学习导航模块输出速度和转向角，实现局部路径跟踪、连续控制和动态避障。业务流程为：输入车辆初始状态、目标停车位及环境地图后，系统先进行场景建模和障碍物检测，再由 LLM 生成规划提示，Hybrid A* 完成路径搜索，最后由 DRL 控制模块执行导航并持续评估安全距离、路径平滑度和停车精度，直至车辆安全到达目标车位。

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

立项背景：制造业/工程企业积累了大量德语技术论坛日志（含零件号、扭矩、测量规格）及工程图纸附件，存在语言障碍且难以直接喂给 RAG 检索系统；人工翻译成本高，且极易在翻译中丢失或改写关键参数。目标：构建一条自动化管线，将原始德语日志清洗、翻译为英文，封装成 RAG 就绪的结构化 Markdown 知识库，核心技术参数 100% 保真。 核心功能模块： 1) 噪音清洗——自动剔除论坛签名、导航条、邮件页脚，同时保留供应商联系方式与技术引用； 2) 保真翻译——抽取零件号/扭矩/测量等实体并掩码，仅翻译普通文本，再逐字节回注原值，附计数校验闸门； 3) 附件富集——图像两级过滤 + 视觉大模型(VLM)结构化提取工程元数据； 4) Markdown 封装——YAML 头 + 面包屑元数据注入； 5) 日志合并——按宏域合并为主日志，供向量库分块入库。 业务流程：原始德语日志 → 清洗 → 实体掩码 → 翻译 → 回注 → 校验闸门 → 英文 Markdown（含元数据）→ 按域合并 → RAG 入库。

本地部署特教领域知识库 本地大模型 RAG 知识图谱构建 数据清洗 前后端实现 服务部署与搭建 本地大模型 RAG 知识图谱构建 数据清洗 前后端实现 服务部署与搭建。 本地部署特教领域知识库 本地大模型 RAG 知识图谱构建 数据清洗 前后端实现 服务部署与搭建 本地大模型 RAG 知识图谱构建 数据清洗 前后端实现 服务部署与搭建。

可以迅速通过自然语言搭建智能体平台。包含管理平台，智能体引擎，交互子系统。 1. 模型管理：可灵活配置在离线模型 2. 模板管理：行业定制化模板 3. 内置工具：包含通用工具和行业专业工具 4. 知识库子系统 5. 智能体搭建：通过自然语言搭建

立项背景：漏洞挖掘流程高度碎片化——侦察用一套工具，审计用另一套，报告再 手工整理。一个目标从拿到域名到产出报告通常需要切换 4-5 个工具，耗时 2-4 小时。目标是造一个扔什么进去都能自动识别、走对应流水线、最后产出结构化报 告的统一调度器。 核心功能：输入任意目标（域名/源码仓库/APK/JWT Token/合约地址/Dockerfile/ GraphQL端点/API端点），系统自动检测目标类型，路由到 8 条专项流水线之一： Web 域名走 subfinder→httpx→nuclei 全链；源码仓库走 scanner-45→semgrep→ gitleaks 三引擎并行；JWT 走 alg:none + RS→HS 混淆 + 弱密钥爆破。19 个安全 专用 Agent 按漏洞类型分工，dispatch-router 用 15 条 regex 规则实现智能匹 配，Top-2 Agent 分数差距≤2 时触发歧义检测，要求先澄清再动手。 业务流程：用户扔目标 → 类型自动检测（8 种类型识别，含 confidence 评分） → 路由到对应流水线 → 多维扫描 → 增量去重（SHA256 指纹，SQLite 持久化） → 降噪评分（负分滤掉 favicon/WAF/IP 指纹等噪音，正分加权 CVE/XSS/SQLi 等真实漏洞）→ 结构化 JSON 报告 + 人读摘要 → 通知 Dashboard/桌宠完成。