人工智能 框架或代码包 软件定制 案例

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。

通过AI辅助资料结构化、概念试探、方案表达与文本校核 在不改变核心设计逻辑的前提下，对现有流程进行结构化升级，帮助团队实现更高效的方案推进、更稳定的过程控制，以及更高质量的成果输出。 帮助设计团队减少重复劳动，把精力投入到创意判断和方案深化中。

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。

本系统通过 API Gateway + Workers 微服务架构，实现从企业微信群消息到代码生成的全链路自动化。网关作为唯一公网入口，负责消息分发和路由，各业务模块通过 REST API 通信，可独立部署和扩展。 1. 智能任务解析与路由 LLM混合调度：根据任务复杂度自动选择本地Ollama（简单/中等任务）或云端Claude/GPT（复杂任务）。 去重与过滤：网关层对重复消息自动去重，避免同一任务多次触发。 2. 人机协同决策 确认机制：分析后的任务需用户通过飞书卡片确认或修改，支持超时自动取消或推迟（later状态）。 安全拦截：执行前可配置危险操作（如删除文件、高危命令）的拦截规则。 3. 多端集成与闭环记录 企业微信捕获：通过ntwork或UIAutomation监听群消息。 飞书多维表格：自动记录任务ID、标题、描述、代码仓库链接、完成状态等，形成可追溯的工作台账。 4. 灵活的部署与执行模式 双模式运行：单进程模式（开发/测试）与分布式模式（生产可扩展）。 干跑模式：支持--dry-run，在不实际执行代码的情况下验证全流程。 5. 可观测性与调试 提供/health、/queue/status、/tasks/{task_id}等接口，实时查看任务状态与队列积压。 支持--log-level DEBUG，便于排查问题。

1. 立项背景与目标 随着《新一代人工智能发展规划》的提出，多模态环境感知与目标跟踪技术成为重点发展方向。在公共安全、交通监控、物流机器人、无人机蜂群等场景中，目标在被遮挡或复杂环境下仍能被稳定追踪，具有重要的现实意义。 本项目旨在基于双目视觉，实现目标的三维定位与轨迹追踪，并能够在目标被遮挡或预测其未来位置时，仍保持追踪的连续性与准确性。最终目标是模拟真实道路环境，验证系统在车辆追踪任务中的有效性。 2. 功能概述 a.双目相机采集左右视图，实时获取目标三维坐标 b.使用YOLO算法进行目标识别 c.通过中位数平滑和样条插值构建目标的三维轨迹 d.支持多双目相机的轨迹融合（通过坐标系变换） e.在目标被遮挡或识别精度下降时，结合物理约束进行轨迹预测 3. 核心功能模块 目标识别模块：基于YOLO算法，实时检测图像中的目标（如车辆、包裹） 双目定位模块：使用SGBM算法进行立体匹配，计算视差并还原三维坐标 轨迹生成模块：对识别到的坐标进行平滑与插值，生成连续轨迹 轨迹预测模块：在目标被遮挡或识别异常时，结合历史轨迹与物理约束预测未来位置 多相机融合模块：将不同双目相机的轨迹通过坐标系变换统一为全局轨迹 4. 业务流程 (1).双目相机采集左右图像 (2)YOLO检测目标，输出目标在图像中的边界框 (3)对左右视图中的目标进行立体匹配，计算视差 (4)根据视差计算目标的三维坐标（相机坐标系） (5)对坐标进行中位数平滑与样条插值，生成轨迹 (6)若目标被遮挡或识别异常，进入预测模块 (7)可选：将多个双目相机的轨迹进行融合，输出全局轨迹 5. 功能路径描述 正常追踪路径：图像采集 → YOLO识别 → 立体匹配 → 坐标计算 → 轨迹平滑 → 输出轨迹 异常/遮挡路径：图像采集 → 识别失败 → 触发预测模块 → 基于历史轨迹 + 物理约束预测 → 输出预测轨迹

基于传统算法与YOLO的手机壳缺陷检测系统 一、立项背景与目标 手机壳生产环节中，划痕、气泡、毛边、色差等缺陷直接影响产品良率与用户体验。传统人工检测效率低、误检率高，难以满足大规模产线需求。本项目融合传统图像处理算法与YOLOv8目标检测模型，构建高精度、高效率的自动化缺陷检测系统，实现手机壳表面缺陷的实时识别、定位与分类，目标将检测准确率提升至98%以上，检测速度控制在0.5秒/件以内，显著降低人工成本与漏检率。 二、软件功能与核心模块 图像采集模块：支持工业相机实时采集手机壳多角度图像，自动触发拍照与图像预处理（灰度化、去噪、增强对比度）。 传统算法模块：基于OpenCV实现边缘检测、形态学操作、模板匹配等算法，用于快速筛查明显缺陷（如毛边、缺角）。 YOLOv8缺陷识别模块：训练专用缺陷数据集，实现对划痕、气泡、凹陷、印刷偏移等复杂缺陷的精准识别与定位，支持多类别输出。 结果融合与决策模块：综合传统算法与YOLO结果，通过置信度加权与规则引擎输出最终判定，支持缺陷类型、位置、严重等级标注。 人机交互界面：提供实时检测画面、缺陷热力图、统计报表、历史数据查询、报警推送等功能，支持参数配置与模型更新。 三、业务流程与功能路径 图像输入：工业相机采集手机壳图像 → 图像预处理 → 输入检测系统。 双路并行检测： 传统算法路径：边缘检测 → 形态学处理 → 缺陷初筛。 YOLO路径：图像输入 → YOLOv8推理 → 缺陷定位与分类。 结果融合：双路结果比对 → 置信度加权 → 最终判定（合格/不合格+缺陷类型）。 输出与反馈：显示缺陷位置与类型 → 生成检测报告 → 触发分拣机构 → 数据存入数据库 → 支持历史追溯与模型迭代优化。

技术栈：SpringBoot（Java）、阿里 AgentScope（Python）、Redis中间件、MemOs记忆系统、OSS、多智能体、Skill 技能系统、工作流剧本 项目简介： 企业级 AI 智能体平台，以多智能体协作 + 技能编排 + 工作流 + 记忆存储为核心，支撑智能客服、业务自动化、数据核对、日程管理等场景。

系统集成 AI 知识助手、多模态助手、企业知识库三大核心能力，支持仪表板快速生成、拖拽式大屏搭建、智能报告生成与剧本化编辑，并提供 AI 机器人聊天及自定义指标配置，打造覆盖智能交互、数据分析与可视化应用的全链路企业级平台。

基于条件变分自编码器（CVAE）的人脸图像生成技术深入。 通过构建CVAE模型，对人脸数据集进行预处理后开展模型训练，采用重构损失与KL散度以及二者结合的总损失函数，通过ReLU优化算法进行优化，以及梯度裁剪提升训练的稳定性和收敛性，最后通过网格图像以及FID对生成的图像进行评估。 该模型在生成人脸图像质量和多样性方面表现良好，能够有效实现人脸属性编辑、人脸合成等应用。

核心打造Brain-First 认知 AI agent，面向教学、内容创作、心理咨询等场景，提供可自主学习、长期记忆、主动思考的认知 AI 工作台。以独立 Brain 为决策核心，搭配 SEC 内生注意力与信念图持久记忆，实现自动认知循环、自主目标生成；支持教师 / 作家双角色代理与边界桥数据隔离，配备分级可控技能系统，可主动推送洞察、流程化执行任务，低成本稳定落地，让 AI 从被动响应升级为主动认知协作

1. 立项背景和目标 在数字化办公与代码协作场景中，GitLab作为主流的代码托管平台，常面临源码泄露、未授权访问、敏感数据明文存储等安全风险，同时本地代码也存在被窃取、篡改的隐患。本项目针对这一痛点，立项目标为：实现一套集代码仓库安全审计、敏感数据加密保护于一体的安全工具，一方面通过自动化扫描发现GitLab平台的配置漏洞与源码泄露风险，另一方面通过AES对称加密算法对本地敏感代码/数据进行加密保护，双重保障代码资产安全，满足开发人员与企业的代码安全防护需求。 2. 软件功能、核心功能模块的介绍 本项目包含两大核心功能模块，覆盖代码平台安全审计与本地数据加密全流程： GitLab安全审计模块：基于Dirsearch等目录扫描工具，对目标GitLab站点进行自动化目录遍历与路径探测，识别/admin、/.well-known、/api等敏感路径，排查未授权访问、配置泄露、源码泄露等安全风险；同时集成数据库审计能力，对GitLab后台数据库（如sqlgunnews库）的admin表进行密码哈希获取与弱口令检测，实现账号安全审计。 AES敏感数据加密模块：基于Python实现AES对称加密算法，支持对本地代码、配置文件、敏感业务数据进行加密/解密操作，采用CBC模式+随机IV向量保障加密安全性，同时集成日志记录功能，全程记录加密/解密的耗时、数据长度等关键信息，方便审计与追溯，防止敏感数据明文泄露。 3. 业务流程、功能路径描述 GitLab安全审计流程： 输入目标GitLab站点地址（如http://gitlab.example.com:9999/），启动目录扫描任务； 工具自动遍历站点路径，识别可访问的敏感目录与文件，返回状态码、文件大小等审计结果； 针对可访问的后台路径，进一步探测数据库接口，获取admin用户的密码哈希； 对获取的哈希进行弱口令检测，输出审计报告，标注风险等级与修复建议。 AES加密/解密流程： 加密流程：输入明文敏感数据与16位密钥→工具自动生成随机IV向量→采用AES-CBC模式加密→拼接IV与密文并转为十六进制字符串→输出加密结果，同时记录加密日志； 解密流程：输入十六进制密文与密钥→工具拆分IV与密文→采用AES-CBC模式解密→去除填充并转为明文→输出解密结果，同时记录解密耗时与日志

Neo AI 是一个基于图数据库（Neo4j）,RAG和大型语言模型（DeepSeek）构建的智能对话系统。它不仅能进行流畅的对话，还能记住用户的信息、关系和过往交互，提供真正的个性化体验。以及拥有网页agent skill 能够接入飞书等平台机器人以及部署至网站服务器 核心特性 🧠 长期记忆引擎：利用 Neo4j 图数据库和RAG存储实体（人、事、物）及其关系，实现跨会话的记忆能力。 🔗 智能实体消歧：内置实体解析算法，自动合并同一实体的不同称呼（如“Elon Musk”和“马斯克”），避免记忆碎片化。 💬 沉浸式对话： 预设“张咪”真人人设，性格鲜明。 支持打字机流式输出（Streaming）。 支持 Markdown 渲染（代码高亮、表格等）。 ⚡ 现代化技术栈：前后端分离架构，响应迅速。 具体请看 https://gitee.com/JL_L001/neo4j_ai

•联通在线APP等核心业务AI智能体全流程开发，完成业务需求拆解、场景设计及Agent/工作流/工具的串联集成，优化Prompt工程迭代效率，保障智能查号业务的高效运转。 •负责AI业务接口体系搭建，开发业务Mock接口，完成总控落域大模型服务接口联调，保障上下游系统数据交互顺畅，支撑日均万级请求的AI业务场景稳定运行。