人工智能 操作系统 软件定制 案例

1. 立项背景与目标 背景：传统运维工具（Zabbix、Nagios等）架构重、门槛高，难以覆盖边缘节点；故障排查依赖人工经验，效率低；变更操作缺乏AI辅助和细粒度审批审计。ops-agent将系统巡检、AI问诊、安全审批和可视化看板整合为统一单机程序，填补市场空白。 目标：交付v0.1.0版本，提供TUI/Daemon/Dashboard三种运行模式；以LLM实现自然语言驱动的智能运维；建立本地审查+LLM评估+人工审批三层安全机制；发行包一键部署，开箱即用。 2. 软件功能与核心模块 智能对话引擎：集成LLM，支持自然语言交互，内置ReAct和Plan-and-Execute双策略自动适配任务复杂度，自主调用系统工具，实现“对话即运维”。 安全管控中心：本地规则硬拦截+LLM辅助风险评估+人工风险队列审批三层防线，五级风险分级（只读到关键变更），全程审计可追溯。 自动化巡检与调度：后台守护进程支持Cron定时采集CPU/内存/磁盘/网络等指标，扩展至K8s/容器/Prometheus巡检，阈值告警推送钉钉/企微，告警归并为Incident故障事件。 用户交互层：TUI终端界面（ratatui，六Tab页，键盘导航）+ Web Dashboard（React，可视化看板）。 3. 核心业务流程 故障诊断修复流程：SSH登录→TUI对话页输入自然语言（如“nginx起不来”）→Agent经LLM意图分析，调用check_service/journalctl等诊断工具（安全审查保障只读）→流式呈现诊断结果→修复操作识别为高风险→进入风险队列待人工审批（a键批准/x键拒绝）→执行并反馈结果。 无人值守巡检与干预流程：Daemon systemd开机自启→按Cron定时执行巡检（指标每分钟，深度每30分钟）→数据写入SQLite→超阈值生成告警并推送钉钉/企微→运维人员通过Dashboard/TUI介入查看→查阅Incident时间线和处置计划→高风险操作仍经人工审批后执行。 4. 项目范围与约束 包含：v0.1.0全部功能开发（24个功能点）、测试、文档、发行包及安装脚本。 不包含：第三方监控系统迁移工具、SaaS云服务、移动端APP、高可用集群部署。 技术约束：Rust 2024 + tokio；前端React+TypeScript+Bun；SQLite。 环境约束：兼容麒麟/Linux（x86_64/aarch64），依赖systemd和Python 3.8+，可选kubectl/Docker。

Dify，Ragflow,langraph运行平台。 MCP展示执行平台。 RuoYi应用框架做载体。 SpringCloud alibaba 做微服务支持。实现业务系统智能体在平台运行展示结果。 使用RuoYi框架的权限体系和系统管理，支撑整个平台业务。平台实现API调用和API生成来支持执行和结果展示。用RuoYi框架的权限体系和系统管理，支撑整个平台业务。平台实现API调用和API生成来支持执行和结果展示。用RuoYi框架的权限体系和系统管理，支撑整个平台业务。平台实现API调用和API生成来支持执行和结果展示。

将安卓S905L机顶盒，2GB+16GB配置，完整改造为可以跑通armbian的linux服务器，本地部署openclaw服务并且完整运行，实现本地24小时低功耗运行的AI服务器（整机功耗小于5W），并且配置网络穿透，外网也可访问。同时部署了青龙自动化运行平台，可用于跑自动化脚本及任务

1.立项背景和目标 随着PCB高密度、高精度发展趋势，金手指位置度检测成为影响连接可靠性的关键工序。传统人工检测效率低、一致性差，难以满足批量生产中的精度要求。针对方正PCB的实际产品，开发出一套基于线扫描相机与同轴线光的金手指位置度检测方案，目标实现对金手指中心线偏移量的自动化测量，检测重复性控制在0.01mm以内，提升检测效率与标准化水平。 2.软件功能、核心功能模块介绍 本方案主要包括图像采集模块、位置度计算模块、重复性分析模块、结果输出模块。图像采集模块通过线扫相机和伺服移动系统获取高分辨率PCB图像；位置度计算模块以“两线平分中分线”为基准，测量左右第一根金手指到中心线的距离；重复性分析模块对多次测量结果进行极差计算，评估系统稳定性；结果输出模块生成检测数据表，支持数据追溯。 3.业务流程、功能路径描述 操作员将PCB放入固定载具 → 启动设备 → 将产品送至扫描位 → 线扫相机与同轴线光采集图像 → 软件计算金手指位置度数据 → 设备自动切换至背光，翻转产品后二次扫描 → 完成检测后送出产品。整个过程通过软件界面实时监控检测状态与结果，支持数据导出和重复性验证。

DataClone 是面向硬盘/固态硬盘数据恢复场景的桌面端工具，目标是在源盘存在坏道、文件系统异常或历史任务中断的情况下，尽量安全地完成数据克隆、文件系统解析、文件扫描和恢复导出。系统支持新建/打开任务、选择源设备与输出目标，输出 RAW/VHD/VHDX 镜像；提供多阶段复制、暂停/继续/终止、断点续传、全盘校验、LBA 状态位图、十六进制查看等能力。解析侧支持 NTFS、FAT、exFAT 文件系统，可浏览目录树、搜索文件、按扩展名/时间分组、查看节点详情和区段追溯；扫描侧通过文件签名识别图片、文档、压缩包、音视频、SQLite 等候选文件，并支持候选导出、删除项恢复和 PDF 修复副本生成，适合做数据恢复流程中的镜像、分析、验证和结果导出。

本项目构建了一个跨语言异构分布式计算平台，核心目标是在单一系统中整合多种编程语言的优势，实现高性能计算任务的统一调度与执行。系统采用经典的分层架构设计：Java Swing 客户端作为用户交互入口，通过 HTTP REST API 与 Python Flask 调度服务器通信；Python 层负责任务解析、负载均衡和结果汇总，并通过子进程调用 C++ 计算引擎执行实际运算；C++ 引擎实现了快速排序、归并排序、堆排序、矩阵乘法/求逆/行列式、统计分析、埃拉托色尼筛法素数计算等算法；C 语言通信库提供跨平台的 Socket 通信和共享内存 IPC 机制，支持进程间高效数据传输。

vLLM-Ascend ：昇腾 NPU 上的大模型推理部署 前言：近两年大语言模型的推理需求爆发式增长，推理引擎成为了AI工程落地的核心基础设施。举个例子，爆发式增长的推理需求相当于一群车过马路，传统的推理引擎就是“单车道马路”，容易拥堵。而vLLM是业界领先的开源推理框架，相当于“十车道高速公路”，让AI的响应更快更迅速、成本也更低。 为了支持昇腾AI芯片生态，vLLM社区在去年年底推出了vLLM-Ascend硬件插件‌。就像是为昇腾芯片量身定制的“适配器”，巴适得很。截至 2025 年 12 月，vLLM-Ascend 已支持 Llama、Qwen、ChatGLM、Mixtral 等主流架构，并具备 Expert Parallelism（EP）、多模态、Embedding 模型等高级能力

雇主想要在手机上面进行开发 便想让我与一些队友开发出一个安卓平台的aiide，复刻了基本的一些aiide的功能，也有取舍， 基本上对代码编辑， ai厂商与聚合平台的集成， 联网，思考，agent分层对话，页面动态，ui设计 termux的接人，实现终端一些功能

技术栈：智能体框架、MCP、大模型本地部署、ollama、Docker、微服务、Centos7环境支持多智能体协同作战、实时数据分析及自适应任务编排，满足军用场景下的可靠性、低延迟与保密性需求。支持多种主流大模型问答与工具调用功能。支持智能体扩展。

实现智能客服，语音转文字、文字转语音、IVR语音导航、通话录音。在呼叫中心基础上实现智能客服接待用户报修和咨询工作，替代现有人工客服，实现快速报修、24小时值守，减少客服人员数量为供热公司节约人力成本。

该系统主要是兰卫对于对接的医院送来的样本进行一个检测，将样本信息录入到中心实验室系统中。系统会根据该样本信息做一个分配处理包括常见的检验分类，然后分配适合的仪器进行报告检测，最终将报告推送给我们对接好的医院的 lims 系统中，医护人员便可以轻松的查看对应的检验报告。项目包括以下主要模块：数据公共系统、基础管理系统、常规检验系统、遗传系统、院感系统、特检系统、外送系统、申请单系统、网关系统、定时任务系统、报告生成系统 等。