人工智能 爬虫/脚本 软件定制 案例

基于Auto.js开发的微信自动抢红包脚本，通过监听系统通知实时响应红包消息，自动点击横幅进入聊天界面，并利用固定坐标快速点击红包和“开”按钮。脚本支持多次重试机制，确保红包被及时抢到，无需人工干预，极大提升抢红包成功率。

本项目旨在解决 SAP BW 系统运维中人工监控效率低、响应滞后、易遗漏异常的痛点，通过 RPA 机器人替代人工，实现对 SAP BW 数据加载、任务执行、系统状态的 7×24 小时自动化监控。 核心功能模块包括： SAP BW 监控模块：RPA 自动登录 SAP 系统，定时检查 BW 进程、数据加载任务、系统日志及关键指标，识别任务失败、数据异常、系统告警等问题。 智能通知模块：当监控到异常时，RPA 触发微信消息推送，将异常详情、影响范围、建议处理措施实时推送给运维人员；同时可调用 Python 接口，通过电话语音或系统声音输出进行二次告警，确保关键问题不被遗漏。 辅助识别模块：集成 Python OCR 图片文字识别能力，自动解析 SAP BW 监控截图中的关键信息，补充到告警内容中，提升问题定位效率。 业务流程为：RPA 定时巡检→发现异常→触发多渠道告警→运维人员接收并处理→RPA 记录处理结果并归档，形成闭环运维监控体系，大幅降低人工成本，提升运维响应速度和系统稳定性。

核心负责华为AI智能语音音箱的时间/日程/闹钟核心模块全流程开发： 时间算法：攻克自然语言时间解析难点，设计多场景时间提取算法，精准解析用户语音输入中的时间信息（含多日期、多时间节点），适配中文多样化时间表述（如 “明天下午3点”“下周二上午10点到12点” 等），保障时间解析准确率； 高并发性能优化：重构闹钟服务多线程调度逻辑，针对百万级用户并发触发闹钟的场景做性能调优，通过线程池复用、任务分片、锁粒度优化等手段，将系统响应时间缩短 20%，支撑高并发场景下的服务稳定性。

将历史的日期特征和天气特征数字化，结合历史客流量得到输入数据，组合为LSTM算法的输入，并将LSTM算法的输出经过全连接神经网络得到未来一天的客流量预测值，最后将未来一天的日期和天气特征通过另一个全连接神经网络计算得到一个权值，修正客流量预测值，为地铁运营部门提供参考，提前调整地铁运行系统。目前主要是预测整条线路的天粒度的客流量。

本项目开发出基于人脸检测与跟踪算法的远程驾驶系统。驾驶员通过脸部的细微运动即可远程控制车辆的行驶，解放了双手。项目的核心是基于 AdaBoost 算法的人脸检测与跟踪技术以及基于 TCP-SOCKET 的远程通信技术。项目的关键技术难点在于人脸检测的准确性、判别算法的鲁棒性和通信系统的实时性。项目很好地满足了这几点要求。

1. 背景：通过机器学习训练自己的投资习惯进行定投的Agent，解放用户的精力和为客户实现盈利。 2. 功能：通过机器学习算法和长期积累的数据训练小模型，通过自动化脚本操作金融平台，为用户自动进行投资，可按用户要求定制止盈和止损策略。 3. 交付成果：此辅助程序为用户提供了极大的便利，解放用户双手，自动化进行执行并且平均每日产生至少15%的收益。

系统每日在指定时间段内随机触发，自动抓取知乎等平台的当日头条内容，结合AI文生图技术生成高质量配图，并将图文消息自动推送至微信群。整个流程无需人工干预，实现从热点发现、内容创作到社群分发的全链路自动化，提升信息传播效率与运营智能化水平。 1、定时触发机制：每天在指定时间段内自动启动任务流程。 2、随机时间执行：在设定的时间段内，系统随机选择一个具体执行时刻，避免固定时间点的可预测性。 3、头部内容抓取：自动获取主流平台（如知乎）当日的“头条”或热门帖子内容（标题+正文）。 4、AI图文生成：基于抓取的文本内容，调用文生图AI模型自动生成匹配的图像。 5、自动推送至微信群：将生成的图文内容（文字+图片）自动发送到指定微信群，完成信息分发。 6、端到端自动化运营：无需人工干预，实现从内容采集 → 图像生成 → 社群发布的一体化流程。

本项目旨在为政府及企业提供高效的网络舆情监测与智能化分析解决方案。 1. 核心功能 ： - 多源数据采集 ：内置百度新闻等主流媒体爬虫，支持通过XPath自定义配置抓取规则，实现对各类新闻门户及网页内容的精准采集。 - 智能内容分析 ：集成AI大模型接口，对采集的文章进行深度清洗、自动摘要提取及情感倾向分析。 - 可视化驾驶舱 ：提供数据大屏（Dashboard），利用图表实时展示舆情走势、来源分布及关键词云。 - 自动化报告 ：支持基于分析结果一键生成标准化的PDF舆情简报，便于归档与汇报。 2. 业务流程 ：用户配置爬虫任务 -> 系统自动抓取数据 -> AI引擎进行深度分析 -> 最终通过可视化大屏展示并生成可下载的分析报告。

项目背景：游戏环境复杂多变，人工监控游戏状况耗时费力且易出错。 目标：实现游戏状况自动精准监控与智能操作。核心模块含图像识别游戏画面、数据处理分析、自动化脚本执行。流程：识别画面，分析数据，自动操作。 最终实现全自动对指定游戏进行操作，包括不限于日常任务，战斗，账号管理，账号异常通知用户以及完善的错误处理机制

（一）定制化Python爬虫开发 1. 全场景数据采集定制 ​ - 支持网页、APP接口、小程序、API接口等多源数据采集，适配静态页面、动态JavaScript渲染（Vue/React）、反爬机制（验证码、IP封锁、Cookie验证）等复杂场景。 ​ - 可定制数据字段提取、格式转换（Excel/CSV/JSON/数据库直连）、定时采集、增量更新等个性化需求。 ​ 2. 反爬策略深度适配 ​ - 内置IP池自动切换、User-Agent随机伪装、请求频率控制、Cookie池管理等基础反爬方案； ​ - 针对高难度反爬场景（滑块验证、短信验证、设备指纹识别），提供定制化破解方案，确保爬虫稳定运行。 ​ 3. 爬虫性能优化 ​ - 支持多线程、多进程、异步协程（aiohttp）优化，提升采集效率； ​ - 实现断点续爬、异常重试、日志监控功能，避免数据丢失，便于问题排查。 （二）高强度代码加密混淆 1. 多层级混淆防护 ​ - 基础混淆：变量名/函数名/类名随机替换（支持自定义规则）、代码逻辑打乱、冗余代码插入、注释清空； ​ - 进阶混淆：控制流扁平化（嵌套分支重构）、指令乱序、字符串加密（Base64/AES/RC4）、常量加密隐藏； ​ - 高强度混淆：虚拟机保护（将核心逻辑转为自定义字节码）、反调试（禁止断点调试、检测调试工具）、反编译防护（防止PyInstaller打包后被反编译）。 ​ 2. 爬虫专属混淆优化 ​ - 针对爬虫核心逻辑（请求参数构造、反爬策略、数据解析算法）重点加密，避免核心思路泄露； ​ - 保留爬虫运行效率，混淆后不影响采集速度与稳定性。 ​ 3. 多格式输出支持 ​ - 支持.py源码直接混淆、.pyc字节码加密、PyInstaller打包后exe/elf文件加固，适配Windows、Linux、Mac多系统。 （三）附加增值服务 1. 售后技术支持：提供1-3个月免费bug修复、爬虫反爬策略更新适配、混淆方案优化； ​ 2. 个性化定制：根据客户需求整合代理IP、验证码识别接口、云存储等第三方服务； ​ 3. 教程文档配套：提供混淆后代码使用说明、爬虫部署教程、常见问题排查手册。 三、服务优势 1. 技术专业性：深耕Python爬虫与代码安全领域，适配各类复杂场景，拒绝“通用化模板”，每单均为定制开发； ​ 2. 安全可靠性：加密混淆方案经过多轮反编译、反调试测试，确保代码难以破解，爬虫稳定抗封； ​ 3. 高效响应：快速对接需求，明确开发周期（简单需求1-3天，复杂需求3-7天），支持加急开发； ​ 4. 灵活合作：支持“爬虫开发+加密混淆”一站式服务，也可单独承接爬虫开发或代码混淆需求，按需求定价。 四、适用客户 - 开发者/编程爱好者：需要定制特定场景爬虫，或希望保护自己的爬虫代码不

本项目旨在搭建一个基于大模型（LLM）的认知决策实验平台，支持单步或多步推理任务的可视化实验。平台能够模拟模型在噪声干扰下的决策过程，记录轨迹、Commit Time、敏感性指标等关键统计量，并生成可视化图表，如决策流形、H-Basin 稠密度图、轨迹重合图等。系统支持多种实验模式，可用于论文实验复现、模型解释性研究与决策动力学分析。核心功能包括参数配置、实验运行、日志记录、结果可视化和实验历史管理

模具钢企业在下料生产中，需要根据订单选择合适的母材规格并进行三维排样。现实中： 母材规格选择依赖人工经验，不同规格利用率差异大。 排样研究通常只处理固定母材，但实际母材尺寸可选且影响排样。 多订单、多零件尺寸导致排样与规格选择高度耦合。 因此企业需要一个能 自动推荐母材规格 + 自动执行三维排样 的智能系统。 系统包含功能： 数据输入与预处理：导入订单零件尺寸。 母材规格推荐：通过聚类 + 遗传算法 + 禁忌搜索优化，输出最优若干母材宽高组合。 三维排样优化：基于切割模式构建订单块，使用动态规划生成排样方案。 可视化排样：展示排样结果、切割线和利用率。

电商智能视频混剪工具是一款集合图片转视频、文案生成、文案转语音、视频合成、视频配音于一体的智能电商视频生成工具，通过整合云计算、人工智能等技术，实现电商类推广视频的有效解决方案。 应用场景 1、电商推广类视频生成 2、小说解说类视频生成 3、其他涉及混剪类型的视频生成，视频生成类型跟素材相关

1、工作时遇到大量数据上传，需个人手动点击依次上传时，无法进行后段导入即可使用 2、脚本运行时只需传入对应上传文本文件，即可自动进行识别具体内容，并自动点击上传，无需如何手动 3、可随时停止和更改上传内容

使用Python脚本进行开发，可以爬取许多网站，但会遵守robots协议，不做违法爬取。 也可以使用Python制作一些偏只能的东西 web前端也可以制作，反正这俩基本都能做 其他的也没有什么了，以后可能会继续学习较为困难的爬虫技术。web后端也会逐渐接触 库下载慢都用清华库

1.背景：学者在引用论文时往往出于不同的目的，有批判、中立和积极等类型，通过分析引文引用的动机，可以更好地识别引文引用的过程 2.目标：对30万篇Xml格式全文本论文进行解析通过大语言模型进行微调，构建引文分类模型，甄别出不同学者引用他人论文的目的

1. 股票数据采集模块 - 多维度数据采集 ：同时采集日K线和月K线,收盘价等一系列数据 - 流式数据保存 ：每采集一只股票立即保存，避免数据丢失 - 断点续爬机制 ：支持中断后继续采集，自动记录处理进度 2. AI智能分析模块 - 深度学习分析 ：集成多个AI系统进行专业股票分析 - 多维度评估框架 ： - 量化条件检查 - 基本行情分析 - 短期技术分析 - 长期技术分析 - 综合投资价值评估 - 智能选股功能 ：自动识别具有投资价值的股票 - 详细分析报告 ：为每只股票生成专业的分析理由 由于保密原因，图片只附上一小段源代码

1. 项目背景与目标： 针对企业招聘流程中，HR在前期沟通筛选环节耗费大量重复性精力、效率低下的核心痛点，本项目旨在打造一款企业级智能招聘助手。其商业目标是通过AI+RPA技术，实现主流招聘渠道的7x24小时无人值守自动化运营，将HR从繁琐重复的工作中解放出来，聚焦于核心人才的深度沟通，最终为企业降低招聘成本、提升人才筛选效率。 2. 软件核心功能模块： o 多账号智能托管与RPA引擎： 支持同时管理多个主流招聘平台账号，基于强大的RPA核心，自动化执行“打招呼”、“已读”、“筛选”等日常操作。 o AI大模型驱动的对话机器人： 集成大语言模型，通过预设的知识库（公司介绍、岗位JD）和对话策略，实现与候选人的多轮智能对话，精准解答疑问、挖掘候选人信息。 o 可自定义的候选人筛选漏斗： 企业可根据岗位需求，灵活配置多维度（如工作年限、技术栈、薪资期望）的自动化筛选规则，AI将自动分类并标记高匹配度候选人。 o 自动化流程管理： 从初步接触、简历接收、意向判断到面试邀约，全流程自动化触发与执行，并将关键节点信息同步至管理后台。 o 数据可视化分析后台： 提供Web管理后台，实时监控各账号运行状态，统计分析招聘数据（如沟通量、简历收取率、邀约成功率），辅助企业优化招聘策略。 3. 业务流程： 用户（HR）通过桌面端配置招聘岗位要求与AI对话策略 -> 启动自动化任务 -> 应用自动登录平台账号并与候选人沟通 -> AI根据筛选规则过滤并收取简历 -> 自动发送面试邀约 -> HR在管理后台查看结果并跟进核心候选人。

朋友要去华侨城找工作，人工找太难了，想把数据提取下来，做数据分析之后，快速的找项目找工作，机器提取招标平台的项目数据，寻找合作机会 项目主要功能就是提取数据，分析数据，保存数据 结束

电价预测模型 — 独立项目 时间：2024年暑期 基于时间序列与深度学习模型（LSTM、Transformer）构建电价预测系统，探索短期与中长期预测的差异化效果； 实现数据预处理与特征工程（缺失值处理、归一化、滞后特征构造、节假日与天气特征融合），提升模型鲁棒性； 在实验中对比了ARIMA、XGBoost与改进的Transformer结构，并以MAPE、RMSE为指标进行量化评估； 使用PyTorch + sklearn 完成模型搭建与训练，并基于可视化分析解释预测结果，撰写完整技术报告； 项目代码与报告开源至GitHub，积累实践经验并初步形成科研表达能力 Summer 2024 Developed a time-series forecasting system for electricity prices using LSTM and Transformer-based models, comparing short-term and long-term forecasting performance. Designed and implemented data preprocessing & feature engineering, including missing value imputation, normalization, lag features, and integration of holiday/weather factors. Conducted benchmarking with ARIMA, XGBoost, and enhanced Transformer variants, evaluated via MAPE and RMSE metrics. Built and trained models using PyTorch and scikit-learn, with visualization for interpretability and a full technical report. Open-sourced project on GitHub, gaining hands-on experience in applied machine learning and technical reportin