业务和功能介绍
核心痛点：
电商多平台（天猫/京东/抖音）订单数据分散在独立MySQL库，品牌方无法实时获取全域销售洞察；现有T+1报表无法支撑大促实时决策，手工统计误差率达15%；测试/生产环境配置差异导致数据服务频繁故障。
业务亮点：
✅ 全域实时决策：聚合10+电商平台订单流（日均500万笔），通过Flink实时计算关键指标（GMV/退款率/TOP商品），5分钟延迟交付品牌方大屏
✅ 多租户数据服务：基于StarRocks构建统一数据服务层，支持50+品牌方自定义报表（权限隔离+弹性资源分配）
✅ 成本优化：ClickHouse替换原有Hive T+1报表集群，查询速度提升20倍，存储成本降低40%
1、分层存储策略
StarRocks：存储原始订单明细（支持UPDATE/DELETE），承接高频OLAP查询
ClickHouse：物化视图预聚合核心指标（分钟级刷新），支撑可视化大屏
2、多环境治理
整合各个环境的数据
3、品牌方数据安全
Trino RBAC：按品牌ID动态创建SQL视图
Kafka数据脱敏：Flink实时掩码手机号/身份证号
电商多平台（天猫/京东/抖音）订单数据分散在独立MySQL库，品牌方无法实时获取全域销售洞察；现有T+1报表无法支撑大促实时决策，手工统计误差率达15%；测试/生产环境配置差异导致数据服务频繁故障。
业务亮点：
✅ 全域实时决策：聚合10+电商平台订单流（日均500万笔），通过Flink实时计算关键指标（GMV/退款率/TOP商品），5分钟延迟交付品牌方大屏
✅ 多租户数据服务：基于StarRocks构建统一数据服务层，支持50+品牌方自定义报表（权限隔离+弹性资源分配）
✅ 成本优化：ClickHouse替换原有Hive T+1报表集群，查询速度提升20倍，存储成本降低40%
1、分层存储策略
StarRocks：存储原始订单明细（支持UPDATE/DELETE），承接高频OLAP查询
ClickHouse：物化视图预聚合核心指标（分钟级刷新），支撑可视化大屏
2、多环境治理
整合各个环境的数据
3、品牌方数据安全
Trino RBAC：按品牌ID动态创建SQL视图
Kafka数据脱敏：Flink实时掩码手机号/身份证号
项目实现
一、项目角色与周期
核心角色与人数（中型数据平台参考）：
数据工程师（3人）：负责ETL开发、数据建模、作业运维。
平台开发工程师（1人）：搭建K8s集群、维护Airflow/Trino等平台组件。
数据架构师：技术选型、架构设计、性能优化、规范制定。
运维工程师（2人）：K8s/Docker集群管理、监控告警。
数据治理专员（1人）：元数据管理、数据质量监控。
前端工程师（2人）：BI帆软工具界面开发
我担任数据工程师，负责技术选型、数据架构设计、服务组件搭建、异常处理
开发周期：
Phase 1 基础架构搭建（2个月）：K8s集群部署、日志/监控体系、核心组件容器化（Helm部署）。
Phase 2 批处理链路建设（1.5个月）：Hive/Trino数仓分层设计、Airflow调度开发、DBT模型构建。
Phase 3 实时链路建设（2个月）：Kafka+Flink实时计算、Canal同步MySQL、ClickHouse/StarRocks实时数仓。
Phase 4 平台化与治理（1个月）：数据血缘集成、指标管理、查询服务API封装。
总周期：6-7个月（含测试与迭代）。
您负责的核心任务：
✅ 技术选型：评估ClickHouse vs StarRocks实时性能，设计混合查询架构（Trino联邦查询）。
✅ 实时架构设计：主导 MySQL → Canal → Kafka → Flink → StarRocks 端到端低延迟链路。
✅ 数据建模规范：制定分层数仓标准（ODS/DWD/DWS/ADS），统一DBT模型开发规范。
✅ 资源优化：调优Flink Checkpoint策略、ClickHouse MergeTree分区设计、Trino内存配置。
✅ 平台高可用：设计K8s多
核心角色与人数（中型数据平台参考）：
数据工程师（3人）：负责ETL开发、数据建模、作业运维。
平台开发工程师（1人）：搭建K8s集群、维护Airflow/Trino等平台组件。
数据架构师：技术选型、架构设计、性能优化、规范制定。
运维工程师（2人）：K8s/Docker集群管理、监控告警。
数据治理专员（1人）：元数据管理、数据质量监控。
前端工程师（2人）：BI帆软工具界面开发
我担任数据工程师，负责技术选型、数据架构设计、服务组件搭建、异常处理
开发周期：
Phase 1 基础架构搭建（2个月）：K8s集群部署、日志/监控体系、核心组件容器化（Helm部署）。
Phase 2 批处理链路建设（1.5个月）：Hive/Trino数仓分层设计、Airflow调度开发、DBT模型构建。
Phase 3 实时链路建设（2个月）：Kafka+Flink实时计算、Canal同步MySQL、ClickHouse/StarRocks实时数仓。
Phase 4 平台化与治理（1个月）：数据血缘集成、指标管理、查询服务API封装。
总周期：6-7个月（含测试与迭代）。
您负责的核心任务：
✅ 技术选型：评估ClickHouse vs StarRocks实时性能，设计混合查询架构（Trino联邦查询）。
✅ 实时架构设计：主导 MySQL → Canal → Kafka → Flink → StarRocks 端到端低延迟链路。
✅ 数据建模规范：制定分层数仓标准（ODS/DWD/DWS/ADS），统一DBT模型开发规范。
✅ 资源优化：调优Flink Checkpoint策略、ClickHouse MergeTree分区设计、Trino内存配置。
✅ 平台高可用：设计K8s多
示例图片视频
相似推荐
情绪检测
本工具基于 Python 开发，通过人脸识别与情感分析算法，精准识别用户面部情绪状态，实现高效的情绪检测能力。该工具应用场景广泛：在心理咨询领域，可辅助咨询师洞察来访者的真实情绪变化，提升沟通与干预效果；在校园安防方面，可实时监测学生情绪波动，及时发现异常状态并预警，守护校园安全。系统采用轻量化架构，运行高效、部署灵活，便于集成到现有业务平台中，为心理健康关怀与安全防护提供智能化、数据化的有力支撑。
基于神经网络的游戏动画系统
MotionWeaver 是一套面向 Unreal Engine 游戏开发的 AI 驱动角色动作生成系统，旨在解决传统游戏动画制作成本较高、动画资产复用困难、复杂动作衔接不自然，以及角色运动与动画表现难以协调等问题。
项目以神经网络动作生成技术为核心，结合游戏引擎的角色运动系统，实现从动画数据采集、模型训练到动作推理与引擎集成的完整技术流程。
主要功能包括：
动画数据采集与处理： 支持从 Unreal Engine 动画资产中提取骨骼姿态、位置、旋转及时间序列信息，完成骨骼映射、数据清洗、质量审核与训练数据集构建。
AI 动作模型训练： 提供基于深度学习的动作表示学习、姿态预测与生成模型训练功能，支持模型检查点管理、训练指标记录及实验评估。
条件动作生成： 利用角色根运动轨迹、历史动作状态及参考姿态等条件，生成连续骨骼动作，研究不同运动条件下的动画生成效果。
复杂动作约束： 针对跑酷、跨越障碍等复杂场景，支持参考姿态引导及关键帧约束，改善动作准确性与空间匹配效果。
UE 动画集成与验证： 提供模型推理与 Unreal Engine 动画系统的集成和实验验证能力，支持生成动作的预览、重建、测试及效果分析。
模型评测与对比： 通过骨骼位置误差、运动连续性、关键帧约束误差等指标，对不同模型及优化方案进行定量分析。
项目主要面向游戏角色动画生成、AI 动画技术研究和游戏开发工具链建设，为智能角色运动与游戏动画自动化提供技术基础。
基于 n8n 的社区团购订单自动归集与对账系统 - 飞书多维表格
立项背景和目标：
社区团购商家通常同时运营多个小区的团购业务，订单分散在各处，
每天需要人工汇总到表格、再逐个小区生成对账单。三个小区的情况下，
人工处理约需 1.5-2 小时/天，且极易出现漏单、金额对不上。
目标是让这套流程全自动跑：订单自动归集 → 自动生成分小区对账单
→ 异常自动告警，把每天 2 小时的人工压到 0。
软件功能、核心功能模块：
1. 定时触发模块：每天固定时间自动启动，无需人工干预
2. 多源数据读取：对接飞书多维表格开放 API，分页拉取三个小区的订单表
3. 数据清洗与合并：统一字段口径，合并去重，处理缺失值
4. 分类汇总：按小区维度聚合，计算应收、已付、差额
5. 异常检测：金额不一致、状态异常、重复订单自动标记
6. 结果写回：汇总结果写回多维表格，供商家和团长直接查看
7. 失败告警：任一步骤失败自动重试 3 次，仍失败则推送群告警
业务流程、功能路径：
每天 20:00 定时触发 → 读取运行参数 → 换取 tenant_access_token
→ 逐小区分页读取订单 → 展开为明细行 → 批量写入汇总表
→ 生成分小区对账单 → 判断是否启用对账推送 → 异常则发群告警
多端AI问答系统（SSE流式输出）
立项背景：随着大语言模型的普及，传统企业与用户对智能对话的需求激增。旨在构建一个前后端完全解耦的 AI 问答系统，支持多端接入，提供流畅的流式对话体验。
核心功能：支持 SSE 全链路流式对话（包含start/content/reasoning/done/error五类事件）；多会话管理（新建、切换、重命名、置顶、逻辑删除）；Markdown 渲染、思考过程折叠展示、多模型切换、Token 用量统计与 API 调用日志，以及四维 IP 限流。
业务流程：前端发起对话请求 → 后端校验限流 → 组装历史消息并调用大模型 API → SSE 逐字返回前端实时渲染 → 消息落库并记录 Token 与耗时。
基于RAG的多租户AI客服SaaS-wali-ai
立项背景和目标: 小微企业客服人力有限、游戏规则分散、夜间无人值守, 重复咨询淹没客服; 通用大模型不了解业务规则, 会张冠李戴甚至编造规则和价格. wali-ai的目标是让运营者用自己的知识库, 7x24自动回答玩家问题, 答不上来就兜底或转人工, 以及记录，绝不编造.
软件功能与核心模块: 多租户SaaS控制面(注册即获默认租户与工作空间、两级角色权限、按套餐的对话条数/知识库数量/容量/席位/Token额度五维配额); 知识库管理(文件导入, 切片可视化编辑与检索测试); 自研RAG引擎(向量+关键词混合检索、RRF融合、Rerank重排、置信度评估); Agent编排(意图判断、会话上下文、人设提示词、闲聊/固定兜底双模式); 多渠道接入(游戏内Lua桥接、QQ群NapCat、网页悬浮球SDK、开放API); 会话管理与人工接管; 未回答问题沉淀反哺知识库; 运营统计与全量审计.
业务流程: 注册登录->创建游戏服与机器人->建知识库导入文档->自动切分并向量化索引->配置渠道->玩家在游戏内/QQ群/网页提问->统一网关验签、幂等、路由->Agent意图判断->RAG混合检索->大模型生成带来源引用的回答->写回会话、用量与审计->低置信度时兜底或转人工, 管理员在管理端查看会话、反馈、用量与配额.
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服