AI行业问答 h5移动端系统-话术对练

新二医小助手是一个基于多模态大语言模型开发的医疗健康助手， 旨在帮助用户进行基本的疾病诊断、病历分析、专业知识答疑等功能。 项目融合了图片识别、视频生成、图片生成、PPT/Word生成、多轮对 话、检索增强对话、语音输入/输出、知识图谱增强、知识库增强和联 网检索增强等多种功能，通过AI智能体判断任务种类，将多个模型整合 工作，解决复杂问题。项目功能：病历识别： 识别病历中的图像和文字 信息。 PPT/Word生成： 自动生成固定格式的文档。 知识图谱检索： 基于知识图谱进行信息检索和问答。 联网搜索： 检索网络上的相关信息，增强模型知识。 技术栈：项目使用了Python、PyTorch、Transformers、 Gradio、Langchain、modelscope、huggingface、RAG、Neo4j、 TTS (edge-tts)、STT (whisper)等技术和框架。

职工健康管理系统全面涵盖了职工健康管理子系统与岗前健康筛查子系统两大核心模块。职工健康管理子系统功能丰富，包括建立并维护职工电子健康档案、实施职工健康状况的分级精准管理、定制个性化健康管理计划、记录并分析职工体检数据、开展职工心理测验以及持续监测健康数据等，旨在全方位促进职工身心健康；岗前健康筛查子系统则侧重于在职工上岗前或入职初期，通过智能穿戴设备的佩戴，结合先进的智能情绪分析仪技术，实时捕捉并分析职工的生理及心理指标。该系统能够依据预设模型对分析结果进行快速判定，一旦发现职工存在异常情况，立即触发预警机制，并将相关信息及时推送给相关管理人员，确保能够迅速响应并采取有效措施，从而有效保障企业的人力资源质量与工作效率。 系统完成建设投用后，通过对相关人员培训指导，辅助录入相关基础资料及建立相关系统策略，达到以下目标： 1)提升职工健康管理水平，健康管理体系与电子健康档案管理功能使得每个职工的体检记录、健康状况都有详细记录，便于管理者全面掌握职工健康情况。个性化健康管理计划能够根据职工的个人健康状况和需求，提供定制化的健康建议和指导，提高职工的健康意识和自我管理能力。 2)有效降低企业的健康风险与运营成本，岗前健康筛查机制被引入以实现对职工心率、血压、情绪等关键生理及心理指标的实时监控，预防带病上岗和疲劳作业等情况的发生。这一机制的核心在于实现“三及时”——及时监测、及时发现、及时预警，确保相关管理人员能够迅速洞察并妥善处理职工的生理与心理健康问题。通过这一举措，企业不仅能够显著减少因健康问题引发的安全隐患，还能在整体上提升企业的安全等级，为员工营造一个更加安全、健康的工作环境。 流程简述 系统预先采集职工个人档案，包括人脸等信息；职工参会前到智能存取充电柜前刷脸领取智能穿戴手环并完成佩戴；参会就座后，心理情绪监测摄像头配合AI健康计算端设备（智能情绪分析仪）开始实时监测职工表情数据，系统通过不定时自动采集生理、心理指标，实时分析职工健康状况；实时推送结果至班组长及监管部门驾驶舱界面；会议结束后职工到智能存取充电柜刷脸归还手环；系统自动生成健康状况总结报告。

1.登录、验证码验证（后期替换手机验证码 + 账密图片验证码 双登录模式）。 2.语音、选择题答题对练功能（可通过H5进行语音答题）。 3.语音转文字功能。 4.调用AI分析平台，进行流式分析结果传输显示。 5.历史答题记录的回看、回练功能。

能够综合考虑气象资料、土壤质地、地块形态和大小等多方面数据，计算输出模型所需的各参数。基于北方风沙区不同地区的实际情况进行精细调整，模型能够在小时级尺度的时间步长内估算风蚀量及风蚀尘量（PM10）。其中，WEPS模型设定当每天10m高度处最大风速超过8 m/s时，开始调用风蚀子模块。涉及计算：土壤风蚀量计算、摩阻风速u*、气象站摩阻风速计算、观测地点无植被时，摩阻风速计算、观测地点有植被时，摩阻风速计算、临界摩阻风速u*t、光滑平坦地表摩阻风速裸露地表、地表有倒放植物引起的临界起动摩阻风速增加量、含水率引起的临界摩阻风速增加、风蚀量粒径分选计算、悬移量计算步骤 、PM10计算步骤。 可以自定义绘制计算区域，进行交叉运算。 对计算结果进行不同颜色渲染。

一、模型部署层：xInference + 双模型 负责 托管大模型和 Embedding 模型，是整个系统的 “大脑”： 对话模型：qwen2.5-instruct-14b（大语言模型，负责生成回复） 用 vLLM 做推理引擎，开启 int4量化： 让模型推理速度达 ~68 tokens / 秒（大幅提升响应速度）， 显存占用优化到 0.8（降低 GPU 硬件成本，让大模型在普通显卡上也能跑）。 Embedding 模型：bge-large-zh-v1.5（智源，负责文本向量化，支撑知识检索） 二、接口封装层：oneAPI（OpenAI 接口模拟） 核心作用：把 xInference 的模型服务，伪装成 “OpenAI 接口”，让上层应用（如 FastGPT）可以用熟悉的 OpenAI 调用方式（如openai.ChatCompletion）对接本地模型，降低集成成本。 三、RAG 增强层：FastGPT（检索增强生成） 解决大模型 “知识过时、专业领域回答差” 的问题，通过 “知识库检索 + 大模型生成” 提升回复质量： 知识库预处理： 用脚本清洗、格式化数据，结合 bge-large-zh-v1.5 生成向量，存入向量数据库。 检索优化技术： 混合检索：同时用 “向量检索（语义匹配）+ 关键词检索（精确匹配）”，提升召回率； 文本切块：拆分长文本为小段（如 512 字），避免信息丢失； rerank 排序：对检索结果重排，选出最相关的内容； Prompt 工程：优化提示词，让大模型更高效结合检索到的知识，生成准确回复。 四、终端接入层：chatgpt-on-wechat + 微信公众号 负责 对接微信生态，接收和响应用户消息： chatgpt-on-wechat 作为中间件，接入微信公众号，监听 微信服务器的 POST 请求（用户发的消息）； 收到请求后，调用 FastGPT 的 RAG 服务（即触发 “检索 + 生成” 流程）； 拿到回复后，再通过微信服务器，把结果推送给用户。 整体数据流向（用户视角） 用户→微信公众号发消息 → 微信服务器→chatgpt-on-wechat（接收） → FastGPT（调用 oneAPI，触发 xInference 的双模型：bge 做知识检索，qwen 做回复生成） → 模型推理（vLLM 加速） → 结果返回→用户收到回复。