业务和功能介绍
## 立项背景与目标
MUS Booking System 面向香港中文大学（深圳）音乐学院琴房预约，解决官方系统登录繁琐、网络敏感、热门琴房成功率低等问题。项目提供生产级（v2.10.0）自动化工具，在 VPN、校园网或 Reqable 环境下一键完成登录、批量与定时抢房，在满足校内安全要求前提下提升成功率和体验。
## 软件功能与核心模块
### 自动登录与 Cookie
通过 GUI 一键登录，自动填写学号与密码、提交表单并抓取 Cookie，保证身份合法和会话稳定。
### 智能网络适配
自动识别校园网/VPN、Reqable（127.0.0.1:9000）及系统代理，也可在 Cookie 面板手动检测，确保对 SSL 要求严格的校内接口在不同网络下可访问。
### 定时与批量预订
支持“立即执行”与“定时执行”，可将多个琴房与日期组合成一个任务并按优先级依次尝试，一旦成功即停止；超过 2 小时的请求会自动拆分为多个 2 小时时段，以符合教务规则。
### GUI 客户端与预订引擎
桌面端由 src/GUI.py 提供主窗口、设置、Cookie、自动登录与任务管理等界面；核心逻辑由 src/main.py 中的 CrazyRequests 与 book() 完成，封装 SSL 容错、代理路由、统一 UA/Cookie 头及琴房 ID 映射，并在失败时返回可读错误信息。
### 配置与质量保障
config.yaml 统一保存启动时间、执行模式、代理与 Cookie 信息、用户档案及请求列表，便于在“单次抢房/连续预约”等场景间复用。测试脚本覆盖网络、SSL、Qt 代理、预约接口和自动登录，配合 PySide6、WebEngine、PyYAML、requests 等依赖，保证主要平台的一致行为。
## 业务流程与功能路径
###准备：下载并解压发行包，在“设置”中填写学号、密码、联系方式等，可通过“自动检测”完成 VPN/代理适配和配置初始化。
###建模：在主界面点击“＋ 添加一组预定请求”，选择琴房、日期和时间段，可设置多个备选方案，自动写入 config.yaml。
###执行：选择立即或定时启动后，AutoLogin 获取最新 Cookie，BookingWorker 依次调用 book() 提交请求，并按规则进行 2 小时拆分与“成功即停”。
###结果与复盘：日志实时显示成功记录及失败原因（如 Cookie 过期、网络异常、放号竞争失败等），用户可据此排查网络或更新 Cookie，并结合历史记录优化后续策略。
综合来看，MUS Booking System 通过可视化配置界面、稳健预订引擎、智能网络适配及完善测试文档，构建了“准备 → 建模 → 执行 → 反馈与复盘”的闭环流程，有效降低琴房预约的人力成本和失败风险。
MUS Booking System 面向香港中文大学（深圳）音乐学院琴房预约，解决官方系统登录繁琐、网络敏感、热门琴房成功率低等问题。项目提供生产级（v2.10.0）自动化工具，在 VPN、校园网或 Reqable 环境下一键完成登录、批量与定时抢房，在满足校内安全要求前提下提升成功率和体验。
## 软件功能与核心模块
### 自动登录与 Cookie
通过 GUI 一键登录，自动填写学号与密码、提交表单并抓取 Cookie，保证身份合法和会话稳定。
### 智能网络适配
自动识别校园网/VPN、Reqable（127.0.0.1:9000）及系统代理，也可在 Cookie 面板手动检测，确保对 SSL 要求严格的校内接口在不同网络下可访问。
### 定时与批量预订
支持“立即执行”与“定时执行”，可将多个琴房与日期组合成一个任务并按优先级依次尝试，一旦成功即停止；超过 2 小时的请求会自动拆分为多个 2 小时时段，以符合教务规则。
### GUI 客户端与预订引擎
桌面端由 src/GUI.py 提供主窗口、设置、Cookie、自动登录与任务管理等界面；核心逻辑由 src/main.py 中的 CrazyRequests 与 book() 完成，封装 SSL 容错、代理路由、统一 UA/Cookie 头及琴房 ID 映射，并在失败时返回可读错误信息。
### 配置与质量保障
config.yaml 统一保存启动时间、执行模式、代理与 Cookie 信息、用户档案及请求列表，便于在“单次抢房/连续预约”等场景间复用。测试脚本覆盖网络、SSL、Qt 代理、预约接口和自动登录，配合 PySide6、WebEngine、PyYAML、requests 等依赖，保证主要平台的一致行为。
## 业务流程与功能路径
###准备：下载并解压发行包，在“设置”中填写学号、密码、联系方式等，可通过“自动检测”完成 VPN/代理适配和配置初始化。
###建模：在主界面点击“＋ 添加一组预定请求”，选择琴房、日期和时间段，可设置多个备选方案，自动写入 config.yaml。
###执行：选择立即或定时启动后，AutoLogin 获取最新 Cookie，BookingWorker 依次调用 book() 提交请求，并按规则进行 2 小时拆分与“成功即停”。
###结果与复盘：日志实时显示成功记录及失败原因（如 Cookie 过期、网络异常、放号竞争失败等），用户可据此排查网络或更新 Cookie，并结合历史记录优化后续策略。
综合来看，MUS Booking System 通过可视化配置界面、稳健预订引擎、智能网络适配及完善测试文档，构建了“准备 → 建模 → 执行 → 反馈与复盘”的闭环流程，有效降低琴房预约的人力成本和失败风险。
项目实现
## 整体架构与设计思路
项目按 MVC 分层：PySide6 组件树做 View，MainWindow 负责信号-slot 调度与任务编排；config、workers 承载数据与业务，配合 requests 和自研 CrazyRequests 组成网络层对接订房接口。目录按“核心逻辑 + GUI 组件 + 对话框 + 工具层”拆分，旧版 GUI.py 与新模块并行，便于重构排错。
配置用 dataclass + YAML，用于持久化用户数据及 UI 默认值、表单回填。BookingWorker 将定时器、拆单和日志信号放入 QThread，避免界面阻塞。CrazyRequests 自动处理 SSL、代理和 Cookie，并与 ProxyDetector 联动，使“开始”按钮一键串起 Cookie 捕获、请求构造与日志展示。
##模块与技术栈
View 由 widgets、dialogs 组成；Controller 为 MainWindow；Model / Service 为 AppConfig、RequestItemData、book()、timer_run()、BookingWorker，对订房接口做封装与调度。通过 PyInstaller 多文件打包和自定义 spec 生成约 207MB 的开箱即用发行版。主要依赖 PySide6/QtWebEngine、requests/CrazyRequests、PyYAML/dataclasses 及系统接口；tests 覆盖网络、SSL、代理和自动登录回归。
##坑与难点及解决方案
1）SSL 握手失败
AnyConnect VPN 下接口对 requests 持续抛出握手失败，而 Qt WebEngine 与 Reqable 可正常 TLS。最终方案：自动登录走 WebEngine 直连，请求统一经 Reqable 代理；ProxyDetector 按“直连 → Reqable → 系统代理”回退，并将结果落盘，重启可复现稳定路径。
2）自动获取 Cookie 与降级
通过 AutoLoginDialog 内嵌 QtWebEngine，集成浏览器控件，在捕获成功 URL 后延迟提取 Cookie，同时将 Reqable 写入 QtNetwork.QNetworkProxy，保持与流程代理一致；缺少 WebEngine 时提供手动粘贴 Cookie 的降级，并校验关键字段，避免写入无效配置。
3）多线程定时抢房
热门琴房需在时间窗口内 POST 并拆分时段。BookingWorker 将等待与请求循环放入 QThread，通过信号回传日志和完成事件，防止卡顿；timer_run() 统一“立即/定时启动”的等待逻辑，只靠延迟区分；时段拆分、防重入与批量备选顺序集中在 worker 中，便于调试扩展。
项目按 MVC 分层：PySide6 组件树做 View，MainWindow 负责信号-slot 调度与任务编排；config、workers 承载数据与业务，配合 requests 和自研 CrazyRequests 组成网络层对接订房接口。目录按“核心逻辑 + GUI 组件 + 对话框 + 工具层”拆分，旧版 GUI.py 与新模块并行，便于重构排错。
配置用 dataclass + YAML，用于持久化用户数据及 UI 默认值、表单回填。BookingWorker 将定时器、拆单和日志信号放入 QThread，避免界面阻塞。CrazyRequests 自动处理 SSL、代理和 Cookie，并与 ProxyDetector 联动，使“开始”按钮一键串起 Cookie 捕获、请求构造与日志展示。
##模块与技术栈
View 由 widgets、dialogs 组成；Controller 为 MainWindow；Model / Service 为 AppConfig、RequestItemData、book()、timer_run()、BookingWorker，对订房接口做封装与调度。通过 PyInstaller 多文件打包和自定义 spec 生成约 207MB 的开箱即用发行版。主要依赖 PySide6/QtWebEngine、requests/CrazyRequests、PyYAML/dataclasses 及系统接口；tests 覆盖网络、SSL、代理和自动登录回归。
##坑与难点及解决方案
1）SSL 握手失败
AnyConnect VPN 下接口对 requests 持续抛出握手失败，而 Qt WebEngine 与 Reqable 可正常 TLS。最终方案：自动登录走 WebEngine 直连，请求统一经 Reqable 代理；ProxyDetector 按“直连 → Reqable → 系统代理”回退，并将结果落盘，重启可复现稳定路径。
2）自动获取 Cookie 与降级
通过 AutoLoginDialog 内嵌 QtWebEngine，集成浏览器控件，在捕获成功 URL 后延迟提取 Cookie，同时将 Reqable 写入 QtNetwork.QNetworkProxy，保持与流程代理一致；缺少 WebEngine 时提供手动粘贴 Cookie 的降级，并校验关键字段，避免写入无效配置。
3）多线程定时抢房
热门琴房需在时间窗口内 POST 并拆分时段。BookingWorker 将等待与请求循环放入 QThread，通过信号回传日志和完成事件，防止卡顿；timer_run() 统一“立即/定时启动”的等待逻辑，只靠延迟区分；时段拆分、防重入与批量备选顺序集中在 worker 中，便于调试扩展。
示例图片视频
相似推荐
基于GD32H759I的轻量级卷积循环网络边缘语音降噪系统-EdgeDenoise边缘语音降噪终端
面向会议记录、工业对讲、人机交互及嵌入式智能终端在风扇、空调、键盘敲击和室内混响等噪声环境下的语音采集需求，设计并实现一套基于GD32H759IMT6微控制器的边缘语音降噪系统。系统通过ES7210音频采集模块、SAI和DMA连续获取48 kHz多通道音频，在本地完成通道选择、音量统计、短时傅里叶变换、频带特征提取、神经网络推理、频谱掩蔽和语音重建，无需依赖云端服务器。
系统支持RAW原始音频、RNNoise对照降噪和自研CRN降噪三种工作模式，可通过触摸屏完成模式切换、输入通道选择、增益调整、开始或停止录音以及屏幕截图。LCD实时显示原始与降噪波形、音量、模型状态、录音时间、缓存状态和输出文件名；TF卡可保存原始WAV录音、CRN降噪音频及LCD截图，形成“音频采集—边缘推理—效果显示—文件保存”的完整闭环。
图片数据智能提取
本程序用于信息录入场景，可将截图内容整理为规范表格。先借助 OCR 识别提取截图内图文原始信息，再调用大模型 API，按预设规则完成数据筛选与结构化解析，属于专用数据格式提取脚本。支持自定义提取规则灵活适配不同业务需求，可按需调整输出模板，高效完成图片信息标准化导出，大幅减少人工录入整理工作量。
excel智能体
立项背景与目标 ：日常办公中，表格合并、文档处理、数据看板生成等重复性工作耗时且门槛高。雪球旨在利用大语言模型的自然语言理解能力，让用户通过一句话即可完成复杂办公任务，实现"对话即操作"的智能办公体验。
软件功能与核心模块 ：平台围绕四大模块构建——表格处理引擎（JOIN联查、批量填充、分组聚合、拆分合并）、文档处理引擎（Word改写/模板填充、PDF提取/拆分/合并、PPT生成）、BI看板生成器（11种ECharts图表，支持HTML/PNG/PDF/PPT导出）和PPT自适应渲染引擎（四级降级策略）。所有工具通过DeepSeek Agent统一调度。
业务流程与功能路径 ：用户自然语言输入 → Agent解析意图并编排步骤 → 自动调用工具链执行 → SSE流式返回执行进度与结果 → 任务快照持久化存档。全程支持审计日志脱敏和中断恢复，确保数据安全与操作可追溯。
基于多智能体与知识图谱的复杂知识分析平台
1. 立项背景和目标
面向复杂知识问答、多步任务拆解和证据驱动分析场景，搭建统一的 AI Agent 平台。旨在解决传统问答系统在复杂任务中可分解性不足、证据链不可追溯、文档与图谱数据割裂、模型选型缺乏统一评测等痛点，降低知识密集型分析任务的人工操作成本。
2. 核心功能模块
多智能体协作： 采用 planner -> dispatcher -> summary 主链路，支持任务拆解、依赖编排和拓扑执行。
知识检索与定位： 集成文档多格式解析、片段级检索、页级定位及 Neo4j 知识图谱 Cypher 检索。
评测与选型底座： 支持对不同模型、提示词策略和子代理组合进行横向对比与流程稳定性观察。
前端工作台： 支持多会话聊天、模型参数配置、执行轨迹面板、知识图谱可视化及结果下载。
3. 业务流程与功能路径
用户上传多格式文档或输入复杂分析任务 -> 系统提取分析并构建图谱 -> 多智能体协作编排并调度任务（子代理执行文档精读和图谱检索） -> 聚合生成可追溯、可信的结构化报告或演示文稿 -> 通过 SSE 流式反馈、渲染任务轨迹并展示给前端。
豪视界-AI 图像处理平台
AI 图像处理平台（"流行智能"后更名"豪视界"） —— 一个面向电商卖家的 SaaS 化 AI图像处理工具站。核心业务逻辑:卖家上传商品图,平台调用多个 AI引擎完成换背景、生成模特图、扩图/高清/去水印等处理,按张扣积分,处理结果存云端图库。
支撑业务的系统能力
- 账户体系:邮箱/手机注册登录、JWT 鉴权、图形验证码、访客可浏览(登录才可下单)
- 积分计费系统:注册赠送 100 积分、按任务类型差异化定价(可后台配置)、消费流水记录、积分套餐
- 异步任务系统:任务状态机(等待→处理中→完成/失败)、批量提交、全局任务列表、结果轮询
- 图库:处理结果云端存储(阿里云 OSS)、缩略图、任务详情回看
- 管理后台:用户管理(禁用/启用/改积分)、任务监控与重试、系统配置、积分规则/套餐配置、操作日志、仪表盘统计
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服