业务和功能介绍
一.立项背景和目标
随着智能制造和数字化转型的深入推进，传统机械结构设计依赖工程师个人经验，存在设计周期长、方案迭代效率低、知识传承困难等问题。本项目立足机械设计领域，提出基于大语言模型（LLM）的智能设计Agent研究，目标是构建机械设计领域知识库，结合RAG（检索增强生成）技术，开发一款能够辅助工程师快速检索设计规范、推荐典型机构方案、进行工程参数分析的智能Agent系统，最终实现机械结构设计的智能化辅助，提升设计效率和方案质量。
二.软件功能及核心功能模块介绍*
本系统核心技术栈包括LLM、RAG、Python后端及Web前端交互。
主要功能模块如下：
1. 知识库构建模块：收集整理机械设计手册、机构原理、设计规范、案例库等专业知识，构建结构化向量数据库。
2. 智能检索与推荐模块：基于RAG技术，实现设计知识精准检索、相似机构方案智能推荐及设计参数优化建议。
3. 参数分析模块：结合LLM推理能力，对推荐方案进行力学性能、运动特性等工程参数初步分析。
4. Web交互系统：搭建用户友好的Web界面，支持自然语言输入查询、方案展示、参数调整及结果可视化。
三、业务流程与功能路径描述
用户通过Web系统以自然语言描述设计需求（如“设计一款用于自动化设备的夹持机构”），系统首先通过RAG从知识库中检索相关设计规范和历史案例，随后调用LLM生成多个机构方案推荐，并提供关键参数分析；用户可进一步与Agent对话进行方案迭代、参数优化；最终输出设计报告和可视化结果。整个流程形成“需求输入→知识检索→方案生成→参数验证→方案输出”的闭环智能辅助路径，显著降低机械设计师的重复劳动，提高创新设计效率。
随着智能制造和数字化转型的深入推进，传统机械结构设计依赖工程师个人经验，存在设计周期长、方案迭代效率低、知识传承困难等问题。本项目立足机械设计领域，提出基于大语言模型（LLM）的智能设计Agent研究，目标是构建机械设计领域知识库，结合RAG（检索增强生成）技术，开发一款能够辅助工程师快速检索设计规范、推荐典型机构方案、进行工程参数分析的智能Agent系统，最终实现机械结构设计的智能化辅助，提升设计效率和方案质量。
二.软件功能及核心功能模块介绍*
本系统核心技术栈包括LLM、RAG、Python后端及Web前端交互。
主要功能模块如下：
1. 知识库构建模块：收集整理机械设计手册、机构原理、设计规范、案例库等专业知识，构建结构化向量数据库。
2. 智能检索与推荐模块：基于RAG技术，实现设计知识精准检索、相似机构方案智能推荐及设计参数优化建议。
3. 参数分析模块：结合LLM推理能力，对推荐方案进行力学性能、运动特性等工程参数初步分析。
4. Web交互系统：搭建用户友好的Web界面，支持自然语言输入查询、方案展示、参数调整及结果可视化。
三、业务流程与功能路径描述
用户通过Web系统以自然语言描述设计需求（如“设计一款用于自动化设备的夹持机构”），系统首先通过RAG从知识库中检索相关设计规范和历史案例，随后调用LLM生成多个机构方案推荐，并提供关键参数分析；用户可进一步与Agent对话进行方案迭代、参数优化；最终输出设计报告和可视化结果。整个流程形成“需求输入→知识检索→方案生成→参数验证→方案输出”的闭环智能辅助路径，显著降低机械设计师的重复劳动，提高创新设计效率。
项目实现
整体架构和设计思路
本项目采用模块化分层架构设计，整体分为四层：数据层、检索增强层、LLM Agent核心层和Web交互层。
数据层：使用Python + LangChain构建机械设计领域知识库，采用Chroma向量数据库存储设计手册、机构案例、规范标准等结构化/非结构化数据。
检索增强层（RAG）：核心采用Embedding模型（text-embedding-ada-002）+ 混合检索策略，提升领域知识召回准确率。
LLM Agent层：基于GPT-4o / 通义千问等大模型，通过LangGraph构建多Agent协作流程，实现需求理解、方案推荐和参数分析。
Web交互层：使用Streamlit + FastAPI搭建前端界面，支持自然语言对话和可视化展示。
设计思路以“检索增强+Agent规划”为核心，减少LLM幻觉，提高机械设计领域的专业性和可靠性。
我负责的模块和结果
我主要负责知识库构建与RAG检索模块以及Web交互系统的开发与集成。
完成了超过1200份机械设计文档的清洗、向量化处理，构建了包含8万+向量条目的专业知识库；
实现了RAG检索模块，Top-3召回准确率达到87.5%；
独立开发Web交互界面，支持多轮对话、机构方案可视化（3D预览）和参数分析报告自动生成；
最终原型系统在10个典型机械设计案例测试中，方案推荐满意度达85%以上，设计辅助效率较传统方法提升约60%。
我遇到的难点、坑和解决方案
难点：机械设计知识专业性强，通用Embedding模型对术语理解不足，导致检索召回率低。
解决方案：采用领域特定微调Embedding + 混合检索（向量+关键词+BM25），并建立术语字典映射，显著提升召回效果。
坑：LLM生成方案时容易出现不符合力学原理的“幻觉”内容。
解决方案：引入Self-Consistency投票机制 + RAG知识锚定，同时增加后处理校验脚本，对关键参数进行规则验证。
难点：前后端数据交互与多Agent状态管理复杂。
解决方案：使用LangGraph构建状态机流程，并通过FastAPI实现异步接口调用，保证系统稳定性和响应速度。
本项目采用模块化分层架构设计，整体分为四层：数据层、检索增强层、LLM Agent核心层和Web交互层。
数据层：使用Python + LangChain构建机械设计领域知识库，采用Chroma向量数据库存储设计手册、机构案例、规范标准等结构化/非结构化数据。
检索增强层（RAG）：核心采用Embedding模型（text-embedding-ada-002）+ 混合检索策略，提升领域知识召回准确率。
LLM Agent层：基于GPT-4o / 通义千问等大模型，通过LangGraph构建多Agent协作流程，实现需求理解、方案推荐和参数分析。
Web交互层：使用Streamlit + FastAPI搭建前端界面，支持自然语言对话和可视化展示。
设计思路以“检索增强+Agent规划”为核心，减少LLM幻觉，提高机械设计领域的专业性和可靠性。
我负责的模块和结果
我主要负责知识库构建与RAG检索模块以及Web交互系统的开发与集成。
完成了超过1200份机械设计文档的清洗、向量化处理，构建了包含8万+向量条目的专业知识库；
实现了RAG检索模块，Top-3召回准确率达到87.5%；
独立开发Web交互界面，支持多轮对话、机构方案可视化（3D预览）和参数分析报告自动生成；
最终原型系统在10个典型机械设计案例测试中，方案推荐满意度达85%以上，设计辅助效率较传统方法提升约60%。
我遇到的难点、坑和解决方案
难点：机械设计知识专业性强，通用Embedding模型对术语理解不足，导致检索召回率低。
解决方案：采用领域特定微调Embedding + 混合检索（向量+关键词+BM25），并建立术语字典映射，显著提升召回效果。
坑：LLM生成方案时容易出现不符合力学原理的“幻觉”内容。
解决方案：引入Self-Consistency投票机制 + RAG知识锚定，同时增加后处理校验脚本，对关键参数进行规则验证。
难点：前后端数据交互与多Agent状态管理复杂。
解决方案：使用LangGraph构建状态机流程，并通过FastAPI实现异步接口调用，保证系统稳定性和响应速度。
示例图片视频
相似推荐
智能仓储 · 立库调度监控系统（RMS 调度中间件 + 监控管理后台）-RmsCC
【1】立项背景与目标
自动化立体库是新能源锂电、汽车零部件等行业的主流仓储形态，库内由四向车、提升机、输送线、接驳口协同完成托盘出入库。上游 WMS/WES 只下发"某个托盘要入库或出库"，而"分配到哪个货位、走哪条路、派哪台车、每一段由谁执行"全部由中间的调度系统（RMS）计算并驱动——本项目就是一个立库调度中间件 + 配套的调度监控管理后台。目标：把"任务下发→货位分配→路径规划→派车→分段执行→库存过账"做成可跑通、可观测、可人工干预的闭环，并解决现场最头疼的三个问题：调度计划与现场执行脱节、设备与货位状态不可见、故障（走不通、卡住）无日志可查。
【2】核心功能模块
①基础数据：仓库/货区/货位（层-x-y 坐标、深浅位）/设备/物料建模。
②权限体系：JWT + RBAC 用户-角色-菜单三级权限，菜单级与接口级双重校验。
③上游任务管理（内置 WES 模拟器）：批量下发出入库任务，一键生成托盘号。
④任务调度与分段：任务状态机（待下发/执行中/已完成/异常/取消），入库按固定拓扑自动拆 3 段（库外输送线→提升机→目标层接驳口→货位），出库镜像反向。
⑤路径规划：库内 A* 网格寻路（巷道四向可走、货架区仅纵向、有货货位视为障碍），按"空闲且电量>40% + 曼哈顿距离最近"自动派车，支持小车避让、等待点与自动移库（倒库）。
⑥设备仿真引擎：无真实 PLC，用定时任务按可配置节拍推进每段任务并驱动设备沿路径移动。
⑦实时监控：WebSocket 每秒推送设备位置、状态与任务进度，地图大屏显示库位占用与小车轨迹，另配小车/设备监控页。
⑧库存与数据中心：托盘维度库存、分层占用统计、库存流水（任务完成自动过账）。
⑨接口日志中心：按上游/RCS/WCS 三个通道记录每次调用的请求与返回报文、方向、结果、耗时，支持按托盘号/任务号全链路检索与改报文重发。
⑩AI 作业助手：接入大模型，自然语言下发任务、异常诊断与智能问答，SSE 流式输出，模型不可用自动降级为本地规则。
⑪单车手动控制：顶升/放下/移动/充电/恢复/释放任务等指令，应急时人工接管。
【3】业务流程与功能路径
上游下发（托盘号 + 出入库类型）→ RMS 自动分配货位（浅位优先、低层优先）→ 生成分段计划 → A* 计算路径并派最近的空闲车 → 仿真引擎按节拍推进各段 → 全段完成后自动过账（货位占用/释放、绑定或解绑托盘、写库存流水与系统日志）→ 任务归档。
功能路径：登录 → 首页看板（货位占用 + 任务趋势）→ 上游任务管理下发任务 → 资源监控中心地图大屏观察执行 → 立库任务中心（任务视图/任务管理）→ 数据中心查库存与流水 → 报表数据中心查接口日志 → AI 助手用自然语言下单。
库存订单及项目清单管理系统
业务目标：面向装修公司的硬软装材料库存+订单管理系统，据用库存档案、双类分类、采购入库、项目订单与材料清单(BOM)满足装修需求，进行汇总审核。 打通采购仓储、工地领用、成本核算整体链路；管理多个施工工地领料调拨，库管-采购-工头按角色各取所需，取用留存数据可追溯、可对账、可核算。
功能分块：管理系统包含库存与分类、采购入库、项目订单(材料清单)、领料出库、成本管理几大板块组成。避免硬软装混记，材料出入库无记录，多工地调拨导致库存和成本口径对不上项目利润算不清等痛点。
业务流程：维护材料库存(硬软装) -> 项目订单生成材料清单(追溯留痕) -> 库存校验按需采购 -> 领料出库调拨(扣减库存并归集到项目成本) -> 成本看板核算对账(理清出入库口径+损耗)。
文昌超级工厂
本项目服务卫星总装测试现场。计划、工艺、物料、检验和物流原来分散在不同系统，工位执行靠人工传递，结果不能及时回到工单上。立项目标是在制造执行平台上建成 MES：按工单、工序、工步组织作业，把仓储、试验检验和审批接进来，使任务可接收、过程可采集、结果可追溯。
核心功能分八块。一是基础数据，接收物料、设备、工具工装和制造 BOM。二是计划与工单，接收生产计划并按站点、工位下发。三是作业准备，包括人员资质、工艺附件、环境数据和设备点检。四是工序执行，覆盖开工、工步采集、物料装配与拆卸、工装和辅料、完工检查。五是检验回传，包括通用检验、力学、站点、热实验、电测和拍照声像，支持附件。六是仓储物流，包括叫料、配送、转运、入库、退库、临时补料、整星和工装出入库、空托盘回库。七是异常，现场填报确认，并接收环境系统异常。八是审批提醒，通过飞书卡片通知待办。
业务路径按一张工单走通：外部下发计划和 BOM 并生成工单；站点接收时若存在多个接驳位，先选定起点和终点，再向仓储下发配送或转运；准备完成后工序开工，工步采集并完成装配；试验或检验系统回传结果，关键检推送审批；完工前核对采集、物料、工装、辅料四类实绩；仓储回写执行结果后关闭物流任务。
中国移动吉林公司网络代维管理系统
综合代维管理系统：涵盖考核监控、数据审计、巡检管理、工单管理、风险防控、考核管理、资质管理、费用管理、认证考试、物料管理、系统管理等模块。主要业务针对移动代维公司工单及包年数据汇总进行季度统计结算报账、数据监管、防控分析、重点工单监督，实现对代维公司完成性闭环管理。
基于全志H618芯片的异构人脸识别储物柜系统
由全志H618作为主控的异构系统，边缘视觉采集由嘉楠K230芯片结合摄像头进行采集，通过视频推流推送到Pc进行人脸识别，识别结果下发H618,H618发送控制命令给ESP32控制相应柜门开关。其中K230和H618采用了多任务架构，每个任务分配独立线程，数据交互有队列和回调函数。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服