基于大语言模型的校园智能化组队平台-TeamUp
2026-08-03 22:26:13
行业：在线教育、人工智能
载体：网站、H5
技术：Spring Boot、Vue、MySQL、Redis
业务和功能介绍
立项背景：高校学生在参加学科竞赛、创新创业、课程设计等项目时，组队往往依赖朋友圈和社交群，效率低且匹配不精准。很多同学技能互补但互相不认识，错过合作机会。TeamUp 旨在用 AI 技术解决校园组队信息不对称的问题。
核心功能模块：
1.智能匹配推荐：基于多维度加权算法（技能匹配 35%、综合评分 25%、专业匹配 25%、活跃度 15%），技能匹配区分 Jaccard 相似度和互补度（互补权重 0.6 > 相似权重 0.4，因为组队更需技能互补），自动计算匹配百分比并给出匹配原因（共同技能、技能互补、同专业、活跃用户），按匹配度降序排列候选人。
2.AI 对话助手"小队"：基于 LangChain4j + 百度千帆 GLM-5.1 大模型，支持 Tool Calling 能力，AI 可实时调用 searchTeams（搜索团队）、getTeamDetail（团队详情）、recommendTeams（智能推荐）、getMyTeams（我的队）4 个工具获取真实数据后回答。支持 SSE流式输出、会话管理、AI 自动生成会话标题、上下文记忆（最近 10 条历史注入），并注入学生个人上下文（专业、年级、技能标签、项目经验）实现个性化建议。
3. 组队广场与团队管理：用户可创建团队（设置项目类型、人数上限、技能要求、绩点门槛），浏览/搜索/申请加入团队，队长审批申请、邀请用户、移除成员、转让队长。
4. 邀请与申请系统：支持两种模式——邀请入队（队长主动邀请）和申请入队（用户主动申请），邀请/申请可附带消息，接收方可同意或拒绝，待处理邀请在首页实时提醒。
5. 用户画像与评分：综合评分 = 绩点 × 0.6 + 信誉分 × 0.4，技能标签 JSON 存储，个人简介、年级、专业等信息完善用户画像。
6. 安全认证：Spring Security + JWT（7 天有效期），注册支持验证码（Redis 5 分钟过期），BCrypt 密码加密。
以下附上通过内网穿透 部署在 阿里云云服务器的URL
https://zps0619.natapp1.cc/
用户及密码 admin admin123 (登陆时 并未加入微信接口)
核心功能模块：
1.智能匹配推荐：基于多维度加权算法（技能匹配 35%、综合评分 25%、专业匹配 25%、活跃度 15%），技能匹配区分 Jaccard 相似度和互补度（互补权重 0.6 > 相似权重 0.4，因为组队更需技能互补），自动计算匹配百分比并给出匹配原因（共同技能、技能互补、同专业、活跃用户），按匹配度降序排列候选人。
2.AI 对话助手"小队"：基于 LangChain4j + 百度千帆 GLM-5.1 大模型，支持 Tool Calling 能力，AI 可实时调用 searchTeams（搜索团队）、getTeamDetail（团队详情）、recommendTeams（智能推荐）、getMyTeams（我的队）4 个工具获取真实数据后回答。支持 SSE流式输出、会话管理、AI 自动生成会话标题、上下文记忆（最近 10 条历史注入），并注入学生个人上下文（专业、年级、技能标签、项目经验）实现个性化建议。
3. 组队广场与团队管理：用户可创建团队（设置项目类型、人数上限、技能要求、绩点门槛），浏览/搜索/申请加入团队，队长审批申请、邀请用户、移除成员、转让队长。
4. 邀请与申请系统：支持两种模式——邀请入队（队长主动邀请）和申请入队（用户主动申请），邀请/申请可附带消息，接收方可同意或拒绝，待处理邀请在首页实时提醒。
5. 用户画像与评分：综合评分 = 绩点 × 0.6 + 信誉分 × 0.4，技能标签 JSON 存储，个人简介、年级、专业等信息完善用户画像。
6. 安全认证：Spring Security + JWT（7 天有效期），注册支持验证码（Redis 5 分钟过期），BCrypt 密码加密。
以下附上通过内网穿透 部署在 阿里云云服务器的URL
https://zps0619.natapp1.cc/
用户及密码 admin admin123 (登陆时 并未加入微信接口)
项目实现
整体架构： 采用前后端分离架构。前端 Vue3 + Vite + Element Plus + Pinia 状态管理，通过 Axios 调用后端 RESTful API；后端Spring Boot 3.2 + MyBatis-Plus + Spring Security + JWT，对接百度千帆 GLM-5.1 大模型（通过 LangChain4j OpenAI 兼容接口）。数据层 MySQL 8.0 存储业务数据，Redis 做验证码存储和匹配结果缓存。
我的负责模块与结果：
1. 智能匹配算法模块：设计了四维加权匹配算法，技能维度区分相似度和互补度（Jaccard 系数 × 0.4 + 互补度 × 0.6），解决了传统只看相似度忽视互补性的问题。实现内存批量计算匹配度避免 N+1 查询，匹配结果 Redis 缓存，接口响应 < 200ms。每个候选人附带可解释的匹配原因列表。
2. AI 对话助手模块：基于 LangChain4j AiServices 构建 ChatAssistant 接口，通过 @Tool 注解将 4 个团队查询方法暴露给大模型，实现 Tool Calling 自动路由。设计了 ThreadLocal 传递当前用户 ID 供工具使用。构建了增强系统提示词——动态注入学生上下文（专业、技能、项目经验），使 AI 回答个性化。支持阻塞式对话（带工具调用）和 SSE 流式输出两种模式。
3. 前端全栈开发：10+ 个页面/组件，包括首页仪表盘（统计卡片、快捷入口、最新招募）、智能匹配页（候选人卡片网格、匹配度百分比、匹配原因、邀请对话框）、AI 对话页（侧边栏会话列表、打字指示器动画、消息气泡）、组队广场、团队详情、个人中心、管理后台等。
遇到的难点与解决方案：
1.大模型 Tool Calling 参数识别问题：用户问"有没有 ACM 队伍"时，AI 总是把竞赛名当作 projectType 而非 keyword 传入。解决：在 SystemMessage 中给出明确的参数映射示例（竞赛名→keyword，项目类型→projectType），准确率从约 40% 提升到 90%+。
2. 匹配查询 N+1 问题：最初对每个候选人单独查库计算匹配度，50 个候选人产生 100+ 次查询。解决：改为一次性批量查询候选用户，内存中计算所有匹配度，查询次数从 O(N) 降到O(1)，性能提升约 20 倍。
3. LangChain4j 会话记忆管理：LangChain4j 的 @MemoryId 会无限增长历史消息。解决：保留最近 10 条历史消息，超出部分截断，避免上下文窗口溢出和 Token 浪费。
我的负责模块与结果：
1. 智能匹配算法模块：设计了四维加权匹配算法，技能维度区分相似度和互补度（Jaccard 系数 × 0.4 + 互补度 × 0.6），解决了传统只看相似度忽视互补性的问题。实现内存批量计算匹配度避免 N+1 查询，匹配结果 Redis 缓存，接口响应 < 200ms。每个候选人附带可解释的匹配原因列表。
2. AI 对话助手模块：基于 LangChain4j AiServices 构建 ChatAssistant 接口，通过 @Tool 注解将 4 个团队查询方法暴露给大模型，实现 Tool Calling 自动路由。设计了 ThreadLocal 传递当前用户 ID 供工具使用。构建了增强系统提示词——动态注入学生上下文（专业、技能、项目经验），使 AI 回答个性化。支持阻塞式对话（带工具调用）和 SSE 流式输出两种模式。
3. 前端全栈开发：10+ 个页面/组件，包括首页仪表盘（统计卡片、快捷入口、最新招募）、智能匹配页（候选人卡片网格、匹配度百分比、匹配原因、邀请对话框）、AI 对话页（侧边栏会话列表、打字指示器动画、消息气泡）、组队广场、团队详情、个人中心、管理后台等。
遇到的难点与解决方案：
1.大模型 Tool Calling 参数识别问题：用户问"有没有 ACM 队伍"时，AI 总是把竞赛名当作 projectType 而非 keyword 传入。解决：在 SystemMessage 中给出明确的参数映射示例（竞赛名→keyword，项目类型→projectType），准确率从约 40% 提升到 90%+。
2. 匹配查询 N+1 问题：最初对每个候选人单独查库计算匹配度，50 个候选人产生 100+ 次查询。解决：改为一次性批量查询候选用户，内存中计算所有匹配度，查询次数从 O(N) 降到O(1)，性能提升约 20 倍。
3. LangChain4j 会话记忆管理：LangChain4j 的 @MemoryId 会无限增长历史消息。解决：保留最近 10 条历史消息，超出部分截断，避免上下文窗口溢出和 Token 浪费。
示例图片视频
相似推荐
面向感知任务的大模型智能体记忆压缩优化系统‑AgentMemoryOpt-AgentMemoryOpt
本系统针对感知类智能Agent存在记忆上下文冗余、token消耗过高问题，设计记忆筛选与压缩算法。实现对Agent历史感知对话、环境观测记录做过滤、摘要压缩，减少大模型输入token开销。提供API接口，可对接各类感知Agent，完成多组对比实验，验证压缩后Agent任务效果损失可控，显著降低调用成本，可用于智能体原型开发与学术研究。
中债金科pc 端办公网站开发
1.为方便内部人员在线查看各部门问题及解决问题而开发 作用是在线提出部门遇到的问题，监测问题状态审批流转，显示不同角色登录查看问题提出或者解答及对问题答案是否认同的情况和对应的问题数据反显
2.提供可视化数据显示方案
Eleconet智能知识库系统-Eleconet
本系统是一个 RAG 智能知识库问答平台，包含八个功能模块。
用户认证模块支持用户名、邮箱或手机号注册登录，也支持短信验证码免密登录，修改密码和联系方式均需验证，会话采用 JWT Token。
知识库管理模块允许用户创建、编辑和删除知识库。文档上传支持多文件批量操作，后台异步完成解析和向量化。文件格式覆盖 TXT、PDF、Word、Excel、PPT，图片通过 OCR 提取文字，音视频通过 Whisper 转录。系统按 Free、Pro、Enterprise 三档套餐限制知识库数量、文档数和文件大小。
RAG 智能问答模块是系统核心。用户提问后，系统先语义检索知识库内容，再发送给大语言模型生成答案并附带引用来源。支持流式输出和多轮对话，历史对话可管理。
分享与访客模块允许高级用户生成限时分享链接，访客无需登录即可对知识库提问。
付费模块支持月付和年付，通过微信扫码或支付宝付款，自动确认支付并升级套餐，支持沙箱模拟支付。
知识库市场模块由管理员发布模板，用户可一键基于模板创建知识库。
系统管理模块赋予管理员用户管理、角色套餐修改、批量重置密码等权限。
系统配置模块供管理员配置 AI 模型、OCR、短信、支付渠道等参数，密钥脱敏展示。
后端 API 分为十组：/api/auth/ 为注册登录等九个认证接口；/api/kb/ 为知识库和文档管理七个接口；/api/chat/ 为问答和对话管理五个接口；/api/share/ 为分享链接四个接口；/api/guest/ 为访客免登录问答两个接口；/api/payment/ 为下单支付和配置八个接口；/api/kb-market/ 为模板管理五个接口；/api/settings/ 为系统配置十个接口；/api/admin/ 为用户管理五个接口；/api/stats/ 返回统计数据。
前端页面中，/login 为登录页，/pricing 为价格页，/guest 为访客问答页。登录后 / 为仪表盘，/knowledge-base 为知识库列表，/knowledge-base/:id 为知识库详情，/market 为模板市场，/chat 为问答对话页，/conversations 为对话列表，/profile 为个人资料，/payment 为支付页，/settings 和 /admin 为管理员专用页。
车险智能报价与强交互作业平台-智能作业助理
项目简介：构建线上保险销售作业场景，引入AI技术优化业务流程；提升客户体验与业务员作业效率，推动业务线上化、智能化转型。
业务流程：内勤通过后台客户数据推送进行企业微信好友添加，后台根据内勤业务特点和标签，每日定时下发作业清单及智能报价数据，内勤进行预览和确认后，系统协助向客户推送推荐报价单，以及后续客户线上确认和支付流程。
CodeWeaver-CodeWeaver
### 市场定位
CodeWeaver 是面向**高安全嵌入式/工业软件（军工GJB438C、航空DO‑178C、汽车ISO26262等）**的智能化单元测试用例生成工具，定位为**研发效率辅助工具，不做取证级工具**，采用本地私有化大模型Ollama，支持离线运行。
**对标产品**：LDRA/VectorCAST，但不走取证工具路线；做研发阶段前置增效，和国外取证工具互补。
**客户对象**：研究所、汽车零部件、医疗器械、核电、铁路软件团队。
### 产品边界
- 明确是**研发辅助工具**，输出用例需要人工复核，不直接用于A级安全等级取证
- 规避高昂漫长的官方工具鉴定流程
- 核心价值：把设计文档业务约束自动转化测试场景，减轻工程师手工编写单元测试的重复劳动
### 核心创新
**文档‑代码双向信息融合 + 约束‑场景映射的文档驱动测试**，并非单纯调用大模型生成测试代码的玩具Demo。
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服