程序聚合 软件案例 麦芽365平台-麦芽365

麦芽365平台-麦芽365

2026-09-13 16:55:01
行业:企业服务(saas)、工业互联网
载体:网站、云服务/云平台
技术:Java、JavaScript、Kotlin、Objective-C

业务和功能介绍

麦芽365是通讯行业SaaS平台,用户覆盖、手机厂商、手机批发商、手机零售专卖店、运营合作商、通讯市场。(http://www.miya365.com)
主要功能:
1、货物管理(含:采购管理、库存管理、批发管理、渠道管理、零售管理)
2、财务管理(含:应收应付管理、资金管理、收支管理、工资管理)
3、人员管理(考核策略、考勤、销售计划与跟踪)
4、决策分析(采购分析、库存分析、销售分析、资产分析、净利润分析、门店价值分析、人员价值分析)

项目实现

1,技术架构:
数据库:postgresql + redis
后端服务:java + spring
pc端:vue + js
ios端: swift + oc
android: java + kotlin
2,设计架构
2.1 数据库设计: 为saas多租户模式设计,采用多数据源模式:1个应用服务器 对应: (1个主数据库+ n个 业务数据库)+ 1个redis内存数据库模式。单个业务数据库内每行记录都有租户号区分不同客户,同时为需要区分数据权限的表添加部门号,区分客户内部的数据访问权限。
2.2 后端应用服务器设计:
1、 数据库ORM方案:基于jdbcTemp 封装ORM框架,(不采用hibernate、MyBatis等)。原因:1,hibernate、MyBatis等性能不佳 2,不利于saas多租户、多数据源模式下代码控制。3,开发效率低下。
2、代码自动生成实现。实现Entity ,Dao/mapper, service 、controler 等代码一键生成。开发环节,先设计表结构、再通过Generate Dao对象一键生成 Entity ,Dao/mapper, 等代码,再通过Generate Service对象一键生成Service 层代码,最后通 Generate action 类,生成action 代码。设计完成后,简单逻辑只需要补充保存前有效性判断即可,数据库的增、删、改、查、日志记录已经全部完成。只有复杂逻辑需要开发人员手动逻辑。
3、业务规划:全部功能分类为:前台(单据、报表、设置、分析)、后台管理(数据修改、数据合并、数据结转、数据清空、打印格式设计、在线用户管理等)。

3,我在项目中位置:
3.1 担任产品总架构师,协调前端、后端、app开发任务的完成。
3.2 担任后端主程序员,完成后端所有基类的编码。
3.3 担任web端主程序员,完程前端所有基础组件的编码。
3.4 担任app端界面设计师,完成全部app端ui设计图。
3.5 担任android端主程序员。

3.1 遇到的问题以及解决方案。
1,orm选型的过程中确实遇到了不少的问题,首先我们考虑了hibernate 和 MyBatis, 发现两个都不是很理想,原因hibernate 需要写hsql语句,开发人员容易搞错,MyBatis相当于是个半自动化的工具,开发代码量很大,并且这两者默认都是按固定数据源连接池而设计。而我们是多租户模式、需要动态生成数据库连接池、动态选择数据库连接池,并且我们最希望模式是,只要设计好数据库表结构,数据实体类和dao层全部用代码自动生成,以提高我们的开发效率。最终我们决定自行开发orm架构并完成了全部代码的交付。








示例图片视频


大海
24小时内活跃
方向: 后端-Java、前端-跨端开发、
交付率:100.00%
相似推荐
基于多Agent架构与知识图谱的中医体质辨识智能诊疗系统
一、项目定位 基于**多 Agent 架构 + 知识图谱 + RAG** 的中医体质辨识与个性化养生推荐平台。以王琦九种体质学说为理论基础,通过 72 题标准化量表与自然语言问诊双通道完成体质辨识,结合 Neo4j 知识图谱(1500+ 节点)输出可追溯的个性化调理方案。 二、解决的核心问题 辨识门槛高:72 题标准化量表 + 规则引擎自动评分,覆盖九种体质 AI 幻觉严重:置信度门控(<0.6 拒答反问)+ 方案实体锚定知识图谱,幻觉率从 38% 降至 6% 问卷与 AI 结论矛盾:问卷结果作为**单一权威体质来源**,seed 模式锁定体质、跳过 LLM 推理,彻底避免口径漂移 推荐千篇一律:RAG 相似案例召回 + Follow-up 追问(过敏史 / 用药 / 作息)双向回填,方案随用户画像动态调整 故障即不可用:五级容错降级链,任一环节故障仍可输出基础推荐 三、两条核心业务路径 路径 A — 问卷测评(高置信度): 注册登录 → 填写 72 题 → 规则引擎评分 → 生成体质报告(主体质 + 兼夹 + 分数 + 判定依据)→ 自动 seed Agent 会话 → 结果页展示方案 + 内嵌迷你问诊 路径 B — 自然语言问诊(灵活): 用户描述症状 → SymptomAgent 提取结构化症状 / 舌象 / 脉象 → ConstitutionAgent(RAG + CoT 推理 + 置信度校准)→ MasterAgent 仲裁(<0.6 反问澄清)→ PlanAgent 调用图谱生成方案 → 实体锚定校验 双向闭环:问诊中追问到的个性化信息写回数据库,下次测评一并读入,持续积累用户画像。
Power Bicycle 康复训练系统
本项目面向康复与运动处方场景,为医院/康复机构提供智能功率车训练终端。用户扫码登录后,可开展适应性评估(QUEST+ 心理物理算法测定最小可感知负荷增量)、处方训练、体验与考核等流程。终端通过串口控制阻力负荷,通过 BLE 连接心电带采集心率、RRI、ECG 等生理数据,并将训练过程实时上传云端,供后台制定个性化处方、跟踪训练效果。核心模块包括:用户登录与绑定、适应性评估引擎、处方训练引擎、阻力/转速实时采集、心电带数据解析、MQTT 云端通信、本地 CSV 备份导出。业务路径为:设备联网 → 用户登录 → 评估/训练 → 数据上云 → 后台分析与处方下发。
蛮牛健康管理平台-健康管理
蛮牛健康隶属万达信息子公司,我们依托AI及大数据分析、基于微服务架构、自动化容器部署,搭建了一个全生命周期、全流程的健康管理服务平台。该平台主要包含六层架构:健康筛查、健康计划、医疗服务、健康商城、生活检测、金融保险。通过六层架构,我们为用户提供了科学、高效、精准的健康服务。
陪诊平台小程序
个人孵化项目,主要包含患者端和陪诊师端,患者端下单、陪诊师接单,其中包含了订单的全生命周期管理以及抢单确认、评价等功能 陪诊平台的盈利模式 1、平台抽佣,按单笔交易进行抽成,目前的抽成比例暂定13%(目前时长抽佣比例在20%-30%) 2、陪诊资格证培训服务(和政府、社区合作),规范市场行为 3、和银行合作,提供权益服务(稳定客源+新拓用户) 4、护工、护工管理公司合作抽佣 5、嵌入到政务网,给政府提供老人陪诊的一站式解决方案 最终形态: 用户陪诊+老人陪护+居家护理 一站式服务 目前mvp阶段: 1、线下跑通 2、和政府洽谈合作 3、和医院洽谈合作 4、和线下陪诊师、陪诊师公司合作 5、和社区沟通协作
健康数据智能监管云平台
健康数据智能监管云平台: 1、整合7类健康监测设备的数据库,构建中心库,实现数据的抽取、清洗、转化等 2、基于doris构建数据仓库,针对健康数据进行市场分析、会员画像,产品推荐等 3、构建数据治理子系统,用于数据结构设计、规范、集成ETL、数据同步、定时任务等等 4、构建标签子系统,建立标签引擎,梳理标签规则,完成数据标签化、用户健康标签等等 5、构建数据中台系统,用于呈现数据分析与挖掘的图文和报表
帮助文档   Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服