业务和功能介绍
**1、背景**
某单位在日常运转中积累了大量的历史材料，这些材料长期分散存放，缺乏统一的管理标准与归档机制，导致查找困难、版本混乱、复用率低，甚至存在丢失风险。随着业务发展和对历史资料依赖程度的提高，单位迫切需要一套能够对历史材料进行集中存储、分类管理和安全管控的系统，以实现资料从“分散保存”向“统一治理”的转变，为后续的知识沉淀和智能化应用打下基础。
**2、功能**
系统以知识库为核心管理单元，支持文件上传，并按照不同组织的知识库进行分类管理。系统允许无限创建知识库，每个知识库可独立承载某一组织或某一主题的资料，互不干扰。在权限层面，系统实行严格的访问控制，只有具备相应权限的人员才能访问对应的知识库，无权限用户无法查看、上传或检索其中的内容，从而保障资料的安全性与保密性。通过“组织—知识库—文件”的三级结构，单位可以实现历史材料的精细化、可扩展管理。
**3、流程**
使用流程清晰且易于操作。用户登录后，首先选择已有知识库，或根据业务需要新建知识库；随后将所需的历史文件上传至对应知识库中，系统对上传文件进行解析与量化处理，提取文本内容并转化为可供检索的向量数据；完成量化后，这些资料即可作为知识源提供给大模型，用于 RAG（检索增强生成）场景，实现基于单位历史材料的智能问答与知识复用。整体形成“选择/创建知识库—上传文件—量化处理—供大模型 RAG 使用”的闭环流程，既满足统一管理需求，又为智能化应用提供高质量的数据支撑。
某单位在日常运转中积累了大量的历史材料，这些材料长期分散存放，缺乏统一的管理标准与归档机制，导致查找困难、版本混乱、复用率低，甚至存在丢失风险。随着业务发展和对历史资料依赖程度的提高，单位迫切需要一套能够对历史材料进行集中存储、分类管理和安全管控的系统，以实现资料从“分散保存”向“统一治理”的转变，为后续的知识沉淀和智能化应用打下基础。
**2、功能**
系统以知识库为核心管理单元，支持文件上传，并按照不同组织的知识库进行分类管理。系统允许无限创建知识库，每个知识库可独立承载某一组织或某一主题的资料，互不干扰。在权限层面，系统实行严格的访问控制，只有具备相应权限的人员才能访问对应的知识库，无权限用户无法查看、上传或检索其中的内容，从而保障资料的安全性与保密性。通过“组织—知识库—文件”的三级结构，单位可以实现历史材料的精细化、可扩展管理。
**3、流程**
使用流程清晰且易于操作。用户登录后，首先选择已有知识库，或根据业务需要新建知识库；随后将所需的历史文件上传至对应知识库中，系统对上传文件进行解析与量化处理，提取文本内容并转化为可供检索的向量数据；完成量化后，这些资料即可作为知识源提供给大模型，用于 RAG（检索增强生成）场景，实现基于单位历史材料的智能问答与知识复用。整体形成“选择/创建知识库—上传文件—量化处理—供大模型 RAG 使用”的闭环流程，既满足统一管理需求，又为智能化应用提供高质量的数据支撑。
项目实现
**技术实现方案**
**1、后端框架**
系统后端采用 Go 语言开发，使用 Gin 作为 Web 框架。Go 具备高并发、低内存占用和部署简便的特点，适合本系统文件上传、知识库管理与检索等多种并发场景；Gin 提供轻量高效的路由、中间件与参数绑定能力，便于快速构建 RESTful 接口。后端整体按模块划分，包含用户认证、知识库管理、文件上传、量化处理与检索服务等，接口统一采用 JSON 交互，并通过中间件实现权限校验与访问控制，确保只有具备相应权限的人员才能访问对应知识库。
**2、数据库与文件存储**
系统使用 SQLite 作为关系型数据库，存储用户、知识库元信息、文件记录、权限配置及量化状态等结构化数据。SQLite 轻量、无需独立服务、便于部署与备份，契合单位内部系统的使用场景。文件本身统一保存在磁盘上，系统在创建知识库时自动生成对应的知识库文件夹，不同知识库的文件分别存放在各自目录中，实现物理隔离与清晰区分。文件上传后按知识库归档，目录结构直观，便于运维管理与数据迁移，同时也避免了文件与数据库混存带来的性能与维护问题。
**3、量化与检索**
知识库内容保存在 zvec 向量库中，用于支撑高效的相似度检索。文件上传并解析后，系统通过 bge-m3 模型对文本进行量化，将内容转化为高维向量并写入 zvec，形成可供检索的知识表示。bge-m3 支持多语言、多粒度语义表示，能够较好地适配单位历史材料的多样性。在召回阶段，系统先从 zvec 中检索出相关候选内容，再使用 bge-reranker-v2-m3 对候选结果进行召回重排，提升结果的相关性与排序质量。通过“zvec 存储 + bge-m3 量化 + bge-reranker-v2-m3 重排”的组合，系统可为大模型 RAG 提供准确、可靠的上下文支撑，实现基于历史材料的智能问答与知识复用。
**1、后端框架**
系统后端采用 Go 语言开发，使用 Gin 作为 Web 框架。Go 具备高并发、低内存占用和部署简便的特点，适合本系统文件上传、知识库管理与检索等多种并发场景；Gin 提供轻量高效的路由、中间件与参数绑定能力，便于快速构建 RESTful 接口。后端整体按模块划分，包含用户认证、知识库管理、文件上传、量化处理与检索服务等，接口统一采用 JSON 交互，并通过中间件实现权限校验与访问控制，确保只有具备相应权限的人员才能访问对应知识库。
**2、数据库与文件存储**
系统使用 SQLite 作为关系型数据库，存储用户、知识库元信息、文件记录、权限配置及量化状态等结构化数据。SQLite 轻量、无需独立服务、便于部署与备份，契合单位内部系统的使用场景。文件本身统一保存在磁盘上，系统在创建知识库时自动生成对应的知识库文件夹，不同知识库的文件分别存放在各自目录中，实现物理隔离与清晰区分。文件上传后按知识库归档，目录结构直观，便于运维管理与数据迁移，同时也避免了文件与数据库混存带来的性能与维护问题。
**3、量化与检索**
知识库内容保存在 zvec 向量库中，用于支撑高效的相似度检索。文件上传并解析后，系统通过 bge-m3 模型对文本进行量化，将内容转化为高维向量并写入 zvec，形成可供检索的知识表示。bge-m3 支持多语言、多粒度语义表示，能够较好地适配单位历史材料的多样性。在召回阶段，系统先从 zvec 中检索出相关候选内容，再使用 bge-reranker-v2-m3 对候选结果进行召回重排，提升结果的相关性与排序质量。通过“zvec 存储 + bge-m3 量化 + bge-reranker-v2-m3 重排”的组合，系统可为大模型 RAG 提供准确、可靠的上下文支撑，实现基于历史材料的智能问答与知识复用。
示例图片视频
相似推荐
情绪检测
本工具基于 Python 开发，通过人脸识别与情感分析算法，精准识别用户面部情绪状态，实现高效的情绪检测能力。该工具应用场景广泛：在心理咨询领域，可辅助咨询师洞察来访者的真实情绪变化，提升沟通与干预效果；在校园安防方面，可实时监测学生情绪波动，及时发现异常状态并预警，守护校园安全。系统采用轻量化架构，运行高效、部署灵活，便于集成到现有业务平台中，为心理健康关怀与安全防护提供智能化、数据化的有力支撑。
基于神经网络的游戏动画系统
MotionWeaver 是一套面向 Unreal Engine 游戏开发的 AI 驱动角色动作生成系统，旨在解决传统游戏动画制作成本较高、动画资产复用困难、复杂动作衔接不自然，以及角色运动与动画表现难以协调等问题。
项目以神经网络动作生成技术为核心，结合游戏引擎的角色运动系统，实现从动画数据采集、模型训练到动作推理与引擎集成的完整技术流程。
主要功能包括：
动画数据采集与处理： 支持从 Unreal Engine 动画资产中提取骨骼姿态、位置、旋转及时间序列信息，完成骨骼映射、数据清洗、质量审核与训练数据集构建。
AI 动作模型训练： 提供基于深度学习的动作表示学习、姿态预测与生成模型训练功能，支持模型检查点管理、训练指标记录及实验评估。
条件动作生成： 利用角色根运动轨迹、历史动作状态及参考姿态等条件，生成连续骨骼动作，研究不同运动条件下的动画生成效果。
复杂动作约束： 针对跑酷、跨越障碍等复杂场景，支持参考姿态引导及关键帧约束，改善动作准确性与空间匹配效果。
UE 动画集成与验证： 提供模型推理与 Unreal Engine 动画系统的集成和实验验证能力，支持生成动作的预览、重建、测试及效果分析。
模型评测与对比： 通过骨骼位置误差、运动连续性、关键帧约束误差等指标，对不同模型及优化方案进行定量分析。
项目主要面向游戏角色动画生成、AI 动画技术研究和游戏开发工具链建设，为智能角色运动与游戏动画自动化提供技术基础。
基于 n8n 的社区团购订单自动归集与对账系统 - 飞书多维表格
立项背景和目标：
社区团购商家通常同时运营多个小区的团购业务，订单分散在各处，
每天需要人工汇总到表格、再逐个小区生成对账单。三个小区的情况下，
人工处理约需 1.5-2 小时/天，且极易出现漏单、金额对不上。
目标是让这套流程全自动跑：订单自动归集 → 自动生成分小区对账单
→ 异常自动告警，把每天 2 小时的人工压到 0。
软件功能、核心功能模块：
1. 定时触发模块：每天固定时间自动启动，无需人工干预
2. 多源数据读取：对接飞书多维表格开放 API，分页拉取三个小区的订单表
3. 数据清洗与合并：统一字段口径，合并去重，处理缺失值
4. 分类汇总：按小区维度聚合，计算应收、已付、差额
5. 异常检测：金额不一致、状态异常、重复订单自动标记
6. 结果写回：汇总结果写回多维表格，供商家和团长直接查看
7. 失败告警：任一步骤失败自动重试 3 次，仍失败则推送群告警
业务流程、功能路径：
每天 20:00 定时触发 → 读取运行参数 → 换取 tenant_access_token
→ 逐小区分页读取订单 → 展开为明细行 → 批量写入汇总表
→ 生成分小区对账单 → 判断是否启用对账推送 → 异常则发群告警
多端AI问答系统（SSE流式输出）
立项背景：随着大语言模型的普及，传统企业与用户对智能对话的需求激增。旨在构建一个前后端完全解耦的 AI 问答系统，支持多端接入，提供流畅的流式对话体验。
核心功能：支持 SSE 全链路流式对话（包含start/content/reasoning/done/error五类事件）；多会话管理（新建、切换、重命名、置顶、逻辑删除）；Markdown 渲染、思考过程折叠展示、多模型切换、Token 用量统计与 API 调用日志，以及四维 IP 限流。
业务流程：前端发起对话请求 → 后端校验限流 → 组装历史消息并调用大模型 API → SSE 逐字返回前端实时渲染 → 消息落库并记录 Token 与耗时。
基于RAG的多租户AI客服SaaS-wali-ai
立项背景和目标: 小微企业客服人力有限、游戏规则分散、夜间无人值守, 重复咨询淹没客服; 通用大模型不了解业务规则, 会张冠李戴甚至编造规则和价格. wali-ai的目标是让运营者用自己的知识库, 7x24自动回答玩家问题, 答不上来就兜底或转人工, 以及记录，绝不编造.
软件功能与核心模块: 多租户SaaS控制面(注册即获默认租户与工作空间、两级角色权限、按套餐的对话条数/知识库数量/容量/席位/Token额度五维配额); 知识库管理(文件导入, 切片可视化编辑与检索测试); 自研RAG引擎(向量+关键词混合检索、RRF融合、Rerank重排、置信度评估); Agent编排(意图判断、会话上下文、人设提示词、闲聊/固定兜底双模式); 多渠道接入(游戏内Lua桥接、QQ群NapCat、网页悬浮球SDK、开放API); 会话管理与人工接管; 未回答问题沉淀反哺知识库; 运营统计与全量审计.
业务流程: 注册登录->创建游戏服与机器人->建知识库导入文档->自动切分并向量化索引->配置渠道->玩家在游戏内/QQ群/网页提问->统一网关验签、幂等、路由->Agent意图判断->RAG混合检索->大模型生成带来源引用的回答->写回会话、用量与审计->低置信度时兜底或转人工, 管理员在管理端查看会话、反馈、用量与配额.
帮助文档
Copyright @ 2021-2024 程聚宝 | 浙ICP备2021014372号
人工客服