《连诗之王》是一款基于微信小游戏Canvas技术开发的古诗接龙类益智游戏，玩家需在9×9的棋盘上将散落的汉字通过滑动操作连成完整诗句（支持横、纵、斜向）完成消除。开发者利用微信原生Canvas组件实现核心绘制功能，通过封装wx.createCanvas接口创建全屏画布，并结合微信适配器(weapp-adapter)处理设备像素比，确保不同屏幕下文字渲染清晰度。游戏逻辑采用JavaScript编写，通过requestAnimationFrame实现60FPS流畅动画循环，当检测到有效诗句连线时触发粒子消散特效，该效果通过Canvas的路径绘制和渐变填充实现。为增强社交属性，接龙成绩可一键分享至微信好友排行榜，用户触摸事件通过wx.onTouchStart/Move/End系列API精准捕获，斜向连线判定则采用向量计算法确保准确性。开发过程中使用微信开发者工具进行实时调试，并参考微信小游戏官方文档对音频播放等原生能力进行集成。

1.针对低年级小学生提高口算能力 2.题型多、灵活设置时长、成绩长期保存、支持排行榜 3.移动端使用微信原生小程序开发，后台管理端使用vue3+elementPlus开发，服务端使用nodejs+mySQL开发

网络爬虫：互联网信息的隐形捕手 网络爬虫（Web Spider），又称网络蜘蛛或网络机器人，是一种自动化程序，通过模拟浏览器行为，按照预设规则从互联网上批量获取网页内容。自诞生以来，爬虫技术已成为数据获取与分析的关键工具，但其边界亦伴随技术发展与法规约束不断演变。 一、技术原理：如何编织“数据之网” 1. 工作原理 ○ URL导航：爬虫从初始URL（如网站首页）开始，解析HTML中的超链接（），递归遍历网站结构，形成“爬取路径”。 ○ 请求与响应：通过HTTP/HTTPS协议向服务器发送请求，获取网页源代码（HTML、XML等），再经解析提取文本、图片、视频等资源。 ○ 动态内容处理：现代爬虫结合JavaScript渲染引擎（如Selenium），可抓取单页应用（SPA）中的动态加载数据。 2. 核心技术组件 ○ 调度系统：管理待爬队列，优化资源分配（如分布式爬虫使用消息队列）。 ○ 反爬机制对抗：通过IP轮换、User-Agent伪装、验证码识别等技术突破网站反爬限制。 ○ 数据存储：结构化数据存入数据库（如MySQL、MongoDB），非结构化数据采用分布式文件系统（如HDFS）。

VC DF订单小程序 批量PDF 文件拆分整合 一个箱标(PO文件)对应一个面单，但是导入的FNSKU标是只有一张的（没有按件数提供的，需要根据对照关系提供的FNSKU重复抓取标签，可能PDF格式，可能GIF ，可能PNG等，支持多种格式） 3. 先找面单的对应关系 根据追踪号找到对应关系表格的无忧达SKU，同时面单变成正向并面单上下面空白位置添加上对应的无忧达SKU。

个人知识管理系统：从信息碎片到智慧沉淀的实践指南 在信息爆炸的时代，个人知识管理（Personal Knowledge Management, PKM）已成为知识工作者的核心竞争力。本文从系统架构、工具选择、管理流程三个维度，阐述如何搭建高效的知识管理系统，实现知识的获取、整合、创新与价值转化。 一、个人知识管理系统的理论基础 1. 核心定义与价值 个人知识管理是指通过系统化方法，将零散信息转化为可复用的知识资产，并支持决策与创新。美国学者Dorsey提出，PKM包含信息检索、评估、组织、表达、安全、协同六大核心技能，其本质是提升个人知识生产效率的工具集。 2. 心智模式与流程闭环 ○ 知识输入：通过多渠道（阅读、学习、社交）获取信息，需结合个人目标筛选高价值内容。 ○ 知识加工：分类存储、关联分析（如思维导图、笔记标签化），将显性知识内化为隐性认知。 ○ 知识输出：通过写作、演讲、实践等方式外化知识，形成反馈循环，驱动迭代优化。 二、工具选型：高效系统的技术支撑 1. 任务管理工具 ○ 滴答清单：聚焦短期任务与资源管理，通过「计划-执行-复盘」流程提升执行力。 ○ Notion/语雀

1. 物业服务公司,解决人力资源问题. 2. 独立完成后端服务代码,小程序代码,react管理后台.. 3. 非常简单的小项目,没有什么技术可说的. 4. gin框架做后端服务,TS开发微信小程序,react开发管理后台. 5. 阿里云服务.

个人站点，各种前端分支技术Demo展示 展示最近研究成果及技术分享的个人站点 http://43.134.141.188:5000/donut 持续构思、更新中，有兴趣可关注； 最近主攻图形学方向； 打通前端、后端、部署、地编、建模、三维； 使用当前热门轮子 vite+Vue3/React18 双版本+threejs+webgl+gltf+glsl+nestjs+mongodb+docker

这个玫瑰曲线演示项目是一个结合数学可视化与Web技术的交互式工具，旨在通过动态图形直观展示玫瑰曲线（Rhodonea Curves）的美学特性及其参数变化规律。以下是项目的详细介绍： ​一、项目背景​ 玫瑰曲线由极坐标方程 r=a⋅cos⁡(kθ)r = a \cdot \cos(k\theta)r=a⋅cos(kθ) 定义，其形状由参数 kkk 决定。通过调整 kkk 值（整数或分数），曲线会呈现出不同数量的花瓣或复杂的对称图案。本项目通过现代Web技术（HTML5 Canvas + JavaScript）实现了这一数学概念的可视化，并赋予用户高度交互性。 ​二、核心功能​ 1. ​多曲线叠加​ ​功能描述​：支持同时绘制多条不同参数的玫瑰曲线，观察它们的叠加效果。 ​技术实现​：通过curves数组管理多个RoseCurve类的实例，每条曲线独立存储参数（如kkk、花瓣数、颜色等）。 ​操作方式​：点击“添加曲线”按钮，基于当前参数创建新曲线。 2. ​实时参数调整​ ​动态控件​： ​​kkk 值​：通过数值输入框调节，支持小数（如1.5）。 ​花瓣数量​：整数输入控

增强版玫瑰曲线演示功能 这个玫瑰曲线演示项目是一个结合数学可视化与Web技术的交互式工具，旨在通过动态图形直观展示玫瑰曲线（Rhodonea Curves）的美学特性及其参数变化规律。以下是项目的详细介绍： --- ### **一、项目背景** 玫瑰曲线由极坐标方程 \( r = a \cdot \cos(k\theta) \) 定义，其形状由参数 \( k \) 决定。通过调整 \( k \) 值（整数或分数），曲线会呈现出不同数量的花瓣或复杂的对称图案。本项目通过现代Web技术（HTML5 Canvas + JavaScript）实现了这一数学概念的可视化，并赋予用户高度交互性。 --- ### **二、核心功能** #### 1. **多曲线叠加** - **功能描述**：支持同时绘制多条不同参数的玫瑰曲线，观察它们的叠加效果。 - **技术实现**：通过`curves`数组管理多个`RoseCurve`类的实例，每条曲线独立存储参数（如\( k \)、花瓣数、颜色等）。 - **操作方式**：点击“添加曲线”按钮，基于当前参数创建新曲线。 ####

1.对于每天大于4个小时处理双色球数据的用户，减少其80%的时间 2.分为3个文件，最后构建3个EXE，其中一个处理历史数据，一个处理斜连期，一个处理重号 3.使用openpyxl库获取数据后，使用pandas处理（提取历史数据，斜连期，重号），最后使用pyqt5输出用户界面。然后将处理好的数据导出成TXT

《桌面操作录制回放系统使用简介》 程序功能：本系统可实现对桌面操作（鼠标移动、点击、滚动，键盘按键按下与释放等）的录制、回放，以及记录文件的保存与加载，方便对一系列桌面操作进行重复执行或复盘查看。 界面介绍 控制面板：包含 “开始录制”“停止录制”“回放操作” 按钮，分别用于启动录制、结束录制以及回放已录制的操作。 回放速度：提供多种回放速度选项（1x、1.5x、2x、2.5x、3x），可按需选择快放速度。 文件操作：“保存记录” 用于将录制的操作以 JSON 格式保存到本地；“加载记录” 可加载已保存的操作记录文件。 退出按钮：点击可退出程序；也可通过按键盘上的 ESC 键强制退出。 操作提示：程序启动时会弹出 “操作提示” 窗口，提供基本操作指引。 操作步骤 录制操作：点击 “开始录制” 按钮，此时按钮变为 “录制中...”，即可开始进行想要录制的桌面操作。操作完成后，点击 “停止录制” 按钮，按钮恢复为 “开始录制”，录制结束。 回放操作：录制完成后，点击 “回放操作” 按钮，会弹出对话框让用户输入回放的循环次数，输入后点击确定，程序将按照选定速度和循环次数回放录制的操作。在回放

moeai-c 是一个正在开发的轻量级自动化引擎（Linux内核模块），旨在构建“操作系统级 AI 助手”原型，解决日常桌面环境中重复性任务（如文件处理、自动点击、定时操作等）难以灵活组合与扩展的问题。 项目采用 纯 C 实现，强调可控性、模块化与可嵌入能力，已完成任务调度器、基础任务模型与日志系统的 MVP。设计上支持插件机制与未来接入自然语言指令（LLM），计划拓展为“个人工作流编排工具”。 克隆后可直接运行原型，任务通过配置文件定义，适合对自动化开发、AI 系统集成与操作系统底层感兴趣的开发者快速试用与参与协作。

1. 第三方调用的高可用聊天室业务系统，fast-api 框架开发，为某业务系统提供通讯能力，实现了APP内实现消息触达。 redis 做队列，延迟/及时推送。 2. 基础服务路由系统开发，是基于django框架, 根据不同的商户号，配置其对应的供应商，并通过一系列的规则判断，实现了在多个 第三方供应商选择其中可用的一个；解决了当第三方出现问题不可用的时候，可以自动切换到另外一个可用的第三方供应商,实现 第三方调用的高可用

1.基于tensorflow开发某LED厂芯片检测系统，使用fastapi+MySQL+redis搭建web服务，将算法的模型进行工程化开发，使其 有对外提供检测能力。支持模型的热更新,在不停服不重启容器的情况下,将模型加载到GPU中 2. 基于yolov5/yolov8/pytorch/onnx+fastapi开发某芯片厂封测检测平台, 平台分为三个系统，1.数据处理采集系统，使用多进 程常驻的形式，对元数据进行轮询采集，将数据推入队列，并将推理后的结果写入数据库。 2.推理系统使用fastapi框架搭建，将 算法集成到web服务中，并且支持权重的热更新，对数据系统提供检测的能力。 3.后台系统使用fastapi框架搭建，将数据库中的 数据进行展示，给前端提供接口。 3. 主要用于半导体行业的视觉检测项目

1.软件面向水泥厂区环保门禁数据接口对接，具体接口产区所对接的环保接口存在差异，无法满足于所有厂区，所以需要根据具体需求去做定制。 2.软件通过Winform程序调用厂区接口，同步车辆通行数据给环保门禁接口。 3.程序通过C#代码，使用.NET Framework 4架构。

在生产作业过程中，部分作业类型对于安全方面的要求较高，往往需要重点管理，如登高作业、动火作业等。由于此类作业不在码头生产经营的正常管理范围之内，往往需要通过纸面单证审批的方式进行管理，整体效率较低，且缺乏规范性。 在本项目中，需要以安全作业各个环节的管理需求为出发点，构建内部安全管理机制，通过移动端和web端结合的方式，电子化审批流程，实现登高作业、动火作业等特殊作业的流程化管理。

项目简介： Pytorch_Bert_CasRel_RE 项目主要聚焦于关系抽取（Relation Extraction，RE）任务，借助 PyTorch 框架和 BERT 预训练模型，运用 CasRel（Cascaded Binary Tagging Framework for Relational Triple Extraction）方法实现三元组抽取。 技术类型： 此项目属于自然语言处理（NLP）领域的关系抽取项目。它结合了深度学习框架 PyTorch、预训练语言模型 BERT 以及 CasRel 这种创新的关系抽取方法。 结合预训练模型：采用 BERT 预训练模型，能够捕捉文本中的语义信息，使模型对文本语义有更深刻的理解，进而提升关系抽取的准确性。 CasRel 方法：CasRel 采用级联的二元标记框架，可有效处理复杂的关系抽取任务，尤其在处理多个实体和关系的三元组抽取时表现出色。 端到端抽取：实现了端到端的三元组抽取，无需额外的实体识别步骤，简化了抽取流程。 性能表现：在公开的关系抽取数据集上，相较于传统的关系抽取方法，该项目能取得更高的准确率和召回率。 项目中遇到的问题：

通过软件把企业的人、财、物、产、供销及相应的物流、信息流、资金流、管理流、增值流等紧密地集成起来实现资源优化和共享。系统包括后端，前端APP，整合多款移动应用，为不同角色用户，提供针对不同工作场景的移动应用，让工作随需处理。

驻场到中国移动在线有限公司，负责移动在线的项目，项目主要是k8s项目的扩容，上线，故障处理等任务 个人职责： 负责搭建K8s集群，运用K8s知识为用户分配命名空间，运行并处理K8s关于pod的故障等；用docker上传拉取镜像。 部署nginx、mysql、redis、ES、minio、nacos，kafka，skywalking、seate(分布式事务)和xxl-job(分布式任务调度平台)。 负责熟悉Prometheus集群：优化告警策略、实现飞书分组告警，发现故障及时处理等

通过搭建统一的数据平台，打通各类业务系统接口，实现企业级业务数据的集中化管理。同时引入大数据分析与AI模型，为管理层提供科学决策支持与施工指导依据。系统还提供实时数据看板、流程跟踪与日志审计等功能，提升项目透明度与管控效率。