系统架构

1.报价系统架构搭建、功能开发和设计以及维护(Java 、sringboot ); 2.项目需求对接; 3.通过此项目获取人保、平安等保险公司推送的车辆信息； 4.完善推送的车辆信息。并推送给会员进行拍卖

基于人工智能的AI问诊导巡大模型项目旨在提升患者的就医效率，缓解医疗资源压力。以下是项目的详细讲解： 遇到的问题: · 整体架构: 如何在项目框架中选择前后端以及模型api的响应。 · 流式回答：如何实现用户能够获得流式回答，减少模型的响应时间。 · 模型裁决：如何让两个大模型的回答能够自动进行裁决，生成最优的回复。 · 意图识别：如何确保模型能够识别用户的问题是在进行问诊，而非闲聊。 · 信息整合：如何将RAG检索和知识图谱的信息与提示词相结合，提供给大模型用于回复。 项目搭建过程: · 系统架构：项目使用前端页面与FastAPI框架进行前后端系统搭建，实现无缝交互。 · 数据来源：数据主要来自爬取的医学网站和开源医学对话数据集，用于训练意图识别模型，以准确判断用户输入的意图，分为闲聊和问诊两类。 · 项目流程与LangChain应用结合： 对于闲聊场景，系统直接与大模型进行对话。 对于问诊场景，系统首先检索RAG向量数据库，召回相关文本，并使用命名实体识别技术识别用户提问的疾病 或症状。利用知识图谱（Neo4j）获取相关命名实体识别的科室和症状信息，最终构建提示词模板供大模型使用。 · 模型使用：项目涉及五个模型，包括千问7B和14B的LoRA训练模型、自预训练的意图识别模型、ModelScope中的RAG检索模型和命名实体识别模型。 · VllM部署：所有模型和相关数据均在本地服务器部署，使用VLLM对千问7B和14B模型进行加速推理，实现实时对话功能。 · Agent智能决策：在此基础上，使用本地千问14B的智能体对两个模型的回复进行裁决，模型能够自主判断并返回最优回复给用户。 最终效果: · 实现了模型的实时回复, 比单次推理快上3秒; · 使用agent对模型的回复进行裁决, 效果测试接近于人工审核; · 实现了模型自动思考决策行为+rag和知识图谱的信息作为提示词工程, 减少了模型的幻觉问题;

举办北京大学高性能计算有关赛事使用，在超算平台上实现了一套高性能计算程序评测系统和评测框架，已经支撑两届比赛的成功举办；具有高可用、安全性好等特点，内部实现调度器对接、队列系统、文件系统对接、评测脚本执行引擎、评测沙盒等。可扩展性强，功能丰富，支持各种类型的超算环境和比赛需求。

KaTool Security鉴权框架是KaTool提供的权限管理工具（基于Role和Permission鉴权），基于Spring Boot和Dubbo实现，可以针对SpringCloudGateWay和Zuul等流行网关框架进行自定义鉴权逻辑适配，使开发者更注重逻辑开发，而不被项目架构所影响，使用TokenUtil也能够快速进行框架转换而不用改编原本的代码逻辑。 特点： 单体到微服务快速升级 无视网关组件进行自适应 支持鉴权逻辑插件化，以插件形式加载逻辑 拥有专用中台，便于Token管理 拥有Token管理，上下线、踢人、角色可视化管理 快速学习：https://doc.security.katool.cn/GetStart/

Python版的Mediasoup客户端SDK，可以基于此SDK定制基于Python的WebRTC客户端应用程序。 设计初衷：跨平台、可扩展、容易上手、API完备性，详见： Why another mediasoup-client?( My Personal Option, for reference only) There are several official and unofficial client implementations, but they are not quick and easy to run on all OS's desktop, so are not suitable to be a general SDK: 1. official client with corresponding dependency lib mediasoup-demo/aiortc: because it is based on Unix Socket, so it can't run in Windows mediasoup-demo/broadcasters: it is based on bash language, which is good at integrating command line tools, but is not good at developing new features mediasoup-demo/app: it can only run in browsers, and Electron-like desktop environment with less disk space occupation, or run in Node.js with more space occupation because of the node_modules directory mediasoup-broadcast-demo: it's quite hard to compile and link a libwebrtc dependency successfully on all OS platform, especially in China mainland's network environment 2. no-official client pymediasoup： it is quite nice, but its API is a little hard to quick start as SDK

WEX企业互联是基于Django+Vue的产业互联网项目。它为企业提供了数据接口平台、授权访问、数据同步等基础能力。其便捷的扩展安装方式将帮助企业实现多样化的建设愿景，如造设各自的数据中枢、物联网平台、BI、智能调度。其自持的平台接入方式将打造多元化的产业互联网社区生态，如企业间相互发现建立合作的WWEXX平台、产业链全程追溯平台、地区性产业互助互警平台、一站式采购平台。

我在为青岛某团建公司定制化开发团建获客SAAS系统的过程中，担任项目整体把控的角色，负责服务器架构设计、数据库设计、平台开发和接口开发等工作。 该系统主要实现团建产品展示、真实案例展示、合作场地信息展示、优质讲师介绍、品质供应商信息展示等功能。同时，系统还包括客户资料管理、客户联系人管理、客户需求记录、浏览记录、分享记录等信息管理功能。 通过该系统，团建公司可以便捷地展示团建产品和服务内容，展示真实案例和合作场地信息，介绍优质讲师和供应商，同时实现客户信息管理和需求记录，为客户提供个性化的团建服务和定制方案。 技术方面，项目采用了Laravel作为后端框架，Mysql作为数据库存储数据，Linux作为服务器操作系统，Redis用于缓存数据，Vue用于前端页面展示，同时使用Docker进行容器化部署，以提高系统的可移植性和扩展性。 通过我的努力和贡献，成功完成了系统的开发和优化，为团建公司提供了一套高效稳定的SAAS系统，帮助团建公司提升业务效率、提升客户体验，加强客户关系管理，实现业务数字化转型。

Windows简单易用的2D游戏开发开源框架, 当前还在开发中... 基于: OpenGL, OpenAL, Box2D, ImGui 等库, 使用IOC控制反转降低游戏代码与框架的耦合度. 自主设计底层架构, 详情请前往Github.

为BOSCH ROKIT SLAM产品做的add on,可以结合读码器进行二次精定位。本人的技术栈非常广泛，网页，SOC，单片机，AI(主要方向是图像和序列数据预测等)。SLAM，UWB算法等。这个只是其中一个小作品

TSP系统是某车企为符合国家对新能源车辆法规要求、业务要求等方便所开发的后端管理系统，包括但不限制于车辆远控、车辆行驶数据分析、国标32960协议解析与上报等，我担当该项目技术架构和核心开发，历经8个月、带领13个人完整整体项目的立项、上线、交互等一整个流程。针对车联网系统我整理归纳了比较通用的架构设计(详情可见我博客地址)。另外针对GB32960协议的解析我也进行了一定的程度的抽象与开发，将其编码唯一个可公用的中间件模块(见我github项目); 1. 博客：https://www.cnblogs.com/zhaohuaxishi/p/17227057.html 2. github : https://github.com/xinglongZeng/gb32960-impl

https://github.com/numy/dubbo-monitor-support-2.5-2.7 针对各微服务的dubbo协议不一致情况，统一进行上报监控dubbo调用性能，该系统在日活五百万用户学乐云平台上进行生产环境使用，并自动推送每日监控情况，为大屏趋势监控提供数据，即使发现系统隐藏问题

原生spring-cloud-gateway路由配置是基于配置文件或者注册中心，需要技术人员了解相关的配置项，纯文本配置不仅容易出错而且效率非常低，配置后还需要重启服务器才能生效。为了提高网关配置效率，降低出错率和配置难度，特基于spring-cloud-gateway,r2dbc,vue2实现了网关管理后台，可以通过界面管理路由、断言、过滤器配置，配置实时生效，无需重启服务器。解决原生只能通过配置文件这种文本配置方式带来的繁琐和使用难度，可以清晰了解系统的所有路由配置。你再也不需要记住内置断言和过滤器的名字以及他们的配置参数，只需要选择使用即可

在图数据库Neo4j/ONgDB中，ongdb-lab-apoc是一个非常重要的组件，它是一个名为APOC（Awesome Procedures on Cypher）的插件，可以扩展图数据库的功能和操作。 APOC插件提供了一组强大的过程和函数，可以帮助您进行更高级的数据处理和操作。它可以扩展Cypher查询语言的功能，包括数据转换、导入/导出、字符串处理、时间处理、生成Cypher等。通过使用APOC，您可以更轻松地进行复杂的数据操作和分析 。 在使用APOC插件之前，您需要先下载并安装它，然后在Neo4j的配置文件中启用。一旦启用，您就可以在Cypher查询中使用APOC提供的各种过程和函数了。 在图数据库Neo4j/ONgDB中，ongdb-lab-apoc是一个非常重要的组件，它是一个名为APOC（Awesome Procedures on Cypher）的插件，可以扩展图数据库的功能和操作。 APOC插件提供了一组强大的过程和函数，可以帮助您进行更高级的数据处理和操作。它可以扩展Cypher查询语言的功能，包括数据转换、导入/导出、字符串处理、时间处理、生成Cypher等。通过使用APOC，您可以更轻松地进行复杂的数据操作和分析 。 在使用APOC插件之前，您需要先下载并安装它，然后在Neo4j的配置文件中启用。一旦启用，您就可以在Cypher查询中使用APOC提供的各种过程和函数了。 功能模块： 数据转换：该功能模块可以将数据从一种格式转换为另一种格式，帮助使用者在不同数据格式之间进行转换和交互。 导入/导出：使用者可以通过该功能模块将数据导入到系统中，或从系统中导出数据。 字符串处理：该功能模块提供了一系列用于处理字符串的操作，例如截取、拼接、替换等，帮助使用者对字符串进行处理和操作。 时间处理：通过该功能模块，使用者可以对时间数据进行解析、格式化、计算等操作，方便对时间数据进行处理和分析。 Cypher生成：该功能模块可以根据使用者提供的条件生成对应的Cypher查询语句，方便使用者进行复杂的数据查询和分析 。 技术栈与实现效果： Neo4j/ONgDB：Neo4j/ONgDB是一个图数据库，用于存储和处理数据。通过使用Neo4j，该项目能够更好地管理和分析图数据。 APOC插件：APOC是Neo4j/ONgDB的一个扩展插件，提供了额外的功能模块和工具，如数据导入/导出、字符串处理、时间处理等。使用APOC插件，该项目实现了更高级的数据操作和分析 。 使用Neo4j和APOC插件，本项目能够实现更灵活、更高级的数据操作和分析。通过使用APOC插件的功能模块，可以更轻松地进行复杂的数据转换、导入/导出、字符串处理、时间处理和Cypher生成。使用者可以根据自己的需求进行数据操作和分析，更快地获取所需的结果。 难点？ 图算法实现：该项目可能需要实现一些复杂的图算法，对于不熟悉图算法的开发人员来说，可能会遇到一些困难。 系统设计：由于该项目涉及到数据处理和分析，需要进行系统设计和架构，对于一些开发人员来说，可能需要进行更深入的学习和研究。 插件实现：使用APOC插件可能需要对插件的实现进行理解和学习，对于一些不熟悉插件开发的开发人员来说，可能会遇到一些困难。

该项目在DEMO大师网站付费下载153人，浏览量29747次。 将结构化数据通过关系预处理程序处理为图数据库可以查询的数据，示例是将其中一部分（人物关系数据）可视化表示。 技术点：图数据库Neo4j，d3.js，java，css，spring boot 开发工具：IDEA专业版（可找学生账号注册免费使用一年，社区版不支持WEB开发） 实现思路： 1，先定义基础的展示页面index.html 2、完成画图js(graph.js) 3，提供一个基础的拿数据接口加载测试绘图数据和绘图需要的数据（例如节点选中之后的小图标加载） 4、页面从数据接口请求数据之后，调用绘图JS在页面完成画图操作（请求数据的接口可以很方便的改为从图数据库拿取数据进行展示）

项目由本人独立开发，项目分为前端、后端、图数据库构建和应用、基于Langchain大模型Prompt工程开发，实现了基于知识图谱的智能问答。 使用 LangChain 构建应用程序后，当有用户提问时，系统会先通过代理找到合适的工具（知识图谱），然后通过工具获取数据，最后由 LLM + 私域数据生成一个流畅表达并回复用户。整个过程代理的调用会更复杂一些，当生成回复后系统会自动判断该LLM回复是否需要继续执行其它任务，是一个完全自主的递归调用流程。

LotusBridge 是一个基于Rust的边缘计算设备网关项目。它可以让您在边缘设备上采集和处理数据，并将结果传送到云平台。 功能特点 边缘计算：LotusBridge 能够在边缘设备上进行数据采集处理和计算，减少与云端的频繁通信。 统一处理：该项目提供了一种统一的方式来处理不同类型的边缘设备，使您能够屏蔽设备特定操作的复杂性。 云平台集成：LotusBridge 可以与云平台无缝集成，允许您将处理过的数据传输到云端进行进一步的分析和存储。 可扩展性：南向设备采集、规则、北向数据推送均设计为可扩展feature模式，可以满足各种边缘设备集成，并且适用于大规模的边缘计算部署。