根据历史交易数据以及市场信息捕捉实现模型训练，根据训练后的模型做回测练习，最后开始预测涨跌，并实现大规模量化交易，可实现未来5个交易日的股票价格预测，是股票爱好者的利器。

1、本地部署ragflow构建知识库，构建对应知识库问答助手以及扩展更多的应用助手，从知识库的众多文档中获取，如：企业内部规章制度的问答等；2、本地部署dify构建agent、工作流第等，最大程度发挥大模型的能力。

多平台支持：自动化部署脚本应确保在多个操作系统环境（如Windows、macOS、Linux）下能够顺利运行。不同系统的路径分隔符、权限机制、依赖管理等都可能有所不同，脚本应针对这些差异进行适配。增加本地部署联动性等各类问题，提高整体全局的辅助，同时自动检查整体布局是否能在一个域名交互进行联动。

live2d模型驱动的伪3d模型，实现实时对话，长短记忆，工具调用，情感陪伴等功能，用户喜好习惯等重要记忆自动保存，自动搜索调用，多级别好感度性格prompt实现立体性格设计，langchain框架实现agent调用，对话模型智能识别mcp工具调用请求，构建用户级工具agent流式调用工具，解决用户

API接口安全分析POST/api/analyze：安全分析POST/api/meta-cognition：元认知分析POST/api/intelligent-reasoning：智能推理POST/api/decision：决策生成实验管理POST/api/experiment/create：创建实

EasyTune-LLM是一个专业的大语言模型微调平台，旨在简化LLM微调流程，让开发者和研究人员能够轻松地：管理训练数据集选择和配置基座模型创建和监控训练任务部署和测试微调后的模型

主要是一个AI小助手，可以为同学提供如下功能：1.查询指定历史朝代的基本概况（含时间跨度、政治制度、经济特征、文化成就）2.查询关键历史事件的背景、经过、影响及历史意义3.查询重要历史人物的生平事迹、历史贡献及相关评价4.解读经典历史史料（如文献片段、文物记载、历史地图）5.查询不同历史时期的习题资

1）RAG知识库：导入PDF/Word/表格，清洗分块、向量化、热更新；2）智能对话：基于企业语料高质量问答，引用原文证据；3）流程自动化/多Agent：创建工单、指派、催办、回写表格/审批；4）工具接入：飞书消息/日历/表单/多维表格、Webhook、第三方API；5）权限与审计：按部门/群组控权

互联网信息推荐算法安全评估平台（http://116.62.162.16/home）是一个面向算法治理与信息安全分析的专业工具。该平台支持从快手、微博、抖音、小红书等多类主流平台进行数据抓取与分析，实现对推荐算法行为的全面监测和量化评估。 平台核心功能包括宏观数据看板、账号群体画像分析、安全指标追踪等，能够精准识别如“诱导控制”和“干扰识别”等算法风险行为，并以可视化方式呈现其变化趋势。它已管理超600万账号、37类群体画像，支撑起对信息传播机制与算法影响的深入洞察。 该平台适用于监管机构、研究单位及平台企业，为其提供算法安全评估、舆论风险预警和治理策略制定方面的数据支持，最终推动推荐算法透明、可信、向善发展。

基于 Spring Boot + MyBatis + MySQL + AIGC + React 的智能数据分析平台，封装了讯飞星火模型接口，区别于传统 BI，用户只需要导入原始数据集、并输入分析诉求，就能自动生成可视化图表及分析结论，实现数据分析的降本增效； 后端自定义 Prompt 预设模板并封装用户输入的数据和分析诉求，通过对接 AIGC 接口生成可视化图表 json 配置和分析结论，返回给前端渲染； 由于 AIGC 的输入 Token 限制，使用 Easy Excel 解析用户上传的 XLSX 表格数据文件并压缩为 CSV，实测提高了 20% 的单次输入数据量、并节约了成本； 为保证系统的安全性，对用户上传的原始数据文件进行了后缀名、大小、内容等多重校验； 为防止某用户恶意占用系统资源，基于 Redisson 的 RateLimiter 实现分布式限流，控制单用户访问的频率； 考虑到单个图表的原始数据量较大，基于 MyBatis + 业务层构建自定义 SQL 实现了对每份原始数据的分表存储，提高查询性能 30% 和系统的可扩展性； 由于 AIGC 的响应时间较长，基于自定义 IO 密集型线程池 + 任务队列实现了 AIGC 的并发执行和异步化，提交任务后即可响应前端，提高用户体验； 由于本地任务队列重启丢失数据，使用 RabbitMQ（分布式消息队列）来接受并持久化任务消息，通过 Direct 交换机转发给解耦的 AI 生成模块消费并处理任务，提高了系统的可靠性； 基于 Ant Design Pro 脚手架快速搭建初始项目，并根据业务定制项目模板，如封装全局异常处理逻辑； 使用 TypeScript + ESLint + Prettier + Husky 保证项目编码和提交规范，提高项目质量； 使用 Umi OpenAPI 插件，根据后端 Swagger 接口文档自动生成请求 service 层代码，大幅提高开发效率； 选用兼容性较好的 Echarts 库，接收后端 Ai 生成的动态 json 自动渲染可视化图表。