AI

社交APP 。门槛付费终身会员，分布式架构 ，支持多包共存，C端代码，管理后台使用VUE 语言开发，覆盖APP内所需的各种配置，使用springboot +mysql+redis+rocketmq+oss+腾讯IM 等组件，AI内容使用通义千问，通义星辰制作，代码都是封装好的，换key 即用，项目中有首页、笔记广场、动态广场、AI助理、实时匹配等模块

通过该项目用户可快速构建数字人&智能体应用以及可视化AI应用（如AI官网、AI小程序、AI营销、AI工具等），能够以“所想即所得”的方式快速打造高性能个性化AI应用。 我的开发能力： 1. 主导项目规划与技术选型，确保平台架构满足高并发、高稳定性的要求。 2. 负责核心模块开发，包括零代码UI设计器、工作流引擎和向量数据库的集成与优化。 3. 带领团队实现用户通过平台无代码快速构建各类AI应用，如智能APP、小程序和网页。 4. 设计并实施自动售货员客服等数字员工解决方案，提升用户交互体验。 5. 通过持续的功能迭代和性能调优，确保平台能够适应不断变化的市场需求。

申请流程中的每个环节，从提交、审批到反馈，都可通过系统实时追踪。 对数据资源的使用情况进行深度分析，统计资源的访问次数、下载量、使用时长等指标。结合用户行为数据，如搜索关键词、浏览路径等，挖掘用户对不同类型资源的偏好与需求 系统提供精细的文件数据权限管理功能，可按用户、用户组、部门、数据类型等维度设置不同的访问、编辑、下载权限。对于敏感的非结构化数据，如财务报表、商业机密文档等，采用加密存储技术确保数据安全。同时，系统支持版本管理，记录文件的修改历史，方便追溯与恢复 对非结构化数据进行深度内容分析。这些分析结果用于构建企业知识图谱，实现智能问答与智能检索功能。用户只需输入自然语言问题，系统即可快速从海量非结构化数据中精准检索相关信息并给出答案，提升信息获取效率，赋能企业决策与创新

一、目标用户：媒体、翻译公司、翻译从业者、各行各业的翻译岗位（法务、专利、技术、外贸等） 二、解决问题： 1. 根据客户所提供的词汇对照表进行定制翻译及对已有翻译进行勘误 2. 操作简洁，直接输入中文原文/中文+译文/译文，自动触发翻译/勘误/勘误功能。 三、相比于市场常规方案，本方案有哪些特点 1. 自动化，操作简洁，非技术人员快速上手，体验佳 2. 实现简单，1天快速搭建，维护成本低 3. 可扩展性强，低代码调整工作流结构满足定制需求 4. 输出效果好，结构清晰，翻译效果好 四、方案的产品组成或技术选型 扣子智能体、扣子知识库、扣子数据库 向外提供API接口

项目名称：大模型专业方向能力微调 项目周期：2024年8月 – 2025年1月 技术栈：Python、PyTorch、Transformers、Deepspeed、LoRA、CUDA、FastAPI、Docker、Redis、LLM Serving（vLLM） 角色：核心研发工程师 / LLM 算法工程师 项目背景： 为提升公司在垂直行业（如医疗/法律/教育）中大模型应用能力，本项目致力于构建一个可支持国产及开源大语言模型微调、评估与在线部署的一体化平台。通过参数高效微调技术（如LoRA）与分布式训练框架，降低大模型应用门槛并显著压缩部署成本。 主要工作内容： 模型选型与微调： 基于LLama2-7B、InternLM-Chat-7B、Baichuan2-13B等模型进行对比评估。 使用QLoRA技术在低成本GPU环境下进行指令微调，构建领域问答能力。 编写用于自监督微调的预处理脚本，支持大规模数据增广与token级清洗。 推理部署与服务化： 使用vLLM + Huggingface Transformers进行高并发在线部署，性能相较HF原生模型提升2.3倍。 实现多

项目背景： 响应速度慢——尤其受时差影响，夜间回复滞后，导致用户等待时间长。 重复性问题多——大量用户咨询充值、提现、保证金等基础问题，人工处理效率低。 多语言需求——需支持英语和印地语，以确保不同用户群体的顺畅沟通。 用户金融知识匮乏——印度期货市场75%的用户为散户，对金融概念理解有限，需提供更清晰易懂的解答。 基于上述挑战，我们决定引入智能客服，以提升客服效率、优化用户体验，并有效降低人工客服的压力 实现方案： 模型选择： 主要基于以下考虑： 市场适配性：Llama 2-7B 具备英语+印地语混合优化能力，并专门针对印度金融市场进行微调，能够更好 地满足印度用户的需求。 语言支持：原生支持 Hinglish（印地语 + 英语混合语言）及本地单位换算，降低用户沟通成本。 合规与安全性：可完全本地部署，数据无需出境，避免合规风险。 成本优势：作为开源模型，Llama 2-7B 不需要支付 API 费用，大幅降低长期运营成本 数据准备： 数据采集：整合内部数据（历史客服对话、用户行为日志、投诉工单数据库）、外部数据（印度国家交易所 NSE公告API、Economic Times金融新闻

1、灵犀日记是一款融合认知行为疗法（CBT）的智能情绪管理应用。通过语音记录每日心情，AI将自动解析情绪构成，识别隐藏的"自动思维"模式，并生成可视化报告帮助您洞察情绪根源。 2、在移动端，我们采用 Flutter 框架，一套代码即可部署到 iOS、Android 等多个平台，配合丰富的 UI 组件与高性能渲染，带来原生般的交互体验。 3、引入 Dify 低代码 AI 开发平台和 DeepSeek 大模型，赋予项目智能文本分析、情感识别等 AI 功能。 4、官网端基于 Nuxt.js 框架，通过优化服务器端渲染与静态站点生成，加快页面加载速度，其丰富的插件生态，便于集成各类功能。

ps：演示地址由于个人服务器配置较低，且演示视频源来自国外视频流，可能无法一次成功开启视频，如感兴趣，可联系本人进行详细说明及演示。 产品说明： 智能家庭视频守护系统是一个基于AI的视频监测系统，用于接入不同视频源实现定时画面识别检测，目前可实现定时识别画面物体及事件，人脸识别，AI语音对话，风险检测等功能。 基础架构： 服务端：采用 Node.js + Express+Mysql。​ 多媒体处理：利用 ffmpeg 进行音视频处理。​ 实时通信：借助 WebSocket技术实现前后端实时通信。​ 大模型集成：使用 DeepSeek大模型进行对话；集成图像识别大模型（可以自由配置接入不同模型）。​ 前端页面：运用原生 HTML+JS(目前新增了Vue版)。​ 语音交互：基于自研VAD技术实时采集语音，与大模型对话，大模型输出结果后合成语音播放，支持语音打断。可在页面配置唤醒词（如 “你好监控”）进行大模型唤醒。​

一、【面向对象与解决问题】 本系统面向广西壮族自治区医疗保障局，旨在解决以下问题： 1、医保政策咨询和解读效率低下的问题 2、医保基金智能审核和数据分析需求 3、参保人员医保业务办理指导需求 4、医疗服务决策支持和业务指导需求 5、参保人员权益保障和服务咨询需求 二、【方案特点】 相比市场常规方案，本系统具有以下特点： 1、深度思考模式：AI可显示详细思考过程，提高政策解读的可信度 2、多模态交互：支持文本对话、语音交互、扫码识别等多种交互方式 3、智能语音优化：针对医保场景优化的语音识别和合成，支持方言识别 4、多设备适配：支持从400x640到1024x640等多种分辨率设备 5、浏览器兼容：支持Chrome 71等老版本浏览器，确保在各类设备上稳定运行 6、实时数据分析：集成ECharts实现医保基金使用情况的实时监控和可视化 7、安全性保障：支持社保卡、银行卡等安全读取，符合医保系统安全要求 三、【产品组成与技术选型】 系统由以下核心模块组成： 1、智能对话模块：基于Qwen3:14b大模型，提供专业的医保政策咨询 2、语音交互模块：集成Web Speech API和阿里云Da

这是一个基于深度学习的图像真伪识别系统，能够区分真实图像和伪造图像。系统使用PyQt5构建了用户友好的界面，支持图片和视频的实时分析。 支持图片和视频的真伪识别 实时视频分析功能 友好的图形用户界面 多种深度学习模型支持（ResNet50, VGG, DenseNet121等） 结果统计和历史记录功能

对图像进行识别并评估图像识别的准确率 1) 对推理的数据集进行分割； 2) 网络分配已分割的数据集； 3) 远程控制推理； a. 初始化推理设备 b. 加载推理模型 c. 数据推理前处理 d. 数据推理 4) 返回推理后的推理结果； 5) 对推理结果进行处理获得FPS值（加速卡每秒钟推理的图片数量，其中推理包括推理前处理、推理及推理后处理三个部分）及推理的精度值；

项目概述 这是一个基于Flask和深度学习的智能客服助手系统，能够理解自然语言输入并提供相应回答。 功能特性 支持多种问候语和常见问题回答 采用LSTM和Sentence-BERT实现语义理解 支持模糊匹配和自然语言处理 快速开始 安装依赖：pip install -r requirements.txt 启动服务：python app/app.py 访问 http://localhost:5000 使用聊天界面 技术栈 Python 3.x Flask Keras Sentence-Transformers scikit-learn

1、使用开源框架实现AI对话功能，快速且成本低，且后续能够针对性优化改进 2、通过对接各大AI平台的接口，实现对话、文生图等功能 3、包含网页端和app端，后台已经内置了21种模型，只需要配置对应的key就能实现模型随意切换

应用大模型能力，建构各类自动系统。 1.RAG。 2.分析网络应用。 3.机器人训练。 4.自动测试。 5.大模型部署. 大模型（Large-scale Models）是人工智能领域的核心技术突破，通过海量数据训练和参数规模扩展（通常达数十亿至数千亿），实现了对复杂任务的强泛化能力。其核心价值在于从“专用AI”向“通用AI”演进，成为驱动各行业智能化升级的基础设施。 示例：某电商平台部署千亿参数大模型后，商品描述生成效率提升80%，用户点击率提高15%，年节省人工撰写成本超亿元。

安防或者工业领域或商用考情打卡，人脸检测算法。 人脸检测工程项目旨在开发一套高效精准的人脸识别系统，基于OpenCV、eigenface实现实时人脸定位与特征分析。系统支持图像、视频流及摄像头输入，可适应复杂光照、多角度及遮挡场景，检测准确率达98%以上。通过优化代码，确保在嵌入式设备与服务器端的高效运行。项目集成数据增强、模型训练及可视化界面开发，应用于安防监控、人脸考勤、智能门禁等领域，提供API接口便于二次开发，满足工业级部署需求。

项目是面向考编考公的被培训人员，针对他们的需求进行模拟的AI面试，通过学员的回答，经过三步生成对应的报告： 1、根据学员回答的视频（或只语音）通过AI模型，转换成文本 2、根据学员回答的文本，加上题目和参考答案，按照需求组织成上下文，通过AI大模型处理获得批改结果（优点、不足、各项分数等） 3、根据AI批改结果，组织成流程的文字，用模拟老师的声音去转成点评语音 整个报告返回学员查看，这个是核心功能

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.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

本程序致力于提供一个强大且实用的人群计数工具，其核心目标在于精准地检测图像或视频流中出现的人体目标，并高效地统计其数量。为实现这一任务，程序采用了当前深度学习领域的主流框架——PyTorch，构建并部署了一个经过优化的YOLOv3 (You Only Look Once, version 3) 目标检测模型。 YOLOv3 被选为本程序的核心算法，主要得益于其卓越的性能平衡。作为一种单阶段（one-stage）检测器，YOLOv3 以其显著的速度优势闻名，能够在保持较高检测精度的同时，满足实时处理的需求。其核心原理是将目标检测视为一个回归问题，通过单次前向传播即可预测图像中所有目标的边界框位置及所属类别概率。本程序特别利用了 YOLOv3 的 Darknet-53 骨干网络提取深度特征，并结合其多尺度预测机制（在三个不同尺度的特征图上进行检测），使其能够有效应对人群计数中常见的尺度变化大（如近处个体大、远处个体小）和密集遮挡等挑战，精准捕捉不同大小的人体目标。

1.本项目为AI大模型自然语言界面demo项目 2.本项目旨在使用自然语言界面实现记账功能 3.技术选型为Spring boot 、Spring Data JPA、Spring AI OpenAI、Sqlite、VUE 4.bbd-server为项目模块，需先修改application.yaml配置Sqlite数据库位置，环境变量配置DOUBAO_API_KEY设置为豆包大模型的KEY（或者其他任何兼容OpenAI API的大模型平台均可）