AI

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DashScope语音服务 3、数据可视化模块：使用ECharts实现医保基金使用情况实时监控 4、设备适配模块：基于Vant 2的响应式设计，支持多设备适配 5、安全认证模块：支持社保卡、银行卡等安全读取和认证 6、测试框架：包含完整的AI模型测试、语音功能测试和性能测试框架 四、技术选型特点： 1 1、前端采用Vue 2.7.14 + Vant 2，确保稳定性和兼容性 2、AI服务采用Ollama + Qwen3:14b，提供专业的医保知识服务 3、语音服务采用Web Speech API + DashScope，实现高准确率的语音识别 4、构建工具采用Vite，提供快速的开发体验和构建性能 5、使用ECharts实现专业的数据可视化展示 6、采用HTTPS安全传输，确保数据安全

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

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。

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）

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

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

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。​

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

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。

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

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。

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；

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

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）及合成数据（基于GPT-4生成对抗性测试用例），构建高质量训 练数据集。 数据标注：建立问题分类体系（登录注册、充值提现、交易下单、系统类等），对历史客服数据进行分类标 注，确保问题-答案映射的准确性；进行实体抽取（如用户信息、订单号、交易类型）提升模型理解能力。 数据清洗与预处理：去除冗余信息、噪声数据，标准化文本格式，对非结构化数据进行分词、词性标注等 NLP处理，并优化多模态数据（如工单图片OCR解析），确保数据高质量输入模型。 技术架构： 整体架构采用云函数+大模型+RAG的组合方案 用户输入 → NLP 处理 → 知识库匹配 → AI 生成答案 → 返回结果 项目成果： 模型效果：知识点覆盖率>85%，意图识别率>86%，整体准确率>90% 业务效果： 成本：将每用户成本控制在 ≤ 0.1 美元，通过优化API调用和数据库查询降低成本。 满意率：用户满意率 ≥ 85%，确保用户对客服系统的整体体验满意。

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。

1. 本方案面向谁，解决了什么问题？ 目标用户： ​中小型企业及个体创作者：缺乏专业设计团队，需高效生成营销素材（如电商产品图、短视频）。 ​MCN机构及内容运营团队：需批量生产多平台适配内容，降低人力与时间成本。 ​数据驱动型团队：需通过内容质量分析优化投放策略，提升转化率。 核心痛点： ​内容生产效率低：传统制作依赖人工拍摄、剪辑，耗时长且成本高（如一条视频制作从3天缩短至半天）。 ​多平台分发复杂：各平台格式要求差异大，手动适配效率低且易出错。 ​数据分析滞后：缺乏实时数据看板，难以量化内容效果（如播放量、转化率）。 ​商业化门槛高：专业工具费用高昂（如Adobe Firefly企业版），中小用户难以承受。 2. 相比于市场常规方案，本方案有哪些特点？ ​特点一：全链路智能化，覆盖生产-分发-分析闭环​ ​生产端： ​多模态生成：支持文生图、文生视频（如输入文案生成1080P视频，90分钟完成传统数周工作），结合扩散模型（Diffusion）与Transformer架构，提升生成质量与一致性。 ​模板化创作：内置电商、教育等场景模板库，降低用户操作门槛（如极睿科技AIGC引擎）。 ​分发端： ​一键多平台适配：自动调整视频尺寸、画质、字幕格式，兼容抖音竖屏、小红书图文等。 ​智能版权管理：通过数字水印与区块链技术保障内容合规性。 ​分析端： ​数据看板：实时追踪内容表现（如完播率、互动量），通过语义分析生成优化建议（如热门关键词提取）。 ​特点二：高性价比的灵活商业化模式​ ​套餐分级：按需提供基础版（免费）、Pro版（支持4K渲染、高级模板）及企业定制版，单价低至每分钟视频成本几十元（传统PGC成本高达数十万）。 ​按量计费：支持按生成次数、存储容量或API调用量付费，适配不同规模客户。 ​特点三：技术优势与垂直场景深度融合​ ​中文语境优化：基于文心大模型与DeepSeek技术，提升古诗词、历史典故等文化元素适配准确率。 ​行业Know-How集成：如电商领域融合商品数据库与营销策略，自动生成高转化素材。 对比市场竞品： 本方案优势 Adobe Firefly 按次计费成本高，缺乏垂直场景适配 提供行业模板与套餐制，成本降低90% 魔珐科技有言 侧重3D视频，多平台分发能力弱 全链路覆盖+多终端适配 京点点AIGC 聚焦电商，缺乏数据分析模块 生产-分发-分析闭环 3. 方案的产品组成或技术选型 ​产品架构： ​内容生产层： ​AI生成引擎：基于文心大模型（文本）、Stable Diffusion（图像）、Sora-like视频模型（多模态对齐）。 ​编辑工具：支持脚本优化、智能抠图、动作捕捉（如讯飞智作）。 ​分发管理端： ​多平台API对接：抖音、小红书等开放平台接口自动化发布。 ​跨终端适配：Web端（Vue3+PHP）、移动端（Flutter跨平台框架）。 ​数据分析层： ​数据湖存储：腾讯云COS+Elasticsearch，支持PB级数据处理。 ​可视化看板：基于Echarts与Tableau，提供GMV、用户画像等多维分析。 ​核心技术： ​大模型微调：采用LoRA技术降低训练成本，适配垂直领域需求。 ​分布式算力：阿里云GPU集群+边缘计算节点，保障高并发生成稳定性。

# AI培训网站 ## 项目概述 这是一个为新员工设计的交互式AI历史培训网站，全面介绍了人工智能的发展历程、主要技术突破、著名模型以及框架工具。网站采用现代化的响应式设计，提供丰富的视觉元素和互动体验，帮助新员工快速了解AI领域的过去、现在与未来。 ## 项目结构 ``` ai-history-training/ ├── index.html # 主页面结构和内容 ├── styles.css # 样式表 ├── scripts.js # 交互功能脚本 ├── images/ # 图片资源目录 └── README.md # 项目说明文档 ``` ## 主要功能与特点 ### 1. 内容板块 - **AI历史时间线**：按时间顺序展示AI发展的关键里程碑 - 早期历史 (1940s-1950s) - AI寒冬 (1970s-1980s) - 现代AI崛起 (1990s-2000s) - 大数据时代 (2000s-2010s) - 深度学习革命 (2010s至今) - **各大公司模型**：介绍主流科技公司的大语言模型 - Google (PaLM, Gemini等) - Microsoft/OpenAI (GPT系列) - Anthropic (Claude系列) - Meta (LLaMA系列) - 国内知名模型 (文心一言、通义千问等) - **其他知名AI模型**：包括向量嵌入模型、图像生成模型、计算机视觉模型、音频模型、代码模型等 - **AI关键技术**：详细讲解AI领域的核心技术 - 知识蒸馏 (Knowledge Distillation) - 检索增强生成 (RAG) - 微调技术 (Fine-tuning) - AI生成内容 (AIGC) - 提示工程 (Prompt Engineering) - **AI框架与工具**：全面介绍AI开发常用框架和工具 - 主流深度学习框架 (PyTorch, TensorFlow, JAX等) - 模型格式与运行时 (ONNX, GGUF, SafeTensors等) - 高级工具库 (Transformers, Sentence-Transformers等) - 交互式框架体系图，直观展示各层次技术关系 ### 2. 设计特点 - **响应式布局**：适配各种屏幕尺寸的设备 - **现代UI设计**：卡片式布局、渐变色彩、平滑过渡效果 - **交互式元素**： - 滚动触发的动画效果 - 悬停高亮 - 平滑滚动导航 - SVG框架图的序列动画 - **可访问性考虑**：良好的色彩对比度和语义化HTML结构 ### 3. 技术亮点 - **纯原生技术**：使用HTML5、CSS3和原生JavaScript构建 - **高性能动画**：使用CSS过渡和变换实现流畅动画 - **IntersectionObserver API**：实现高效的滚动检测和按需加载 - **SVG交互图表**：使用可缩放矢量图形展示AI框架体系 - **CSS变量**：实现主题配色的统一管理 ## 使用指南 ### 本地运行 1. 克隆或下载本项目到本地 2. 直接在浏览器中打开`index.html`文件即可查看网站 3. 不需要安装任何依赖或运行任何服务器 ### 导航方式 - 通过顶部导航栏快速跳转到不同章节 - 使用右下角的回到顶部按钮返回页面开始位置 - 滚动浏览各个时间线和内容卡片 ## 适用场景 - 新员工入职培训 - AI知识普及教育 - 技术团队内部参考资料 - 对AI感兴趣的人群自学 ## 未来规划 - 添加互动测验，强化学习效果 - 增加深色模式支持 - 扩展更多AI应用案例 - 增加个性化学习路径 - 支持多语言版本 ## 贡献指南 欢迎对本项目进行改进和扩展，您可以通过以下方式参与： 1. 提交内容更新，保持AI知识的时效性 2. 优化用户界面和交互体验 3. 修复潜在问题或错误 4. 提出新的功能建议

# 3D机房管理系统 这是一个使用JavaScript和Three.js实现的3D机房可视化管理系统。该系统提供了一个直观的3D界面，用于监控和管理数据中心的服务器和设备。 ## 功能特点 - 3D机房场景渲染 - 机架和服务器的可视化展示 - 空调系统模拟与冷风效果 - 设备状态监控 - 交互式设备信息查询（点击设备显示详情） ## 技术栈 - HTML5 / CSS3 - JavaScript - Three.js (3D渲染库) ## 使用方法 1. 打开index.html文件在浏览器中运行 2. 使用鼠标进行场景导航： - 左键点击并拖动：旋转视角 - 右键点击并拖动：平移视角 - 滚轮：缩放视角 3. 点击服务器或空调设备查看详细信息 ## 项目结构 ``` datacenter-3d-visualization/ │ ├── index.html # 主HTML入口 ├── css/ │ └── style.css # 样式表 │ ├── js/ │ ├── main.js # 主应用逻辑 │ ├── racks.js # 机架和服务器相关代码 │ └── airconditioners.js # 空调系统相关代码 │ └── README.md # 项目说明文档