AI

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.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

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

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。

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

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）

1. 基于Transformer架构，复现GPT-2(124M参数)​​+FP8混合精度 2. 训练数据是HuggingFaceFW/fineweb-edu中的sample-10BT 3. GPU租用的是智星云，GeForce RTX 4090 (24G)，系统Ubuntu，单机4卡 4. 开发工具VS Code 5. 相关版本如下：CUDA Version: 12.4, Driver Version: 550.127.05, torch 2.5.0, triton 3.1.0

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

基于langchain，langgraph，向量数据库weaviate，目前实现了以下功能： 1. 文字嵌入向量数据库，可进行相似度检索 2. 图片嵌入向量数据库，可进行相似度检索 3. 智能问答，提高大语言模型回复的准确度 4. 智能体，主要包括：执行“生成查询或回复”操作，并判断是否需要调用检索工具；使用“工具条件”进行下一步的路由，如果“生成查询或回复”返回了工具调用列表，则调用检索工具来获取信息，否则，直接回复给用户；对检索到的文档内容进行相关性评分，然后进行下一步的路由，如果不相关，则使用“重写问题”功能重新编写问题，然后再次调用“生成查询或回复”操作，如果相关，则继续执行“生成答案”操作，并使用检索到的文档上下文通过“工具消息”生成最终回复。 5. 多智能体，由一个supervisor agent进行协调。监督agent，控制所有的通信流程和任务分配，并根据当前的环境和任务要求来决定调用哪个agent

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。

项目介绍：联邦学习环境中的后门攻击与防御研究平台 核心目标 本项目构建了一个前沿的联邦学习安全研究平台，专注于模拟后门攻击在分布式机器学习系统中的植入、传播与防御过程。基于OxfordPets图像数据集和VGG16模型架构，系统实现了可配置化的恶意攻击场景，为联邦学习安全机制提供实证研究基础。 关键技术特性 1. 攻击场景高度可控 • 恶意客户端指定：通过backdoor_paticipation_map参数精确选择发起攻击的客户端（如客户端0-2） • 攻击强度调节：支持70%的高比例数据污染（backdoorRatio=0.7） • 多样化触发器：内置像素级触发器（如中心位置[220,220]的红色块攻击） • 目标定向攻击：强制模型将特定样本错误分类至目标类别（backdoorClass=0） 2. 联邦学习全流程模拟 • 多客户端协同训练（默认5客户端） • 支持IID/非IID数据划分（Dirichlet分布） • 集成FedProx防御算法（mu=0.01动态调整）

AI声音克隆借助先进的机器学习和深度学习技术，AI可以分析和模仿人类的声音，准确复刻说话者的音色，创造出几乎无法区分的复制品，在娱乐和创意产业中有广泛的应用，普通用户也能体验到声音克隆的魅力。 合作方式多样： 1.客户提供需要训练的音频文件，我们代为训练，返回客户要的音频模型。 2.如果客户没有合适的硬件环境，可以帮助训练音频模型和直接返回需要定制的语音内容（wav、mp3等）。 3.可以帮助搭建客户本地的AI声音克隆环境，用户自己训练、自己生成，灵活调整，没有额外费用。

1.本方案面向短视频领域创作者，大幅降低了制作视频的时间，实现降本增效 2.相较于市场常规方案，AI自动剪辑视频的精度不够，我们能达到90%以上 3.前端：React/Vue.js构建用户界面 后端：Python/Node.js处理业务逻辑 数据库：MongoDB/PostgreSQL存储项目和用户数据 云服务：AWS/阿里云用于视频存储和处理 智能场景检测：基于计算机视觉算法自动识别关键画面 语音识别转写：集成讯飞/百度语音API进行语音内容分析 自动字幕生成：支持多语言字幕提取和嵌入 智能剪辑算法：基于内容重要性评分的自动剪辑系统

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

项目描述：基于大语言模型训练的用于Inventor的画图AI，AI-EDP（Artificial Intelligence Engineering Design Platform）是一款基于Python开发的智能化工程设计平台，通过自主研发的“灵犀1.0”多模态大语言模型，深度融合工程设计全流程（建模→分析→优化→出图→制造），实现从用户需求到生产落地的全链路自动化。 采用技术：模型层：Lingxi-ME-32B v1.0（机械工程领域专项微调）+LoRA v2.0 +DPO v1.2 计算层：PyTorch2.5+CUDA 12.3+OpenMPI 4.2.3+Dask 2024.3.0 工程层：Inventor API 2024 + ANSYS Mechanical APDL 2024 R1 + AutoCAD .NET 项目职责：系统设计，包含需求分析、架构设计、模型设计、提示词设计

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

项目描述：某外企内部AI智能监控系统无法访问，需要在redhat linux上重装此系统，厂家Vaidio不提供技术支持且厂家安装包只支持ubuntu系统。 主要职责：对厂家Vaidio安装包进行逆向分析，独立制作基于redhat linux的安装包，成功在客户服务器上完成安装。 项目成果：成功在客户服务器上安装AI智能监控系统，恢复原始监控数据，为客户节省成本3万元。

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。

AI健康管家是一款集成人工智能技术的全方位健康管理应用，旨在为用户提供个性化的健康监测、心理支持和生活方式指导服务。通过智能化交互与数据分析，帮助用户实现身心健康的全面管理。 系统特色 AI智能交互：通过人工智能技术提供个性化服务体验 全方位健康管理：整合生理健康、心理健康和膳食营养等多维度管理 数据安全保障：严格保护用户隐私，确保健康数据安全 便捷操作界面：直观的侧边栏菜单设计，功能分类清晰，易于使用

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