开源项目

本项目是专门为餐饮企业（餐厅、饭店）定制的⼀款软件产品，包括系统管理后台和小程序端应用两部分。其中系统管理后台主要提供给餐饮企业商家使用，可对餐厅的分类、菜品、套餐、订单、员⼯等进⾏管理维护，对餐厅的菜品数据进⾏统计，同时支持来单语音播报功能。小程序端主要提供给消费者使用，可以在线浏览菜品、添加购物车、下单、支付、催单等。 ● 通过阿里 OSS 技术实现文件上传以及云存储功能并使用UUID对文件随机命名避免覆盖上传。 ● 使用JWT生成token实现⽆状态单点登陆，使用MD5加密用户敏感数据。 ● 自定义AOP切面进⾏公共代码逻辑抽取，实现接⼝出⼊参打印及耗时统计。 ● 使用Redis旁路缓存模式, 对菜品和套餐页做缓存处理，提高用户端响应速度。 ● 使用Swagger，帮助开发⼈员⽣成接⼝⽂档，并通过Postman对接⼝进⾏测试。 ● 使用Nginx作为Http服务器，部署静态资源，实现Tomcat的负载均衡，以及反向代理。 ● 使用SpringTask定时任务定期处理过期订单以及超时订单。 ● 使用WebSocket建立用户商家长连接，实现来单，催单提醒。 ● 使用P

核心功能实现: 实现基础指令集, 构建 x1 - x31 寄存器, 同时对 flash 存储器和 RAM 存储器等外设进行模拟。 镜像编译与指令模拟: 使用 MounRiver Studio 进行 elf 镜像编译。运用 C 语言编写指令解析器, 将编译好的镜像成功导入到模拟的 flash 存储器中。模拟器能够流畅执行镜像中的程序, 实现各种运算、跳转等操作, 完整模拟了 RISCV 架构的运行流程。 调试功能集成：为了提升开发效率, 方便对程序进行调试和优化, 为模拟器集成了 GDB Server。

设计驱动： 导入包含文件系统的测试镜像以模拟硬盘环境, 为后续开发和测试提供真实的应用场景。 分区&FAT解析：识别和提取分区的关键信息, 为后续文件系统的操作提供依据。 文件 & 文件夹操作：涵盖目录和文件/文件夹的创建、删除以及修改操作。 分区挂载：完成分区挂载操作。 分区格式化：开发分区格式化功能, 能够对存储设备进行初始化处理。

设计Boot 程序、Loader 程序，读取并解析操作系统内核 同步与互斥机制构建，通过实现信号量与锁机制, 确保进程在访问共享资源时能够有序进行, 避免资源竞争和数据冲突。 实现分页机制，将进程加载到虚拟地址空间, 使得各个进程之间相互隔离, 运行时互不干扰。 搭建了 TTY（终端设备）与文件系统, 为系统提供了标准的输入输出支持 实现Shell 程序, 解析并执行命令行

CRMEB 开源商城系统Java版，基于Java+Vue+Uni-app开发，在微信公众号、小程序、H5移动端都能使用，代码全开源无加密，独立部署，二开很方便，还支持免费商用，能满足企业新零售、分销推广、拼团、砍价、秒杀等多种经营需求，自用、做二开项目都很合适。 CRMEB开源商城PHP：https://gitee.com/ZhongBangKeJi/CRMEB 系统代码全开源无加密，独立部署、二开方便，适用于企业新零售、分销、拼团、砍价，秒杀等各种业务需求。

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

本项目是基于SpringBoot框架开发的模块化后台管理系统解决方案，能够快速搭建企业级管理平台。系统采用微服务架构设计，通过SpringCloud技术实现了服务间的协同工作。核心启动模块包括： sys模块：集成用户管理、角色权限、菜单配置等基础功能，采用MyBatis-Plus实现高效数据操作，内置Shiro安全框架保障系统安全； auth模块：基于JWT/OAuth2的认证鉴权中心，提供统一的登录验证和权限分配服务，支持多端访问控制； gateway模块：作为API网关，承担路由分发、接口限流和跨域处理，集成Sentinel实现流量管控。 开发者只需克隆代码后启动这三个基础模块，即可获得包含组织机构管理、权限体系、日志监控等功能的完整后台系统。其他扩展模块（如文件管理、流程引擎等）可根据业务需求选择性启用，通过Maven依赖管理和YML配置即可快速集成。项目采用前后端分离设计，默认提供RESTful接口，可无缝对接Vue/React等主流前端框架]。

使用vue和python实现的图书管理系统，具体功能如下： 1. 使用python编写excel表格转换成json文件的程序； 2. 使用vue实现json文件的读取和页面显示； 3. 实现了图书列表分页查询； 4. 提供页面查询和页面跳转功能。

本项目主要服务人群为个体户和中小企业。通过saas服务为不同的客户分配不同的数据库实例，实现客户数据隔离。项目在持续迭代中，目前已实现用户权限控制及数据隔离相关功能。 本项目采用了前后端分离的技术，前端采用了vue3 + element-plus技术，后端采用 springboot, spring security 主流技术，集成了分布式缓存组件redis, 消息队列组件rabbitmq等，保证了项目的扩展性，在具有方便的客户接入功能的同时也具有完善的权限控制和数据隔离功能。 后端地址：https://gitee.com/johnwang/summer_boss_backend.git 前端地址：https://gitee.com/johnwang/summer_boss_vue.git 具体操作参考项目readme文件

1. 本项目主要致力于解决日语歌词汉字注音的问题。通过该项目，用户能够方便地对汉字注音，并对歌词进行解析、编辑和格式化。 2. 在处理较大歌词文件时表现稳定，能够快速解析和显示歌词，用户体验流畅。 3. 如何运行项目？见Github连接

Android 音乐播放器(本地/在线播放) （最低支持Android版本5.0） 支持多平台音乐源，百度音乐，虾米音乐、网易云音乐、Youtube（需要翻墙） 歌词播放、桌面歌词、桌面小控件 通知栏控制、线控播放、音频焦点控制 QQ登录、微博登陆、在线歌单同步 网易云热门歌手，百度电台列表，网易云mv排行榜，mv播放评论 酷狗歌词搜索、修改歌词样式、歌词翻译

mallerp外贸流程管理系统是针对ebay paypal 速卖通等外贸平台开发的一款流程管理系统，包括13个模块近百个功能项目，采用基于php的CI框架+mysql开发。扩展性极强。适合15人左右的团队使用。

1.本项目可以使用容器编排技术,实现一键部署,方便程序员在基础上再次开发 2.1.项目前端使用了Vue3+Vite+Naive-UI+Vxe-Table+Vxe-UI的技术栈,前端的性能经过了丧心病狂的优化(gzip压缩,动态导入,异步组件,代码块切割,组件打包切割,动态异步自定义组件包装,动态异步加载的svg图,webp图片压缩,复杂度拆分,Nginx静态压缩块,Nginx负载均衡,patch-package打补丁,浏览器加载体积拆分) 2.2.项目后端使用了Java+Spring Alibaba Cloud+Nacos+Gateway的微服务架构,可以使用Docker编排一键部署Nacos,Gateway,Nginx,MySQL,Sentinel,Redis等各种元件,鉴权框架采用了Sa-Token,缓存使用了Caffeine(1级)+Redis(2级)的2级机制,分布式环境下也可以充分的利用,数据源使用了Hikari,DAO使用了EasyQuery框架,具备了一定的后端运维/部署文档,应用服务模块的代码包拆分合理,包管理器采用当前非常流行的Gradle,可以简单快速有效的执行编译

使用 android MVVM 框架，使用了 kotlin Compose 技术，完成的图鉴作品。图鉴包含了神奇宝贝的图鉴照片和基础信息，支持主题切换，按照各种分类排序等操作。应用流畅，用户体验优秀。

DeepSpace（深度空间）是一款功能强大的 DeepSeek API 调试和监控工具，由社区制作，灵感来源于 MoonPalace。 Read this in English 特性 全平台支持： Mac（支持 Intel 和 Apple Silicon） Windows Linux 用户友好界面： 简单配置：启动后只需将 base_url 替换为 http://localhost:9988 美观的控制台输出，支持彩色信息显示 直观的命令行界面 全面的请求监控： 完整的请求和响应捕获 详细的错误跟踪和调试信息 网络故障分析和诊断 高级搜索和分析： 通过 request_id 或 chatcmpl_id 快速检索 强大的过滤和排序功能 请求历史记录追踪 专业调试工具： 一键导出结构化 BadCase 报告 请求时间分析 性能指标追踪 安全和隐私： 本地代理服务器 不向外部服务器发送数据 完全控制您的 API 交互 安装方式 方式一：使用 go 命令安装（推荐） 如果您已安装 Go 开发环境，可以使用以下命令安装： $ go install github.com/240458

Survival-Kit 项目概览 解决的问题 Survival-Kit（生存工具箱）解决了以下核心问题： 1. 发现商业机会困难 - 自动化监控GitHub趋势项目，节省手动筛选时间 2. 商业价值评估复杂 - 提供结构化的多维度评分，客观评估项目商业潜力 3. 变现路径不明确 - 根据项目特性自动推荐最适合的变现模式和实施方案 4. 决策缺乏数据支持- 提供全面的市场分析和竞品对比，辅助决策制定 5. 技术创业者资源有限 - 自动化评估投入成本和回报周期，优化资源分配 简而言之，该项目帮助技术创业者快速发现和评估有商业价值的开源项目，降低创业决策风险。 技术选型 后端技术 - Python 3.x - 主要开发语言，具有强大的数据处理能力 - Flask - 轻量级Web框架，易于快速构建API服务 - Requests - 处理HTTP请求，与GitHub API交互 - OpenAI API - 提供AI驱动的项目分析能力 - Pandas & NumPy - 数据分析和处理 - Schedule - 实现定时任务和监控 - Python-dotenv -

本网络库基于Go语言与Linux epoll机制深度优化，采用高效IO多路复用架构实现百万级并发连接处理。通过环形缓冲区实现零拷贝数据读写，结合多级内存池降低GC压力。独创协程级负载均衡策略，动态分配goroutine资源，支持轮询/权重/最小连接数等算法。内置TCP拆包/心跳检测/连接池等模块，实测单机吞吐量达120万QPS，时延控制在200μs内，特别适用于高频交易、即时通讯等场景，为分布式系统提供底层网络通信保障。

我开发了一个背单词网站，包含卡片记忆、选择题和单词拼写功能。在开发过程中，遇到移动端和PC端在拼写环节出现多输/漏输字符的问题。通过针对性检测和分别调试，最终解决了这一兼容性问题。整个项目让我积累了前端开发和跨设备适配的宝贵经验。

高级表单组件，基于自研基础组件封装的高级表单组件，其中使用的基础组件也是自己开发的自研组件库提供配合使用，提供多样的参数供开发能够自定义自己的表单，设涉及技术：react、typescript，希望通过这个项目能够展示自己的代码水平

项目背景与问题 当前基于Transformer的人物-物体交互（HOI）检测方法通常依赖DETR目标检测和多模态视觉语言模型（VLM）的先验知识，虽然精度高，但存在训练时间长、优化复杂等问题，特别是在同时预测物体和交互时，query表示模糊、动词和HOI标签之间存在语义差距。 我们的方法：SOV-STG-VLA 1. 本项目提出了一个新方法 SOV-STG-VLA，由三部分组成： 2. SOV解码器：将主语-宾语-动词解耦建模，独立处理目标检测和动词识别，使用创新的交互区域表示提升表达清晰度。 3. STG去噪策略：引入“特定目标引导”的去噪机制，利用真实标签信息优化query嵌入训练过程，提升训练效果与推理鲁棒性。 4. VLA视觉语言顾问：设计一个融合模块，引入VLM中的视觉知识，与交互区域信息融合，同时通过动词与HOI标签之间的“桥接模块”提升交互理解能力。 实验结果与贡献 本方法在准确率上达到了SOTA（当前最优），同时只用了原有方法六分之一的训练轮数即可收敛，显著提高了训练效率，为HOI任务提供了更高效、更易优化的新思路。