LLM (大语言模型)

各大平台无代码智能体搭建、大模型本地部署、本地智能体搭建、知识库、大模型微调、ai插件开发 各大平台无代码智能体搭建、大模型本地部署、本地智能体搭建、知识库、大模型微调、ai插件开发 各大平台无代码智能体搭建、大模型本地部署、本地智能体搭建、知识库、大模型微调、ai插件开发 各大平台无代码智能体搭建、大模型本地部署、本地智能体搭建、知识库、大模型微调、ai插件开发

（正式版本部署在学校服务器环境不对外展示源码 这里展示的版本是我整理出来的开源版 ） 核心目标： 构建基于AI视频分析的实时校园安全监控系统，自动识别危险行为（如摔倒、霸凌）并提供智能交互。 技术实现： 后端架构： 使用 FastAPI + Uvicorn 搭建高性能Web服务，处理实时视频流输入与分发。 AI模型集成： 将视频流实时传输至 Qwen-VL 多模态大模型 进行图像识别与分析，检测预设危险场景。 将预警信息、事件日志结构化存储为 本地RAG知识库。 通过 WebSocket 实现与前端实时双向通信。接收用户输入，调用后端服务与 Moonshot API 交互，基于本地知识库生成上 下文相关的安全响应。 数据处理： 设计并实现预警信息、分析结果、用户交互日志的存储与检索方案。 成果亮点： 实时性保障： 系统响应延迟控制在 500ms 以内，满足实时监控需求。 智能交互： 结合 RAG 与 Moonshot 大模型，提供精准、可解释的安全报告和用户问答。 实用价值： 成功识别人员摔倒、异常聚集等风险行为，提升校园安防效率。

1. 采用多核RISC-V架构，优化指令流水线，提升处理速度；集成高效缓存机制，降低延迟，提高数据读写效率 2. 采用前端+后端+边缘计算相结合的架构。侧端基于进跌时空K1开发板，作为侧端设备，提供本地数据处理与快速响应，提升系统稳定性和实时性。 3. 本项目软件部分选用HTML实现结构化内容，便于调用与维护；JavaScript依托丰富的开源库支持多编程范式，提升开发效率；Python流程清晰，便于AI功能调用与后续扩展，三者结合保证了系统的灵活性与高效性。

1.本方案面向使用三坐标测量机（CMM）进行工业测量作业的技术人员，特别是在高精度、重复性操作场景中工作的一线测量员。传统测量流程需频繁使用鼠标键盘进行操作，效率低且容易出错。该语音助手系统通过自然语音交互替代传统输入方式，显著简化操作流程，解放双手，提高测量效率，并减少人为误操作的可能性，特别适用于复杂环境下的辅助操作和高频重复任务。 2.完全本地化运行：无需联网，适用于厂房、保密实验室等网络受限环境，保障数据安全。 高定制化指令系统：内置约60条基础指令，支持模糊语义识别与上下文理解，结合测量业务深度优化。 跨平台集成能力：通过 Python 调用 COM 接口与三坐标测量软件深度集成，可快速部署到现有工业系统。 大模型推理：加入大模型增强语音推理，提升智能化 人性化语音反馈机制：集成本地 TTS（语音合成）模块，增强交互感与用户体验，贴近手机语音助手的使用习惯。

1、智能体中台是公司针对各行业用户数智化转型痛点，基于十余年大数据与AI技术积累，专为政府及大型企业打造的AI原生平台。 2、平台采用“混合知识增强检索（Hybrid-RAG）引擎+智能体工具链（AI Agent）协同架构”，凭借自主规划能力与多领域深度适配性，通过多引擎混合 检索与精准召回控制技术，深度整合企业跨部门私有知识库与多元数据资产，实现复杂业务信息的准确提取和高效应用。平台支持AI-Native模式开发，可无缝集成DeepSeek、Qwen等国产大模型，提供多模型协同支撑能力，有效适应各类型客户的深度智能化需要，助力用户以低成本、高效率构建专属大模型智能应用，实现跨场景决策效率提升与业务效能跃迁。 3、本产品包括智能体、模型、应用、知识库、插件等模块。主要前端主要基于vue3+antd+vueflow，后端java+mysql

本文首先基于 Python 文本挖掘技术，选取微博、知乎上白酒年轻化主题相关的评论数据以及京东平台上白酒产品的差评数据进行研究，探究年轻人对白 酒的看法与期待以及白酒市场现状。首先利用文本可视化中的词云图对白酒年轻化进行热词分析；再基于情绪分析探究年轻人对白酒的看法与期待；最后利 用融合困惑度与一致性得分算法的 LDA 模型挖掘潜在主题特征词，分析白酒品牌的购买痛点；为制定科学的调查问卷提供现实依据。 其次，本文使用 Apriori 算法对青年消费者喜爱的白酒品类之间的关联关系进行挖掘并以此为基础进行消费者酒市印象描绘。通过对年轻群体对喜爱白酒品牌的评价的因子分析，本文将时下年轻人对白酒的购酒期望偏好具体化为年轻浪潮因子、商品属性因子和消费体验因子；再使用熵权 TOPSIS 综合评价法得到青年消费者对品牌的综合评价，从而进行更深层的因子分析挖掘并对白酒单品的因子成分进行横向比对，描绘出年轻消费者的白酒市场印象轮廓并得到白酒年轻化接受程度，为促进白酒年轻化提供理论和参考意见。 接着，本文基于问卷数据对合肥市青年群体进行比较和群体画像，利用用户画像理论、VALS2市场细分理论、互信息特征选择理论和 DBSCAN聚类方法对青年群体的特征和行为偏好进行分类，进而构建青年饮酒群体可视化画像并采用 Softmax 模型验证分类的合理性。

本项目可以帮助模型实现垂直领域的任务 lora微调，少量的参数就可以有效地捕捉到目标任务所需的变化，大幅减少微调后模型所需的存储空间 项目支持非常多的大模型，比如新的deepseek、qwen、LLaMA等等大模型，最新模型也会更新，微调后的模型可启动api，可以调用。 数据支持alpaca 和 sharegpt 格式的数据集，监督式微调数据集用的很多

多种模型：LLaMA、LLaVA、Mistral、Mixtral-MoE、Qwen、Qwen2-VL、DeepSeek、Yi、Gemma、ChatGLM、Phi 等等。 集成方法：（增量）预训练、（多模态）指令监督微调、奖励模型训练、PPO 训练、DPO 训练、KTO 训练、ORPO 训练等等。 多种精度：16 比特全参数微调、冻结微调、LoRA 微调和基于 AQLM/AWQ/GPTQ/LLM.int8/HQQ/EETQ 的 2/3/4/5/6/8 比特 QLoRA 微调。

本系统面向在校学生和有写作需求的人员群体，主要用于降低文章作品AI率，相比于市场上常规降低AI率的方案，本方案稳定高效，使用了vercel进行无服务器部署，节省成本，同时，增加了异常流量拦截机制，有效防止了DDos流量攻击。本方案由Vue2+vuex状态管理机制+localstorage本地缓存以及大模型api组成。

是一个创新的儿童心理健康与成长支持系统，基于多智能体协作框架设计。平台整合了四个核心智能体：陪伴智能体负责日常知识启蒙、语言交流、兴趣培养和情绪关怀；小动物求助智能体以虚拟宠物形式模拟儿童可能面临的问题，通过情感连接促进自我成长；数据分析智能体基于DSM-5标准从情绪障碍、行为问题、认知问题、社会适应问题和适应应激障碍五个维度评估心理健康状态；决策智能体根据分析结果制定交互策略和沟通建议。技术特色包括先进的多模态交互系统、实时情绪分析与状态跟踪、动态视觉反馈、五维心理健康分析雷达图和渐进式学习记录。平台通过先进的人工智能技术为儿童提供专业、持续的心理支持，帮助他们健康成长，同时为家长和教育者提供有价值的洞察。

产品定位： 是面向企业与开发团队打造的一站式AI开发以及应用构建服务平台，提供AI应用开发全流程工具链，实时可视化管控AI软件全生命周期 解决方案： 创新性融合开源技术与商业智能解决方案，基于模块化架构设计，打造出兼具高扩展性与轻量部署优势的企业级AI平台，为企业提供全链式AI赋能解决方案

一、项目概述 本项目开发了一套基于 FastAPI + Langchain + OpenAI 的多模态智能助手系统，聚焦于自然语言理解、智能任务执行与人机共情交互能力，支持文本对话、情绪识别、工具链调用与语音合成。系统采用模块化设计，具备良好的可扩展性与部署灵活性，面向多种行业的智能服务场景提供解决方案。 二、面向行业与业务场景 客户服务行业：用于智能客服助手，提升客户响应速度与满意度，通过情绪识别动态调整应答策略，优化客户体验。 教育与培训行业：作为智能教学助手，辅助答疑解惑、情绪引导，提高互动性和个性化学习体验。 医疗健康行业：应用于初步健康咨询或情绪支持场景，进行基础问答和情绪安抚。 企业办公协同：充当虚拟助理，进行信息检索、日程提醒、任务管理等工作，提升办公效率。 智能终端与机器人应用：为智能音箱、陪伴机器人等设备提供自然语言理解和多轮交互能力。 三、功能模块划分 对话管理模块 多轮对话能力 上下文记忆（基于 Redis） 用户身份关联与会话追踪 工具链调用模块 动态调用网页搜索、计算器、天气查询、单位换算等工具 基于 Langchain Agent 自主决策调用外部工具执行任务 情绪识别模块 融合语音特征和文本特征，进行情绪状态分析 根据情绪结果动态调整回答风格与语气 语音输入输出模块 语音转文本（Whisper等引擎） 系统管理模块 会话数据存储与检索 模块化管理与配置热更新 接口调用日志与性能监控 四、对使用者实现的功能 提供自然流畅、连续性的多轮对话体验 根据使用者当前情绪智能调整交流内容与语气，提供更具亲和力的交互 自动联动第三方工具完成复杂查询与任务执行，提升助手的实际工作能力 支持语音交互，解放双手，提升使用便利性与沉浸感 保持长期对话记忆，根据用户历史习惯和偏好提供定制化服务 五、项目技术选型 技术方向 选型方案 后端开发 FastAPI (轻量级高性能异步Web框架) 大语言模型服务 OpenAI GPT API / 可扩展至本地 LLM Agent 框架 Langchain（语言模型智能体管理与工具调度） 数据存储 Redis（聊天记忆与状态缓存） 语音处理 Whisper（ASR识别）、Edge TTS（TTS合成） 情绪识别 文本情绪分类器 + 语音情绪识别模型（融合判断） 部署与扩展 容器化部署（Docker 可选）、模块化微服务结构 六、系统架构特点 模块松耦合设计：各功能模块通过 API 解耦，支持单独更新与热部署。 Agent智能调度机制：结合 Langchain 架构，支持自主判断、动态调用工具链，提升智能自主性。 多模态感知交互：融合语音、文字、情绪等多模态信息，提高交互自然度与情感识别能力。 高性能与可扩展性：FastAPI 异步框架结合 Redis 高效缓存，支持高并发场景，易于水平扩展。 用户定制化支持：通过持久化存储用户历史对话，实现个性化交互与长期记忆管理。

本项目是一个面向数据库多轮问答算法框架，包含了多轮Text-to-SQL数据预处理、大模型Lora微调训练和推理、多轮Text-to-SQL主流数据集评测。该框架包含了三个主要模块，一是数据库模式项提取模块，用于在多轮问答中动态提取与问题最相关的数据库模式项；二是上下文提取模块，用于提取与当前问答最相关的历史问答项；三是问题与相关模式项转化为SQL的大模型推理算法。通过三个主要模块的相互交织，能够有效提高多轮Text-to-SQL的准确率。

该产品具有以下 1.该产品实现语音交互、智能家居控制等功能，为企业提供低成本的智能终端定制方案。 2.具有语音对话，情感交互能力 3.该产品包含硬件层和软件层。硬件层以esp32s3为核心，软件层包括LLM，TTS，语音唤醒，ASR，控制台等。

一、【面向对象与核心问题解决】 目标用户： 面向钢结构设计、制造与安装一体化企业（如中技重钢），尤其适用于因传统管理模式导致效率低下、质量失控、数据分散的中大型制造企业。 核心问题解决： ​生产管理失控：通过信息化系统实现生产进度透明化，解决订单交付延迟、工序衔接混乱问题。 ​质量追溯困难：建立质量问题快速定位与整改闭环，减少返工成本。 ​人员管理低效：自动化考勤统计与绩效量化，提升管理精准度。 ​数据决策滞后：整合生产、质量、人员数据，提供实时多维分析支持。 二、【方案核心特点】 相比市场常规方案的优势： ​行业深度定制化 针对钢结构行业特性设计模块，如工序报工（组立、打底、埋弧等）、吨数统计、工程分段管理，贴合生产实际需求。 内置行业质量标准库，实现质量管控标准化。 ​全流程闭环管理 生产进度表、质量问题通知单、报工查询等功能形成“计划-执行-监控-改进”闭环，覆盖生产、质量、人员全场景。 支持从问题发现到整改追溯的完整链路（如通过“通知单”定位责任单位）。 ​轻量化数据整合能力 打破数据孤岛，将分散的考勤记录、产量日报、质量整改等数据整合为可视化报表（如生产分析表、出勤统计表），支持移动端实时查看。 提供多维度分析工具（如工序效率对比、成本波动预警），辅助科学决策。 ​分阶段灵活落地 分车间、部门渐进式推广，降低实施阻力。 配套线上线下培训与操作手册，确保一线员工（如焊工、装配工）快速上手。 量化效益： 人力成本降低20%，质量返工成本减少30%，生产效率提升20%+，订单交付准时率显著提高。 三、【产品组成与技术选型】 技术架构： ​后端开发： 采用 ​Java Spring Boot 框架，支持高并发、跨平台部署，满足制造业复杂业务逻辑需求。 部分模块使用 ​**.NET** 技术，兼容企业原有系统（如财务或ERP接口）。 ​前端开发： 基于 ​Vue3 构建响应式管理界面，适配PC端与移动端（如白班考勤手机打卡）。 ​数据存储： 使用 ​SQL Server 数据库，保障海量生产数据（如工序报工记录、吨数统计）的安全性与高效查询。 功能模块组成： ​四大核心模块：生产管理（含进度表、报工）、质量管控（通知单、整改追踪）、人员管理（考勤、绩效）、数据分析（日报表、多维度分析）。 ​扩展性设计：支持与IoT设备（如焊接机器人）、第三方系统（如ERP、OA）无缝对接。 本方案通过行业定制化设计、轻量化数据整合与分阶段落地策略，为钢结构企业提供“降本、增效、提质”的一站式数字化解决方案，以技术驱动管理升级，助力企业突破传统模式瓶颈，实现可持续竞争力提升。

1. 本方案面向谁，解决了什么问题 本方案面向AWS后台管理员及运营团队，解决了多模块内容管理与系统配置的效率问题。通过整合案例分类、客户案例内容、行业信息、活动管理等核心功能，系统支持管理员高效管理AWS相关资源（如活动配置、行业标签、客户案例发布等），实现数据的统一维护、实时更新与精准操作，提升后台管理协同效率。 2. 相比于市场常规方案，本方案有哪些特点 ​模块化与层级化管理：支持多级分类（如父级分类ID、行业标签嵌套）、灵活排序及字段扩展（如阅读量、活动编码），满足复杂业务场景需求。 ​操作便捷性：提供“搜索/重置”快速过滤数据，支持批量操作（新增、修改、删除、导出）及弹窗式表单编辑，减少页面跳转，提升操作流畅度。 ​数据可视化与追踪：展示阅读量、活动时间、报名状态等动态数据，并支持同步外部系统（如VEP报名数据），便于管理员实时监控与决策。 ​权限与安全控制：通过“指定用户设置”“管理员活动”等功能，实现细粒度权限分配与操作日志追踪，保障数据安全。 ​技术体验优化：采用Vue3构建响应式前端界面，结合Spring Boot+MySQL的高并发处理能力，兼顾界面交互友好性与系统稳定性。 3. 方案的产品组成或技术选型 ​后端技术：基于Java Spring Boot框架搭建RESTful API，搭配MySQL数据库，保障高并发场景下的数据处理效率与事务一致性。 ​前端技术：采用Vue3框架开发动态交互界面，结合Element UI等组件库，实现模块化、响应式布局。 ​辅助工具：集成全屏/锁屏、数据导出（Excel）、二维码生成（推广链接）等实用功能，完善管理闭环。

1.本方案面向农场用户，解决了农场信息化、智能化、无人化的问题 2.相比于市场常规方案，本方案有如下优点： 集成了传统ERP、物联网、大模型LLM等各方的能力，为实现无人化智慧生产打下来坚实的基础 3.方案的技术选型 后端：基于Spring Boot框架，结合MyBatis、Spring Security、Jwt、Mysql、Redis、TDengine、EMQX等技术，提供高性能和高扩展性 前端：采用Vue2、ES6、Axios、Element UI 等现代前端技术栈 移动应用：使用uni-app开发框架，实现一次开发多端兼容

1.本方案面向需要引用AI智能助手的用户，解决了系统智能化AI落地问题 2.相比于市场常规方案，本方案有如下优点： 能支持各种主流大模型，集成Milvus向量库实现了本地化RAG，支持AI翻译、PPT制作、语音克隆和翻唱等多媒体功能 3.方案的技术选型 后端：基于Spring Boot框架，结合MyBatis-Plus、Redis等技术，提供高性能和高扩展性 前端：采用Vue3、Vben Admin、Naive UI 等现代前端技术栈 移动应用：使用uni-app开发框架，实现一次开发多端兼容

1、针对美股etf和crypto等大类资产进行数据获取、清洗、权重计算、投资组合优化和回测分析 2、在api上进行批量下单和监控，取消等，保证可执行和稳定性 3、长期实践考虑手续费和滑点后盈利稳定可观

本项目主要提供智能翻译功能的引擎。 实现原理是利用Transformer架构通过深度学习进行语言翻译。 和流行的大语言模型翻译的主要区别在于： 1.推理速度快，参数量小，可以在端侧实行推理 2.不像生成式模型大多只用了Transformer的解码器部分。此项目同时使用编码器和解码器，环顾整个句子的前后文字关系进行翻译，提高翻译准确度 本人主要对此项目的神经网络模型进行设计编写和优化。