LLM (大语言模型)

项目介绍： 基于医疗知识图数据库，构建一个在线诊疗系统，用来给患者提供对应病情分析。用户通过在线系 统请求到在线诊疗服务，系统根据用户输入病情实时地为用户提供对应疾病类型。 项目内容： 1、命名实体识别（NER）任务：通过搭建BiLSTM_CRF模型，将提取出的命名实体传入下一步进行 命名实体审核（NE）任务。使用准确率，召回率和 F1-score 来评估模型，最终能够模型在训练集 和验证集的召回率分别在：0.85和0.78左右； 2、命名实体审核(NE)任务：使用BERT中文预训练模型对句子编码，构建RNN模型训练函数，通过 绘制训练和验证的损失和准确率对照曲线最终模型准确率维持在0.98左右； 3、在线部分： werobot 服务模块、主要逻辑服务模块、句子相关模型服务模块、会话管理模块， 图数据库模块以及对话（查询neo4j图数据库并返回查询结果）/Unit 模块。

某企业AI智能客服项目旨在利用人工智能技术，为企业打造一个高效、智能的客户服务系统。该项目通过模拟人类客服的对话方式，与用户进行实时交流，解答用户的问题、提供帮助和建议，从而提升企业服务效率、降低运营成本，并增强用户的满意度和忠诚度。 一、模块组成 智能问答模块：基于自然语言处理、深度学习等技术，对用户的问题进行识别、分析和回答。该模块能够准确理解用户意图，提供精准的答案和解决方案。 用户交互模块：负责与用户进行实时对话，包括语音、文本等多种形式的交互。该模块通过语音识别、语音合成等技术，实现与用户的语音交互；同时，也支持文本输入和输出，方便用户进行文字交流。 知识库管理模块：存储和管理企业的各类知识、常见问题及解决方案。该模块支持知识的动态更新和维护，确保智能客服系统能够随时提供最新、最准确的信息。 数据分析模块：对用户行为、问题类型、服务效果等数据进行收集和分析，为企业提供有价值的业务洞察和改进建议。 二、使用到的技术 自然语言处理技术：用于将用户的语言转化为机器可理解的形式，从而能够准确理解用户的需求和问题。通过分词、词性标注、句法分析等处理，提取出用户问题中的关键

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

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

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。

目前能够跑通深度学习中目标检测、目标分割、对抗网络的代码，主要对这三个方向比较了解与专攻，几乎有所有的代码，包括一些最新的CVPR的代码，能够实现在自己电脑中训练、推理与部署。曾经尝试郭修改算法结构，使其达到更好的效果。

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

项目分为文生图、图生图、dreambooth微调模型、图片管理几个模块。 文生图：通过关键词AI绘画出相关图片 图生图：通过本地图片加上关键词AI绘画相同风格的图片 dreambooth：微调模型可根据不同需求训练出自定义风格的AI绘图模型

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

为海南卫健委搭建平台，用 Apache Hudi 实现 CDC 数据捕获，日均处理 2000 万 + 诊疗数据，入库时效缩至 15 分钟；基于 Flink 构建特征计算引擎，模型训练效率提升 5 倍；Med-Transformer 模型实现 AUC 0.91 预测性能，区域管理覆盖率提升至 78%；基于言犀大模型打造智能问答系统，准确率 88.7%。 核心技术突破：验证千万级 QPS 架构，实现服务可用性 99.995%；完成 3 项医疗 AI 专利，实现 NLP 模型大规模商用；构建日均处理 20 亿 + 事件的数据管道，获评集团杰出项目。

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

根据甲乙双方合作的要求，乙方在规定时间内完成“基于Discord的GPT***”软件的功能开发，该系统的设计要求如下： a、根据甲方需求设计开发与描述匹配的系统。 b、能顺利实现甲方需求中描绘的基于用户单句指令自动生成Bot（多个组件自动组合形成的workflow）的功能（见附录1中的组件说明与bot示例）。 c、产品需要有组件扩展性来满足后续版本中bot的单句指令生成（见附录2）。 d、0.01版本产品稳定性需要达到业界标准水平，非第三方原因的稳定性达3个9。本产品稳定性需要达到业界标准水平，非第三方原因的的稳定性达4个9 该软件的主要功能： 基于GPT，用户在discord中用一句自然语言生成一个workflow（如有必要可通过主动询问用户1-3个问题来实现），该workflow可以帮助用户实现特定的功能需求。

马鞍山市道路运输管理服务中心（下称“运管中心”），对城市公共交通客运和城乡长途客运进行客运安全监管。 马鞍山公交集团公交司机约600名，长运客运长途客运司机约400名，公司指挥调度中心可对车辆行车轨迹和驾驶员位置实时图像进行连续监控。同时，公司定期针对驾驶员心理健康状况，邀请权威医疗机构进行心理评估，建立心理健康档案。驾驶员也可主动申报心理健康状况，专业机构评估后，由企业安全中心对驾驶员是否具备出车条件进行综合评估。 各企业调度中心建设有车载定位系统，日常前一天根据各班组排班情况，绑定线路与车辆号及车牌号，驾驶员出车前，在线下端车辆输入工号，匹配上排班后，即可出车。 马鞍山道路客运路况相对复杂，客量不断增多、客运班次运行强度不断增高，客运班组长与驾驶员所需应对的行车压力增大。 实现： （1）实时监测。利用可穿戴设备传感器，结合边缘设备统一管理和车载定位系统技术，实现行车轨迹、行车时间和车辆信息等人、事、物的实时监测与匹配； （2）快速感知。应用人工智能分析和先进的生物体征分析等技术，实现行车期间驾驶员情绪变化的快速感知； （3）系统评估。结合司机基础体征信息基准值和行车习惯等特征化数据

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

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。

介绍 JFinalOA 是基于 JFinal 框架开发的企业办公系统。最新迭代产品为，点狮OA，财务系统、财务软件、办公系统，人力资源管理系统，HRM，hrm，档案管理系统，AM，财务管理系统，ERP，企业资源管理系统，APP手机端，CRM，客户资源管理 功能特点 1、点狮OA是一套【多租户】的企业办公系统，可以提供给【集团级企业用户】使用，也可对外提供为SAAS服务多公司进行入驻。【租户】可以设置自己公司独有的【个性化流程】【人员管理】【用户管理】【角色管理】【菜单权限】【所有的单据申请信息】等等。 2、点狮OA基于【点狮后台管理】开发，该平台可以无缝扩展集成现有其他项目【点狮HRM】、【点狮AM（档案）】、【点狮CRM】、【点狮IM（即时通讯）】、【点狮ERP（企业资源管理）】等等。以及可以作为【点狮OA-APP】和【小程序】的后台服务。 3、点狮OA扩展了流程设计器，可以手动设置指定任务的办理人，以及指定岗位办理，流程设计更加方便。 4、点狮OA集成了Flowable流程引擎，可以实现，流程审批的，【并行】、【串行】、【会签】、【回退】、【取回】，等操作。 5、系统内置

1.项目主要分为短信校验登录，用户管理，财务管理，功能探索，语聊助手，链接、二维码分享，用户分销等模块，是一个基于openai大模型得智能问答系统，支持文生文，文生图还有文件解析助手功能 2.我主要负责语聊助手，用户管理，短信校验登录模块 3.难点在于流式接口得开发，以及对接openai返回格式得显示处理

针对NLP模型无法识别长文本意图，无法进行多轮次交互意图识别等，进行意图识别增强，并赋能场景，以提升导航意图识别的准确率。客服大模型主要是针对语音导航未识别的对话实时二次识别，进行语义理解能力增强。

通过私有化部署AI模型通义千问，将AI与JIRA打通，使用AI来预处理jira ticket，释放出更多的生产力，为用户带来更好的云上体验 通过AI预处理工单后，人工投入大大降低了35%，并且给用户带来了高效的服务响应体验，特别是新上云的用户，体验最佳，并不断探索通过agent来完成自动化运维工作

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。