Python

介绍

对于使用者，可以做到语音唤醒，并进行语音对话。 调用openai的api进行聊天，stt和tts使用了微软提供的服务。 助手可使用tool，如编写并执行python代码、查询天气、查看图片等。 tool编写简易，添加tool很方便。 后续可以考虑移植到Linux，使用snowboy实现语音唤醒

一种基于Win32 API的高性能光标信息查看器。 【高性能】异步处理颜色信息获取、用户界面渲染等内容。使程序能够每秒数万次刷新。（相比同步处理，性能提升近60000%） 【面向开发者】提供简单易用的API工具包，允许开发者在不接触Win32 API的情况下获取光标的基本信息。 【多语言支持】通过json实现i18n支持，允许在不改变代码的情况下修改程序。

使用Python编写了一个TUI的微信界面，利用对PC微信的Hook实现了微信功能的代理。可以在命令行中直接实现微信聊天的功能。

无头/API优先：构建移动应用程序、自定义店面、POS、自动化等 可扩展：使用 webhooks、应用程序、元数据和属性构建任何内容 App Store：利用一系列内置集成 GraphQL API：在单个请求中获取许多资源等等 多渠道：每个渠道控制定价、货币、库存、产品等 企业就绪：安全、可扩展且稳定。经过大品牌的实战考验 CMS：内容为王，这就是为什么我们有一个内置的王国 仪表板：用户友好、快速且高效。 （解耦项目仓库） 全球设计多币种、多语言、多仓库、多种！ 订单：订单、发货和退款的综合系统 购物车：高级付款和税收选项，完全控制折扣和促销 支付：灵活的API架构允许集成任何支付方式 SEO：具有让商店吸引更多受众的功能 云：针对使用 Docker 的部署进行了优化

基于TVM-cn中文版的项目是一个旨在推广和应用深度学习编译器TVM（Tensor Virtual Machine）的开源项目。TVM是一个领先的深度学习编译器框架，旨在优化深度学习模型的部署和性能。TVM-cn项目的目标是为中文用户提供一个全面的资源平台，帮助他们了解、学习和应用TVM框架，推动深度学习在中国的发展和应用。 TVM-cn项目包括了TVM框架的中文文档、教程、示例代码等丰富内容，帮助用户快速上手并深入了解TVM的原理和用法。用户可以通过浏览TVM-cn网站或者参与社区讨论来获取帮助和支持，解决在TVM应用过程中遇到的问题。 除了提供文档和教程外，TVM-cn项目还鼓励用户贡献代码和优化算法，共同完善TVM框架的功能和性能。通过社区合作和知识分享，TVM-cn项目致力于建立一个活跃的TVM中文社区，促进深度学习编译技术在中国的推广和应用。 总的来说，基于TVM-cn的项目为中文用户提供了一个全面而专业的平台，帮助他们更好地理解和应用TVM框架，提高深度学习模型的部署效率和性能表现，推动人工智能技术在中国的发展和创新。

1. 支持所有运维任务统一项目管理 2. 支持docker和虚拟机等多个环境的项目远程部署 3. 统一项目脚本入口，方便后续管理维护 4. 配置数据以mysql存储，便于后续迁移 5. 支持多种语言的项目命令行部署

SuperSheeps(习谱压力测试软件)是通用于TCP、UDP、SSL、KCP服务器的压力、性能测试框架，支持IPv4、IPv6双栈。 基于对用户行为产生的网络事件进行录制和回放，产生大量用户模拟操作产生的网络连接，发送的数据包。使用类似播放音视频的回放设计，回放过程可控制播放、暂停、快进状态。可用于游戏、Web、物联网、视频推流等服务器的压力、性能测试。应用于项目研发阶段进行开发调试，发现代码缺陷。线上容量评估，提前规划服务器集群部署。

A utility which can easily import file from another wiki, based on Python. Currently supports MediaWiki. Windows client was packed via PyInstaller, automated with GitHub Actions.

项目简介：基于 Langchain RAG 框架的自定义知识库对话系统 1. 功能模块及用户功能： 对话接口： 用户可以通过文本输入与系统进行自然语言对话。 系统能够理解用户的查询并返回相关信息。 知识库检索： 系统能够从事先构建好的知识库中检索相关内容，以支持对话中的信息提供。 用户反馈： 用户可以通过点击按钮提供对话结果的反馈，包括正确性、流畅性等方面的评价。 2. 我的任务、技术栈与成果： 任务： 搭建自定义知识库对话系统，提供高效、准确的信息查询服务。 技术栈： 使用 Langchain 提供的 RAG 框架作为对话系统的核心。 选择 Qwen-14B-Chat 作为基座模型，具有强大的对话生成能力和对话理解能力。 使用 Streamlit 框架重新设计前端界面，提供用户友好的交互体验。 成果： 成功搭建了一个自定义知识库对话系统，能够通过与用户交互，提供准确、丰富的信息支持。 引入了用户反馈功能，能够持续收集用户的评价数据，用于优化系统性能和调整知识库内容。 3. 难点与解决方案： 难点： 如何有效地组织和索引知识库中的内容，以便快速、准确地进行检索。 解决方案： 使用 RAG 框架将知识库内容进行索引，利用其检索式搜索功能实现快速的信息检索。 通过对知识库内容进行分类和标签化，提高检索的准确性和效率。

项目名称：web自动化测试 应用技能：python、pytest、allure2 项目描述： 这是一款自动化测试框架,包含案例、测试流程、测试报文、测试图表等等模块 责任描述： 此框架包括测试案例编写全部由本人完成，还支持一键切换8国语言，开发简单

本项目使用darknet神经网络和残差网络一起构建模型，并用此网络训练模型，使用yoloV3算法进行检测。同时使用pyqt进行可视化显示

主要是用户登录，然后通过网页对设备进行控制，用户可添加设备等操作 项目技术：django+mysql+redis+mqtt+uwsgi+nginx+vue 部署：采用docker容器部署

PEER是一个由德国慕尼黑工业大学开发的教育项目，旨在利用LLM（大语言模型）等最先进的NLP（自然语言处理）技术，帮助德国中小学生改进和优化他们的论文。

在图数据库Neo4j/ONgDB中，ongdb-lab-apoc是一个非常重要的组件，它是一个名为APOC（Awesome Procedures on Cypher）的插件，可以扩展图数据库的功能和操作。 APOC插件提供了一组强大的过程和函数，可以帮助您进行更高级的数据处理和操作。它可以扩展Cypher查询语言的功能，包括数据转换、导入/导出、字符串处理、时间处理、生成Cypher等。通过使用APOC，您可以更轻松地进行复杂的数据操作和分析 。 在使用APOC插件之前，您需要先下载并安装它，然后在Neo4j的配置文件中启用。一旦启用，您就可以在Cypher查询中使用APOC提供的各种过程和函数了。 在图数据库Neo4j/ONgDB中，ongdb-lab-apoc是一个非常重要的组件，它是一个名为APOC（Awesome Procedures on Cypher）的插件，可以扩展图数据库的功能和操作。 APOC插件提供了一组强大的过程和函数，可以帮助您进行更高级的数据处理和操作。它可以扩展Cypher查询语言的功能，包括数据转换、导入/导出、字符串处理、时间处理、生成Cypher等。通过使用APOC，您可以更轻松地进行复杂的数据操作和分析 。 在使用APOC插件之前，您需要先下载并安装它，然后在Neo4j的配置文件中启用。一旦启用，您就可以在Cypher查询中使用APOC提供的各种过程和函数了。 功能模块： 数据转换：该功能模块可以将数据从一种格式转换为另一种格式，帮助使用者在不同数据格式之间进行转换和交互。 导入/导出：使用者可以通过该功能模块将数据导入到系统中，或从系统中导出数据。 字符串处理：该功能模块提供了一系列用于处理字符串的操作，例如截取、拼接、替换等，帮助使用者对字符串进行处理和操作。 时间处理：通过该功能模块，使用者可以对时间数据进行解析、格式化、计算等操作，方便对时间数据进行处理和分析。 Cypher生成：该功能模块可以根据使用者提供的条件生成对应的Cypher查询语句，方便使用者进行复杂的数据查询和分析 。 技术栈与实现效果： Neo4j/ONgDB：Neo4j/ONgDB是一个图数据库，用于存储和处理数据。通过使用Neo4j，该项目能够更好地管理和分析图数据。 APOC插件：APOC是Neo4j/ONgDB的一个扩展插件，提供了额外的功能模块和工具，如数据导入/导出、字符串处理、时间处理等。使用APOC插件，该项目实现了更高级的数据操作和分析 。 使用Neo4j和APOC插件，本项目能够实现更灵活、更高级的数据操作和分析。通过使用APOC插件的功能模块，可以更轻松地进行复杂的数据转换、导入/导出、字符串处理、时间处理和Cypher生成。使用者可以根据自己的需求进行数据操作和分析，更快地获取所需的结果。 难点？ 图算法实现：该项目可能需要实现一些复杂的图算法，对于不熟悉图算法的开发人员来说，可能会遇到一些困难。 系统设计：由于该项目涉及到数据处理和分析，需要进行系统设计和架构，对于一些开发人员来说，可能需要进行更深入的学习和研究。 插件实现：使用APOC插件可能需要对插件的实现进行理解和学习，对于一些不熟悉插件开发的开发人员来说，可能会遇到一些困难。

项目由本人独立开发，项目分为前端、后端、图数据库构建和应用、基于Langchain大模型Prompt工程开发，实现了基于知识图谱的智能问答。 使用 LangChain 构建应用程序后，当有用户提问时，系统会先通过代理找到合适的工具（知识图谱），然后通过工具获取数据，最后由 LLM + 私域数据生成一个流畅表达并回复用户。整个过程代理的调用会更复杂一些，当生成回复后系统会自动判断该LLM回复是否需要继续执行其它任务，是一个完全自主的递归调用流程。

这一个由nuxt3+django+mysql框架的电子官网项目，主要是为了展示企业产品，全部由个人100%开发 这一个由nuxt3+django+mysql框架的电子官网项目，主要是为了展示企业产品，全部由个人100%开发 这一个由nuxt3+django+mysql框架的电子官网项目，主要是为了展示企业产品，全部由个人100%开发

根据提前设置好的关键字增量爬取内容并分析是否符合要求，符合要求的发送微信通知 系统是用于帮女朋友自动检测小红书信息并发送到微信消息

使用Redis的分布式采集系统，适应于用各类数据网站，包括不限于json,html等，能实现控频率，防止被封，本地持久性数据库

jyeoo 为第一版爬虫基于scrapy + splash 1.账号使用api.jyeoo.com后台接口自动登陆 由于账号被封，此方法废弃，改用手动登陆获取cookie方式 2.vip账号爬取次数过多发生被封号，爬取次数规则未摸清 3.jyeoo后台检测机制使账号发生课题和解析内容不一致，即课题id为假数据 经客服解决，故无法实现全自动爬取