《连诗之王》是一款基于微信小游戏Canvas技术开发的古诗接龙类益智游戏，玩家需在9×9的棋盘上将散落的汉字通过滑动操作连成完整诗句（支持横、纵、斜向）完成消除。开发者利用微信原生Canvas组件实现核心绘制功能，通过封装wx.createCanvas接口创建全屏画布，并结合微信适配器(weapp-adapter)处理设备像素比，确保不同屏幕下文字渲染清晰度。游戏逻辑采用JavaScript编写，通过requestAnimationFrame实现60FPS流畅动画循环，当检测到有效诗句连线时触发粒子消散特效，该效果通过Canvas的路径绘制和渐变填充实现。为增强社交属性，接龙成绩可一键分享至微信好友排行榜，用户触摸事件通过wx.onTouchStart/Move/End系列API精准捕获，斜向连线判定则采用向量计算法确保准确性。开发过程中使用微信开发者工具进行实时调试，并参考微信小游戏官方文档对音频播放等原生能力进行集成。

网络爬虫：互联网信息的隐形捕手 网络爬虫（Web Spider），又称网络蜘蛛或网络机器人，是一种自动化程序，通过模拟浏览器行为，按照预设规则从互联网上批量获取网页内容。自诞生以来，爬虫技术已成为数据获取与分析的关键工具，但其边界亦伴随技术发展与法规约束不断演变。 一、技术原理：如何编织“数据之网” 1. 工作原理 ○ URL导航：爬虫从初始URL（如网站首页）开始，解析HTML中的超链接（），递归遍历网站结构，形成“爬取路径”。 ○ 请求与响应：通过HTTP/HTTPS协议向服务器发送请求，获取网页源代码（HTML、XML等），再经解析提取文本、图片、视频等资源。 ○ 动态内容处理：现代爬虫结合JavaScript渲染引擎（如Selenium），可抓取单页应用（SPA）中的动态加载数据。 2. 核心技术组件 ○ 调度系统：管理待爬队列，优化资源分配（如分布式爬虫使用消息队列）。 ○ 反爬机制对抗：通过IP轮换、User-Agent伪装、验证码识别等技术突破网站反爬限制。 ○ 数据存储：结构化数据存入数据库（如MySQL、MongoDB），非结构化数据采用分布式文件系统（如HDFS）。

VC DF订单小程序 批量PDF 文件拆分整合 一个箱标(PO文件)对应一个面单，但是导入的FNSKU标是只有一张的（没有按件数提供的，需要根据对照关系提供的FNSKU重复抓取标签，可能PDF格式，可能GIF ，可能PNG等，支持多种格式） 3. 先找面单的对应关系 根据追踪号找到对应关系表格的无忧达SKU，同时面单变成正向并面单上下面空白位置添加上对应的无忧达SKU。

个人知识管理系统：从信息碎片到智慧沉淀的实践指南 在信息爆炸的时代，个人知识管理（Personal Knowledge Management, PKM）已成为知识工作者的核心竞争力。本文从系统架构、工具选择、管理流程三个维度，阐述如何搭建高效的知识管理系统，实现知识的获取、整合、创新与价值转化。 一、个人知识管理系统的理论基础 1. 核心定义与价值 个人知识管理是指通过系统化方法，将零散信息转化为可复用的知识资产，并支持决策与创新。美国学者Dorsey提出，PKM包含信息检索、评估、组织、表达、安全、协同六大核心技能，其本质是提升个人知识生产效率的工具集。 2. 心智模式与流程闭环 ○ 知识输入：通过多渠道（阅读、学习、社交）获取信息，需结合个人目标筛选高价值内容。 ○ 知识加工：分类存储、关联分析（如思维导图、笔记标签化），将显性知识内化为隐性认知。 ○ 知识输出：通过写作、演讲、实践等方式外化知识，形成反馈循环，驱动迭代优化。 二、工具选型：高效系统的技术支撑 1. 任务管理工具 ○ 滴答清单：聚焦短期任务与资源管理，通过「计划-执行-复盘」流程提升执行力。 ○ Notion/语雀

1. 物业服务公司,解决人力资源问题. 2. 独立完成后端服务代码,小程序代码,react管理后台.. 3. 非常简单的小项目,没有什么技术可说的. 4. gin框架做后端服务,TS开发微信小程序,react开发管理后台. 5. 阿里云服务.

个人站点，各种前端分支技术Demo展示 展示最近研究成果及技术分享的个人站点 http://43.134.141.188:5000/donut 持续构思、更新中，有兴趣可关注； 最近主攻图形学方向； 打通前端、后端、部署、地编、建模、三维； 使用当前热门轮子 vite+Vue3/React18 双版本+threejs+webgl+gltf+glsl+nestjs+mongodb+docker

这个玫瑰曲线演示项目是一个结合数学可视化与Web技术的交互式工具，旨在通过动态图形直观展示玫瑰曲线（Rhodonea Curves）的美学特性及其参数变化规律。以下是项目的详细介绍： ​一、项目背景​ 玫瑰曲线由极坐标方程 r=a⋅cos⁡(kθ)r = a \cdot \cos(k\theta)r=a⋅cos(kθ) 定义，其形状由参数 kkk 决定。通过调整 kkk 值（整数或分数），曲线会呈现出不同数量的花瓣或复杂的对称图案。本项目通过现代Web技术（HTML5 Canvas + JavaScript）实现了这一数学概念的可视化，并赋予用户高度交互性。 ​二、核心功能​ 1. ​多曲线叠加​ ​功能描述​：支持同时绘制多条不同参数的玫瑰曲线，观察它们的叠加效果。 ​技术实现​：通过curves数组管理多个RoseCurve类的实例，每条曲线独立存储参数（如kkk、花瓣数、颜色等）。 ​操作方式​：点击“添加曲线”按钮，基于当前参数创建新曲线。 2. ​实时参数调整​ ​动态控件​： ​​kkk 值​：通过数值输入框调节，支持小数（如1.5）。 ​花瓣数量​：整数输入控

增强版玫瑰曲线演示功能 这个玫瑰曲线演示项目是一个结合数学可视化与Web技术的交互式工具，旨在通过动态图形直观展示玫瑰曲线（Rhodonea Curves）的美学特性及其参数变化规律。以下是项目的详细介绍： --- ### **一、项目背景** 玫瑰曲线由极坐标方程 \( r = a \cdot \cos(k\theta) \) 定义，其形状由参数 \( k \) 决定。通过调整 \( k \) 值（整数或分数），曲线会呈现出不同数量的花瓣或复杂的对称图案。本项目通过现代Web技术（HTML5 Canvas + JavaScript）实现了这一数学概念的可视化，并赋予用户高度交互性。 --- ### **二、核心功能** #### 1. **多曲线叠加** - **功能描述**：支持同时绘制多条不同参数的玫瑰曲线，观察它们的叠加效果。 - **技术实现**：通过`curves`数组管理多个`RoseCurve`类的实例，每条曲线独立存储参数（如\( k \)、花瓣数、颜色等）。 - **操作方式**：点击“添加曲线”按钮，基于当前参数创建新曲线。 ####

1.对于每天大于4个小时处理双色球数据的用户，减少其80%的时间 2.分为3个文件，最后构建3个EXE，其中一个处理历史数据，一个处理斜连期，一个处理重号 3.使用openpyxl库获取数据后，使用pandas处理（提取历史数据，斜连期，重号），最后使用pyqt5输出用户界面。然后将处理好的数据导出成TXT

《桌面操作录制回放系统使用简介》 程序功能：本系统可实现对桌面操作（鼠标移动、点击、滚动，键盘按键按下与释放等）的录制、回放，以及记录文件的保存与加载，方便对一系列桌面操作进行重复执行或复盘查看。 界面介绍 控制面板：包含 “开始录制”“停止录制”“回放操作” 按钮，分别用于启动录制、结束录制以及回放已录制的操作。 回放速度：提供多种回放速度选项（1x、1.5x、2x、2.5x、3x），可按需选择快放速度。 文件操作：“保存记录” 用于将录制的操作以 JSON 格式保存到本地；“加载记录” 可加载已保存的操作记录文件。 退出按钮：点击可退出程序；也可通过按键盘上的 ESC 键强制退出。 操作提示：程序启动时会弹出 “操作提示” 窗口，提供基本操作指引。 操作步骤 录制操作：点击 “开始录制” 按钮，此时按钮变为 “录制中...”，即可开始进行想要录制的桌面操作。操作完成后，点击 “停止录制” 按钮，按钮恢复为 “开始录制”，录制结束。 回放操作：录制完成后，点击 “回放操作” 按钮，会弹出对话框让用户输入回放的循环次数，输入后点击确定，程序将按照选定速度和循环次数回放录制的操作。在回放

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。

1. 第三方调用的高可用聊天室业务系统，fast-api 框架开发，为某业务系统提供通讯能力，实现了APP内实现消息触达。 redis 做队列，延迟/及时推送。 2. 基础服务路由系统开发，是基于django框架, 根据不同的商户号，配置其对应的供应商，并通过一系列的规则判断，实现了在多个 第三方供应商选择其中可用的一个；解决了当第三方出现问题不可用的时候，可以自动切换到另外一个可用的第三方供应商,实现 第三方调用的高可用

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

在游戏行业蓬勃发展的当下，玩家对于个性化、稳定且高性能游戏服务器的需求日益增长。我们精心打造的游戏服务器专卖平台，专为游戏玩家群体深度定制，致力于为其提供一站式、便捷且高效的游戏服务器解决方案。 与市场上的常规方案相比，本平台最大的亮点在于实现了服务器后台及配置文件的全可视化操作。对于众多游戏玩家而言，传统的服务器配置过程往往充满了复杂性与专业性，需要掌握大量的技术知识，如网络配置、端口设置、性能参数调整等，这使得许多玩家望而却步。而我们的全可视化操作界面，就像一位贴心的 “技术向导”，将原本晦涩难懂的服务器后台操作和复杂的配置文件设置，转化为直观、易懂的图形化交互界面。玩家只需通过简单的鼠标点击、拖拽等操作，就能轻松完成服务器的搭建、配置和管理工作。无论是想要调整服务器的运行参数以适配特定游戏的需求，还是修改网络设置以提升游戏的流畅度，都能在这个可视化平台上轻松实现，真正做到了让技术 “零门槛”，让每一位玩家都能成为服务器管理的 “高手”。 在技术架构方面，平台的前端采用了 vite + vue 的组合。vite 作为新一代的前端构建工具，以其快速的冷启动、即时的模块热更新等特性，为

鸭题库是此公司的主营业务，主要是提供给学员进行日常刷题、模拟考试、教师端批改试卷等。目前拥有几千个学员在使用中；千课 教育是此公司的另一项主营业务，主要是提供给考职称人员，直播上课、看视频等。 职责亮点：主要负责考试、日常刷题业务模块以及我的、课程管理进度业务模块，按需求迭代版本。 技术亮点：在考试功能中 ，随机会抽查是否为本人考试 ，不定时弹出自拍照片验证等措施 描述：为知OSS系统是提供给内部人员使用 ，让员工便于管理学员各项进度。 职责亮点：主要负责考试管理、财务管理、订单管理等模块 ，按需求迭代版本。 技术亮点：在系统中接入了第三方支付 ，方便教师生成学费订单后让学员扫码支付 ，集成了微信、支付宝SDK。

SparkIQ 是一款面向全年龄用户的综合脑力训练应用，致力于通过趣味游戏帮助用户保持大脑活力，提升认知能力。无论是希望锻炼大脑的学生、职场人士，还是关注脑部健康的中老年用户，都能在 SparkIQ 中找到适合自己的训练内容，有效解决日常专注力下降、记忆力减退等问题。 相比市面上传统的脑力训练 App，SparkIQ 提供更系统化、专业化的认知训练方案。训练内容涵盖词汇、逻辑、反应、专注、数学与记忆六大核心能力，每项游戏都有递进式的难度设计，兼顾新手和进阶用户体验。同时，App 内置权威心理测评问卷，帮助用户全面了解自己的脑力优势与成长空间，并与训练内容形成闭环，提供更具针对性的认知提升路径。每日计划训练、阶段成就系统、免费日常挑战等机制，也进一步提升了用户的参与感与长期坚持率。 产品功能由多个小游戏模块、数据追踪系统及心理测评引擎组成，整体方案稳定高效，适配性强。通过订阅可解锁全部内容，也可每天免费体验部分精选训练。

1.软件面向水泥厂区环保门禁数据接口对接，具体接口产区所对接的环保接口存在差异，无法满足于所有厂区，所以需要根据具体需求去做定制。 2.软件通过Winform程序调用厂区接口，同步车辆通行数据给环保门禁接口。 3.程序通过C#代码，使用.NET Framework 4架构。

在生产作业过程中，部分作业类型对于安全方面的要求较高，往往需要重点管理，如登高作业、动火作业等。由于此类作业不在码头生产经营的正常管理范围之内，往往需要通过纸面单证审批的方式进行管理，整体效率较低，且缺乏规范性。 在本项目中，需要以安全作业各个环节的管理需求为出发点，构建内部安全管理机制，通过移动端和web端结合的方式，电子化审批流程，实现登高作业、动火作业等特殊作业的流程化管理。

项目简介： Pytorch_Bert_CasRel_RE 项目主要聚焦于关系抽取（Relation Extraction，RE）任务，借助 PyTorch 框架和 BERT 预训练模型，运用 CasRel（Cascaded Binary Tagging Framework for Relational Triple Extraction）方法实现三元组抽取。 技术类型： 此项目属于自然语言处理（NLP）领域的关系抽取项目。它结合了深度学习框架 PyTorch、预训练语言模型 BERT 以及 CasRel 这种创新的关系抽取方法。 结合预训练模型：采用 BERT 预训练模型，能够捕捉文本中的语义信息，使模型对文本语义有更深刻的理解，进而提升关系抽取的准确性。 CasRel 方法：CasRel 采用级联的二元标记框架，可有效处理复杂的关系抽取任务，尤其在处理多个实体和关系的三元组抽取时表现出色。 端到端抽取：实现了端到端的三元组抽取，无需额外的实体识别步骤，简化了抽取流程。 性能表现：在公开的关系抽取数据集上，相较于传统的关系抽取方法，该项目能取得更高的准确率和召回率。 项目中遇到的问题：

通过软件把企业的人、财、物、产、供销及相应的物流、信息流、资金流、管理流、增值流等紧密地集成起来实现资源优化和共享。系统包括后端，前端APP，整合多款移动应用，为不同角色用户，提供针对不同工作场景的移动应用，让工作随需处理。