“展我 APP” 是基于 HarmonyOS 系统分布式开发的一款专注于陶瓷艺术展示与互动的移动应用。该 APP 以陶瓷艺术爱好者和陶瓷制造者为核心用户群体，旨在打破传统展览的时空局限，打造一站式、专业化的陶瓷作品展示与交流平台。 APP 整合了艺术家介绍、展览品展示、展览预约、展品收藏与交易等功能：通过艺术家简介与详情板块，呈现创作者的创作背景、艺术风格及成就；展览模块以高清图文形式展示各类陶瓷展品，支持按类别、可售状态等筛选，用户可查看展品细节并收藏心仪作品；珍舱模块集中管理用户收藏的展品，支持数量调整、金额计算及结算购买；预约功能则方便用户在线选择展览场次与时间，高效规划观展行程。 依托 HarmonyOS 的分布式架构，APP 实现了多端适配与流畅体验，既满足了陶瓷艺术爱好者获取专业信息、参与线上线下互动的需求，也为陶瓷创作者提供了作品展示与传播的便捷渠道，顺应了艺术数字化的发展趋势。

基于 nextjs 搭建的网站导航工具，可自行私有部署。 技术栈包括： nextjs 全栈方案 neon 数据库 drizzle 数据库 ORM resend 邮件发送 vercel 部署平台 快速开始并部署： git clone https://github.com/Darcrandex/web-marks.git mv .env.example .env.local 登录 vercel 平台，新建项目；关联你的项目；登录 neon 平台，创建数据库；将对应的密钥填写到 .env.local； pnpm i pnpm dev http://localhost:3000 预览本地项目 同步到GitHub仓库后，可在vercel平台一键部署

1.本项目为单点登录系统,只需要登录一次就可以访问所有相互信任的应用系统,支持登录认证、权限认证、角色认证、分布式会话认证、单点登录、Web常规登录等多登录及认证类型 2.本项目使用jdk8,springboot、redis、servlet、maven等技术栈,可以开箱即用 3.本项目具有易用性：支持注解/API多方式接入，一行注解/代码即可实现 登录认证、权限认证、角色认证 等，接入灵活方便； 另外具备轻量级介入的特点：针对第三方组件、部署环境零依赖，部署及接入低成本、轻量级；

基于javaweb开发管理系统 1. 采用当下主流框架SpringBoot,SpringMVC,数据库MySQL,Red is,阿里云OSS,Mybatis实现MySQL数据库和java代码交互,采用Redis 缓存,将高频访问数据存储在内存中,避免直接访问读取速度低的磁 盘,提高数据访问速度,用于热点新闻内容,评论,购物车,商品信息等用 户经常访问信息,通过Springweb的RestController注解让前后端建立连 接,实现接口,使用OSS存储图片,JWT校验用户登录和md5加密算法,提 高安全可靠的密码登录校验,java前后端环境搭建:创建基于SpringBoo t框架项目,根据需求文档,创建controller,service.serviceImpl,mapper软 件包,实体类,配置类,依赖引入,还得考虑Mybatis,MySQL与java对接. 2.在后端管理端(商家端)开发过程中认真阅读api接口文档,返回 值类型,参数类型,通过面向对象编程思想,封装实体类,前后端联调,Lo mbok依赖,@Bean注解注入,@Slf4j注解进行调试,还有PageHelper,这 些可以提高开发效率,看情况使用这些吧,对管理端用户,菜品,套餐,分 类的crud是通过java代码去操作数据库去crud,开发时遇到困难要沉着 冷静,仔细分析问题来源.用Redis缓存菜品时,要是修改,可是菜品关联 套餐,分类等(大项目估计会关联更多),此时执行Redis语句不单单是简 单从内存删除一个菜品,应该清除整个菜品的内存,如果操作一个数据 文档,在菜品关联的分类,套餐开发起来很复杂,繁琐,不利于代码的维 护. 3.在后端微信小程序端(用户端)开发中也得认真分析api接口文 档,返回值,参数类型,微信小程序端用户登陆时,要重点关注生成JWT 令牌,用户端分类,菜品,套餐,购物车列表进行crud,管理端商家要想实 现实时数据统计,利用前端过来的数据进行封装并返回,商家还可在网 页端下载excel表格,查看历史业绩,前提表格模板需提前设计好,简化 代码编写.

1. 本项目旨在构建一体化企业数字化管理平台，通过整合项目管理、行政办公、人力资源等核心业务流程，实现企业运营全流程数字化管理。 2. 技术层面采用微服务架构设计，后端基于Spring Cloud开源生态，前端采用Vue.js框架，通过Maven进行依赖管理和构建。 3. 平台将集成企业微信API实现单点登录与移动办公，同时对接ERP系统及阿里云、华为云基础设施。 4. 开发过程采用gitlab做版本管理，Markdown进行技术文档标准化管理，确保项目可维护性和知识传承。

1. 本项目解决了手写数字识别的问题，通过神经网络对MNIST数据集中的手写数字进行准确预测。 2. 本项目采用神经网络技术，特点是基于MNIST数据集训练，能高效预测手写数字，界面简洁直观，性能表现稳定。 3. 快速上手本项目，只需下载代码，运行应用程序，点击“Choose Image”选择手写数字图片即可查看预测结果。

1. 零门槛匿名社交 用户无需注册/登录，通过URL即可加入公开聊天室，解决传统社交平台强制注册、隐私暴露的痛点。 2. 混合式聊天场景覆盖 同时支持 “开放群聊”（public room）和 “私密对话”（1对1），满足用户从公共讨论到深度沟通的全场景需求。 3. 技术栈碎片化整合 用统一技术链（React + Socket.IO + MongoDB）打通实时通信与数据持久化，避免多服务拼接的复杂性。 4. 轻量化替代方案 为临时会议、兴趣社群等场景提供 无需下载客户端、即开即用 的Web端解决方案。

该平台是一个基于全栈技术的网页版 Windows 11 模拟器，主要还原了 Windows 11 的界面和常用交互体验。项目采用前后端分离架构，并通过 Docker 容器化进行部署，内置静态 Markdown 文档阅读器等应用。后续计划持续扩展，作为个人网站使用。 项目时间： 2025.07.15 - 至今 项目主页： http://115.29.179.225:3000/ 技术栈： Next.js、TypeScript、Zustand、Tailwind CSS、React-Rnd、NestJS、MySql 项目亮点： - 实现桌面操作系统的核心功能：窗口管理、桌面图标系统、自定义应用程序等 - 优化性能：虚拟滚动技术处理大量条目渲染 - 自创方案：后端目录保存文档，自动生成文件索引和目录树，提供完整的编辑和阅读API，通过nodejs API执行文件操作。 项目成果： - 实现Windows 11 核心交互高度还原 - 达到 Lighthouse 性能评分 95+，页面加载时间 < 1s - 成为前端架构设计和技术实现的展示案例

1.选用MvBatis+MvBatis-Plus进行数据访问层开发，复用大多数通用方法，并且通过继承定制了自己的通用操作模板大幅提升了项目开发效率。 2.为了明确接口的返回，自定义统一的错误码，并封装了 全局异常处理器 ，从而规范了异常返回、屏蔽了项目冗余的 报错细节。 3.对于项目中的JSON格式化处理对象，采用双检锁单例模式进行管理，从而复用对象，避免了重复创建对象的开销，便于集中维护管理。(双检锁单例模式的实现非常简单，大家百度一下示例代码即可) 4.采用nginx完成前端项目部署、采用docker(Docker)容器完成后端项目部署，并且使用宝塔面板对项目进行运维监控。 5.使用JUn it Jupiter API的@Test注解和断言类实现对用户模块的单元测试，测试覆盖度达到90%。 6.通过Spring Boot的多套应用程序-{env}.yml配置文件实现多环境，并通过指定--spring.profiles. active=prod实现生产环境部署。 7.使用nginx网关统一接受前端页面和后端接口请求，并通过其proxy_pass反向代理配置解决跨域问题。

全流程溯源系统通过 “一物一码” 技术，记录产品从 原材料采购→生产加工→仓储物流→终端销售 的全链路数据，确保每个环节透明可查。例如，在奶粉行业，消费者扫描罐底二维码，即可查看 奶源牧场、生产批次、质检报告、物流轨迹 等关键信息，有效保障食品安全。 地理围栏技术则通过 GPS定位+扫码数据，自动监测产品流通范围。一旦发现商品在未授权区域销售（如低价跨区窜货），系统会立即预警，帮助企业打击违规行为，维护市场秩序。 典型案例：某知名奶粉品牌接入全流程溯源后，窜货率下降 60%，消费者投诉减少 45%，同时通过扫码营销活动提升了 30% 的用户复购率。这种技术不仅增强了品牌信任度，还能满足国家对食品、药品等行业的强制溯源要求，实现 防伪、控货、营销、合规 的多重价值。

实时语音识别 (Real-time Speech Recognition): 能够捕捉麦克风输入，并将用户的语音实时、准确地转换为文本。 自然语言理解 (Natural Language Understanding - NLU): 分析转换后的文本，理解用户的意图和关键信息（例如指令、询问的对象、参数等）。 对话管理 (Dialogue Management): 在多轮交互中维护对话状态和上下文，使对话更加连贯自然。 任务执行与技能调用 (Task Execution & Skill Invocation): 根据理解的用户意图，执行相应的操作，例如： 信息查询: 获取天气预报、时间、百科知识、新闻等。 媒体控制: 播放/暂停音乐、调整音量。 简单助理任务: 设置提醒、创建待办事项。 语音合成 (Text-to-Speech - TTS): 将助手的文本回复通过 edge-tts 转换成清晰自然的语音进行播放。 Web 界面交互 (Web Interface Interaction): 提供一个用户友好的网页界面，可以： 显示语音识别的文本和助手的回复。 允许用户通过文本输入与助手交互。 (可能) 展示图片、链接等多媒体信息。 多模态反馈 (Multimodal Feedback): 结合语音、文本以及可能的视觉元素（在Web界面上）来呈现信息和交互结果。 图像分析(Image Analysis): 可以通过pygame.camera调用摄像头或者截图当前页面，并与llm互动获取想要的信息 剪切板提取(Clipboard Management): 可以通过pypercli获取剪切板中的文本内容并自动判断是否需要进行执行 上下文管理(Context management): 通过EnhancedConversationContext类管理对话记录，支持记住或者遗忘特定信息，根据相似度判断是否清除旧的上下文，能够根据对话历史生成更相关的回复 日志记录(Logging): 使用rich库美化日志输出，并将日志保存到文件中 网页搜索(Search): 使用DuckDuckGo搜索用户指定的内容，并返回搜索结果摘要

DICOM Simulator - 专业级医学影像协议模拟工具 技术架构： • 基于 Rust + Tauri 构建的高性能跨平台桌面应用 • 采用 DaisyUI 实现现代化响应式界面 • 使用 SurrealDB 嵌入式数据库进行高效数据管理 核心功能： 1. 完整 DICOM 协议支持： • 工作列表查询（Worklist） • 模态设备执行管理（MPPS） • 统一工作流程服务（UPS） • 影像存储服务（C-STORE） 2. 专业级特性： • 可配置的节点参数与协议选项 • 端到端 TLS 加密通信 • 多设备模拟场景支持 3. 用户体验优化： • 多语言国际化支持（i18n） • 多主题视觉方案 • 跨平台支持（Windows/macOS/Linux） 应用场景： ✓ 医学影像系统开发测试 ✓ PACS/RIS 系统集成验证 ✓ 医学影像教学演示 ✓ 医疗设备协议兼容性测试 版本：v1.0.0 (桌面版) | 遵循 DICOM PS3 标准

集成totp功能 数据库用户表中新增tcode字段，varchar类型 在SysLoginService中扩展了validateTcode(username, tcode)验证方法 在SysProfileController中扩展了相应重置，生成，校验等基本功能。使用dev.samstevens.totp的包作为totp的实现。

paddleocr-json只提供GRPC调用，增加简单的restful API 调用方式，让调用更加方便。增加了OCR多实例。在原作者的基础上，提供内建简单的restful API支持，方便调用。使用crow实现。这里特别感谢原作者的工作。 对Task部分内部方法进行了修改，使其支持restful API调用。 增加了Task多线程，配置文件增加OCR实例配置：threadnumber，用于配置Task的线程数。通过多个Task实例，初始化多个COR实例。 初步用jmeter进行了压力测试，未发现严重问题。

Java + Vue 有很多优秀的后台管理系统，但是为了可以高效的开发后台权限管理系统，作者就自己开发出 agile-admin。 agile-admin 是一个基于 Vue3 + Element-plus + Java + Spring boot + maven + mysql 的多企业后台权限管理系统，提供了完善的权限体系，让开发者把注意力集中到具体业务当中，降低开发成本，提高项目效率。 可以用于网站管理后台、SAAS、CMS、CRM、OA、ERP等，企业和个人都可以免费使用。

旨在用.net去实现一个外卖平台，有顾客、商家，外卖员等多端用户 1.1.1 顾客端功能 用户注册与登录：顾客可以注册账号并登录系统。 餐厅浏览：顾客可以浏览系统中的餐厅列表，查看餐厅详情。 菜品浏览与选择：顾客可以查看餐厅的菜品，将喜欢的菜品加入购物车。 订单管理：顾客可以创建订单、查看订单状态、取消未处理的订单。 评价系统：顾客可以对已完成的订单进行评价和打分。 1.1.2 商家端功能 商家注册与登录：餐厅商家可以注册账号并登录系统。 餐厅信息管理：商家可以创建和管理自己的餐厅信息。 菜品管理：商家可以添加、编辑、删除菜品信息，包括名称、价格、图片等。 订单处理：商家可以查看新订单，接受或拒绝订单，更新订单状态。 销售统计：商家可以查看销售数据，如销售额、热门菜品等。 1.1.3 骑手端功能 骑手注册与登录：配送骑手可以注册账号并登录系统。 接单功能：骑手可以查看待配送订单，选择接单。 订单配送：骑手可以更新订单配送状态，标记订单为已送达。 配送历史：骑手可以查看自己的配送历史和评价。 1.2 非功能需求 安全性：系统需要确保用户数据的安全，防止未授权访问。 可用性：系统界面应简洁明了，操作流程应直观易懂。 性能：系统响应时间应在可接受范围内，数据库查询应高效。 可维护性：代码应结构清晰，有良好的注释，便于后期维护。

基于 Spring Boot + MyBatis + MySQL + AIGC + React 的智能数据分析平台，封装了讯飞星火模型接口，区别于传统 BI，用户只需要导入原始数据集、并输入分析诉求，就能自动生成可视化图表及分析结论，实现数据分析的降本增效； 后端自定义 Prompt 预设模板并封装用户输入的数据和分析诉求，通过对接 AIGC 接口生成可视化图表 json 配置和分析结论，返回给前端渲染； 由于 AIGC 的输入 Token 限制，使用 Easy Excel 解析用户上传的 XLSX 表格数据文件并压缩为 CSV，实测提高了 20% 的单次输入数据量、并节约了成本； 为保证系统的安全性，对用户上传的原始数据文件进行了后缀名、大小、内容等多重校验； 为防止某用户恶意占用系统资源，基于 Redisson 的 RateLimiter 实现分布式限流，控制单用户访问的频率； 考虑到单个图表的原始数据量较大，基于 MyBatis + 业务层构建自定义 SQL 实现了对每份原始数据的分表存储，提高查询性能 30% 和系统的可扩展性； 由于 AIGC 的响应时间较长，基于自定义 IO 密集型线程池 + 任务队列实现了 AIGC 的并发执行和异步化，提交任务后即可响应前端，提高用户体验； 由于本地任务队列重启丢失数据，使用 RabbitMQ（分布式消息队列）来接受并持久化任务消息，通过 Direct 交换机转发给解耦的 AI 生成模块消费并处理任务，提高了系统的可靠性； 基于 Ant Design Pro 脚手架快速搭建初始项目，并根据业务定制项目模板，如封装全局异常处理逻辑； 使用 TypeScript + ESLint + Prettier + Husky 保证项目编码和提交规范，提高项目质量； 使用 Umi OpenAPI 插件，根据后端 Swagger 接口文档自动生成请求 service 层代码，大幅提高开发效率； 选用兼容性较好的 Echarts 库，接收后端 Ai 生成的动态 json 自动渲染可视化图表。

项目概述​​ 本项目旨在开发一款面向餐馆老板的食材采购电子商城微信小程序，为餐饮行业提供高效、便捷的线上买菜解决方案。平台支持多商户（蔬菜、肉类、海鲜等供应商）入驻，提供菜品搜索、订单管理、在线支付及配送进度查询等功能，帮助餐馆老板简化采购流程，提升运营效率。 ​​核心功能​​ ​​1 多商户入驻​​：支持蔬菜、肉类、海鲜等供应商开店，展示商品及价格。 ​​2 菜品搜索与分类​​：支持按关键词、分类、价格等快速筛选食材。 ​​3 订单管理​​：餐馆老板可查看历史订单、待配送订单及订单状态。 ​​4 在线支付​​：集成微信支付，支持安全快捷的交易流程。 ​​5 配送进度查询​​：实时跟踪订单配送状态，提升采购透明度。 ​​技术特点​​ ​​1 微信小程序开发​​：基于微信生态，无需下载APP，即用即走。 ​​2 私有化部署​​：支持企业自主部署服务器，保障数据安全与隐私。 ​​3 源代码提供​​：交付完整源码，便于后续功能扩展与维护。 ​​预期效果​​ 为餐馆老板打造一站式食材采购平台，减少中间环节，优化采购流程，提升采购效率，同时为供应商拓展销售渠道，实现双赢。 ​​适用场景​​ 中小型餐馆、连锁餐饮企业、生鲜供应商等。

项目内容：构建美国科学研究系统的知识图谱，由NIH和NSF数据构建网络，并用复杂网络理论对合作模式进行挖掘。 项目技术：Schema设计、ER图、Scrapy爬虫、知识图谱、Neo4j、复杂网络分析（节点中心性、聚类系数）、Mediawiki 项目成果：爬取数据后，构建极大连通子图包含52883条12年NIH数据、47949条14年NSF数据，数据融合后总计100832条数据43个特征，并绘制4类实体UML类图、Protege本体图，构建含71489个节点86177个关系的Neo4j知识图谱，并通过复杂网络统计指标分析，揭示跨机构合作模式，通过MediaWiki展示在SMW平台

项目技术：数据增强（镜像反转、左右各旋转30度、增加噪点、MSRCR处理光线）、迁移学习、ReduceLROnPlateau缩小学习率、Xception/InceptionResNet-V2特征融合 项目成果：从Kaggle中获取999条数据，采用迁移学习及微调模型比较多个深度学习模型的准确率后，得到Xception模型最高仅为95.6%，对模型进行特征融合，模型准确率提升至98.4%