gemini-viewer 是一个基于 WebGL 的 JavaScript SDK，它构建于 Three.js 之上。用于在网页上方便地查看 DWG/DXF 文件。 - 支持绝大多数常见的实体类型如: POINT, 3DFACE, ARC, ATTDEF, ATTRIB, CIRCLE, DIMENSION, MLEADER, MULTILEADER, ELLIPSE, HATCH, IMAGE, INSERT, LEADER, LINE, LWPOLYLINE, MTEXT, OLE2FRAME, RAY, POLYLINE, REGION, SOLID, SPLINE, TABLE, TEXT, VERTEX, VIEWPORT, XLINE。 - 支持布局空间和切换，支持图层控制 - 支持图纸叠加 - 支持丰富的线型 - 支持丰富的填充类型 - 支持丰富的字体、富文本 - 支持线宽 - 支持图纸对比 - 支持了距离、面积、角度等测量，同时支持丰富的吸附 - 支持了标注功能 该引擎采用了数据压缩、缓存等技术使其有很好的加载速度，同时运行时性能得到很好的优化。欢迎试用：https://github.com/pattern-x/gemini-viewer-examples

这是一个后台管理系统，主要是对客户相关的东西进行管理，比如客户资料上传审核等管理，高龄客户的管理，客户返佣利息交易算返还的计算和审核以及审核业务的流转，有效客户的的管理等。 基于SpringBoot的权限管理系统 易读易懂、界面简洁美观。 核心技术采用Spring、MyBatis、Shiro没有任何其它重度依赖。直接运行即可用

项目概述 Lorn.OpenAgenticAI是一款面向企业和个人的桌面端智能体AI应用，通过整合大语言模型能力与桌面软件操作，打造全新一代的办公自动化解决方案。本项目旨在消除传统自动化工具的技术门槛，让用户通过自然语言或简单的可视化编排即可实现复杂的办公流程自动化。 产品价值 提升效率：将重复性、繁琐的办公任务自动化，释放人力资源 降低门槛：无需编程知识，通过自然语言或拖拽式界面即可创建自动化流程 灵活扩展：插件化架构支持快速接入新的桌面应用 智能协作：大模型赋能的上下文理解，使自动化流程更加智能和上下文感知 Director核心调度引擎 Director作为系统的中枢神经，负责协调大语言模型与各类桌面应用之间的交互。它提供两种主要的工作模式： 提示词驱动模式（智能助手模式） 用户通过自然语言描述任务需求 系统自动解析任务意图，规划执行路径 智能调度相关Agents执行具体操作 适合非技术用户和临时性任务 流程编排模式（专业工作流模式） 提供可视化流程设计界面，类似流程图的拖拽体验 精确控制各Agents的调用顺序、参数和条件分支 支持保存、编辑和共享工作流模板 适合固定流程和批量处理场景 外围Agents生态 Agents是封装了特定桌面软件操作能力的功能模块，通过标准化的MCP协议与Director进行通信： 文档处理Agents：Word文档编辑、PDF解析与生成 数据处理Agents：Excel数据分析、数据库操作 演示制作Agents：PowerPoint幻灯片创建与美化 网络交互Agents：浏览器自动化、网页信息提取 通信协作Agents：邮件收发、即时通讯工具交互 每个Agent都专注于特定领域的操作，可独立迭代升级，形成丰富的插件生态。

Lorn.ADSP 智能广告投放平台 Lorn.ADSP是一个开源的智能广告投放系统，致力于通过AI技术和大数据分析，实现广告投放的精准化、智能化和自动化。该系统融合了先进的人工智能大模型技术，为广告创意生成、用户画像分析、投放策略优化提供强大的AI驱动能力。系统可用于网站、视频播放的所有页面广告、视频广告以及无线客户端、TV广告的管理、播放、定向和统计。 产品愿景 打造智能化、一站式的数字广告投放平台，助力广告主实现精准营销，为用户提供优质广告体验，推动Lorn.ADSP开源广告平台商业生态可持续发展。通过融合AI大模型技术，实现广告创意的智能化生成、用户意图的精准理解和投放策略的自动优化。 核心功能模块 广告业务管理：客户关系管理、合同管理、商机跟踪 售前计划管理：广告位管理、流量预测分析、库存智能调控 广告活动管理：计划和单元管理、定向策略配置、预算和出价控制 AI大模型智能引擎：智能创意生成、用户意图理解、投放策略优化、多模态内容分析 广告投放引擎：实时竞价系统、智能投放决策、多目标平衡优化 多媒体广告支持：播放器内视频广告、展示广告、原生广告等多种形式 数据分析与商业智能：多维数据分析、业务预测洞察、自定义报表 用户定向系统：多维用户画像构建、场景化投放策略、智能定向优化 第三方广告平台对接：支持DSP/SSP/ADX广告生态对接 技术栈 本项目采用C#和F#编写而成，支持部署于Azure云平台，技术架构包括： 分布式服务架构：微服务架构、容器化部署、服务网格 AI大模型技术栈：OpenAI GPT集成、Hugging Face Transformers、Azure OpenAI Service、自研AI模型训练平台 关系型数据库 + 缓存 + 消息队列：SQL Server、Redis、RabbitMQ 全链路监控系统：应用性能监控、AI模型性能监控、业务指标监控 容器化部署支持：Docker、Kubernetes、AI模型容器化部署

根据真实事件改编的互动故事游戏，具有以下特点： * 沉浸式叙事：采用垂直滚动的故事线，配合平滑的动画效果，引导用户一步步深入剧情。 * 互动式证据：通过模拟手机聊天、现场投影等互动弹窗，让用户亲手揭开关键线索，代入感极强。 * 情感化设计：应用的整体视觉风格与色调会跟随故事情绪（深渊、复仇、暖阳）动态变化。 * 中英双语支持：内置完善的语言包，一键切换中英文，无缝体验。 * 完全响应式：无论在手机、平板还是PC端，都能获得完美的阅读体验。 * 轻量化实现：未使用任何重型框架，仅依赖原生JavaScript和Tailwind CSS，代码简洁高效。

纽约市共享单车需求预测系统 项目简介 本项目是一个基于机器学习和深度学习的纽约市共享单车需求预测系统，通过分析历史骑行数据、天气数据和时空特征，实现对未来单车需求的精准预测。 功能特性 ? 多维度数据分析: 时间、空间、天气等多维度特征分析 ? 多模型预测: 集成8种机器学习和深度学习模型 ? 可视化分析: 丰富的数据可视化和交互界面 ? 精准预测: R²达到0.85以上的预测精度 ⚡ 实时预测: 支持多步预测和多区域并行预测

上海理工大学学报智能管理系统 项目概述 《上海理工大学学报》智能管理系统是一个基于 Django 框架开发的学术期刊管理平台，旨在实现学术稿件的提交、审稿、编辑、出版和数据分析全流程的自动化管理。该系统支持多角色用户（投稿人、审稿人、编辑、管理员），提供编号设计、通知中心、数据可视化等功能，确保稿件管理的唯一性、可追溯性和高效性。 主要功能 用户管理：支持投稿人、审稿人、编辑和管理员的注册、权限分配和资料管理。 稿件管理：实现稿件提交、状态跟踪（草稿、已提交、外审中、需要修改、已修改、已接受、已拒绝、初审拒绝、已发表）、文件上传和下载。 审稿流程：支持审稿人邀请、评审表提交、编辑初审和终审，自动分配审稿任务。 通知中心：为投稿、审稿邀请、审稿提醒、修改要求、录用、退稿、出版等动作生成实时通知。 出版管理：支持卷期创建、稿件排版、目录生成和 DOI 分配。 数据分析：提供投稿趋势（折线图）、领域分布（饼图）等可视化报表，支持 PDF 和 CSV 导出。 编号设计：为稿件、用户、审稿任务、通知、卷期、出版、报表和日志生成唯一编号（如 MS20250001、AU-250430-001）。 系统日志：记录用户操作和错误日志，支持问题排查。

基于langchain，langgraph，向量数据库weaviate，目前实现了以下功能： 1. 文字嵌入向量数据库，可进行相似度检索 2. 图片嵌入向量数据库，可进行相似度检索 3. 智能问答，提高大语言模型回复的准确度 4. 智能体，主要包括：执行“生成查询或回复”操作，并判断是否需要调用检索工具；使用“工具条件”进行下一步的路由，如果“生成查询或回复”返回了工具调用列表，则调用检索工具来获取信息，否则，直接回复给用户；对检索到的文档内容进行相关性评分，然后进行下一步的路由，如果不相关，则使用“重写问题”功能重新编写问题，然后再次调用“生成查询或回复”操作，如果相关，则继续执行“生成答案”操作，并使用检索到的文档上下文通过“工具消息”生成最终回复。 5. 多智能体，由一个supervisor agent进行协调。监督agent，控制所有的通信流程和任务分配，并根据当前的环境和任务要求来决定调用哪个agent

1. 基于Transformer架构，复现GPT-2(124M参数)​​+FP8混合精度 2. 训练数据是HuggingFaceFW/fineweb-edu中的sample-10BT 3. GPU租用的是智星云，GeForce RTX 4090 (24G)，系统Ubuntu，单机4卡 4. 开发工具VS Code 5. 相关版本如下：CUDA Version: 12.4, Driver Version: 550.127.05, torch 2.5.0, triton 3.1.0

RumourDetectClass：基于 RoBERTa 的自动文本谣言检测工具​​ ​​项目概要：​​ RumourDetectClass 是一个专为识别社交媒体和网络文本中潜在谣言而设计的实用工具类。其核心采用由 Cardiff University NLP 团队开发的预训练语言模型 cardiffnlp/twitter-roberta-base（RoBERTa 架构），该模型在海量推特数据上进行预训练，并针对谣言检测任务进行了特定优化，具备优秀的上下文理解和语义特征捕捉能力。 ​​核心功能：​​ 该工具类提供了一个简洁有效的文本分类接口（classify.py）。用户只需按照项目文档指引，向该接口传入待检测的文本字符串 [text]，工具即可利用预训练模型进行深层语义分析。输出结果为简明易读的整数值 [int]：通常 0 代表“非谣言”（真实或常规信息），1 代表“疑似谣言”（需要进一步核查）。 ​​核心优势与特点：​​ ​​先进模型基础：​​ 直接利用 Twitter 领域顶尖的预训练模型 twitter-roberta-base，起点高、泛化能力强。 ​​开箱即用：​​ 只需简单调用（classify.py），无需用户深入了解模型细节即可获得初步判断。 ​​高效简洁：​​ 输入输出格式 (文本 -> 整数) 极其清晰，便于集成到其他自动化流程或应用程序中。 ​​针对性优化：​​ 模型底层特别针对推特（即类似社交媒体）文本风格和谣言检测任务进行了训练，相较于通用模型更具优势。 ​​使用场景：​​ 本工具非常适合需要快速筛检社交媒体信息流、用户评论、新闻片段或在线讨论，以初步标识高风险谣言的平台开发者、内容审核人员或信息研究分析人员，作为信息真实性辅助判断的第一步。

【30% - 本项目解决了什么问题】 本项目是一套全栈开源的AIoT语音解决方案，旨在攻克在资源受限的嵌入式平台上实现低延迟、生产级AI对话的工程挑战。它并非简单的应用层开发，而是通过对博流官方SDK的深度定制与重构，为开发者提供了一个集成了高性能音频驱动、实时操作系统内核优化和现代网络协议栈的、开箱即用的固件开发平台，显著降低了下一代智能硬件的研发门槛与周期。 【40% - 本项目的技术选型、技术特点或性能表现】 核心：深度定制的嵌入式固件 (C + FreeRTOS) SDK级重构： 对官方bouffalo_sdk进行了大量修改，解决了其在网络功能、音频驱动等方面的短板，并建立了一套模块化的CMake构建系统。其架构已为未来集成Opus等专业编解码器预留了接口。 硬实时并发模型： 深度利用FreeRTOS，构建了基于任务优先级和消息队列的硬实时并发模型（音频采集/网络IO/音频播放），确保音频数据流处理的绝对优先，根除了高负载下的系统卡顿与死锁。 高性能音频驱动： 针对ES8388，独创了“伪双声道”音频驱动方案。 在播放侧，通过在驱动层将单声道PCM实时复制为双声道格式，巧妙地解决了廉价单声道喇叭在标准I2S双声道模式下的爆音问题；在采集侧，通过提取主麦克风的单声道数据，在不牺牲ASR识别率的前提下，将上行网络数据量减半。 后端：云原生微服务架构 (Go + Python) 高并发网关 (Go): 负责处理海量设备的MQTT长连接，并作为云端音频流处理的核心路由。 AI核心服务 (Python/FastAPI): 作为与大语言模型(LLM)、ASR/TTS服务交互的统一接口，并集成ChromaDB，通过RAG模式实现长期记忆。 核心指标： 端到端语音响应延迟在局域网环境下低于500ms。系统能够稳定处理连续的多轮对话。通过对驱动和协议的深度优化，显著降低了对网络带宽的要求。 【30% - 如何快速上手本项目】 本项目遵循Apache 2.0协议，所有代码均在GitHub开源。 克隆核心仓库： git clone https://github.com/cagedbird043/bouffalo_sdk_vmg0。该仓库已包含所有必要的驱动和组件。 部署云端服务： 克隆配套的云端仓库，配置.env文件，通过docker-compose up一键启动所有后端服务。 编译与烧录：修改固件中的Wi-Fi和服务器IP配置，直接编译并烧录。

大学选课管理系统 项目概述 大学选课系统是一个面向高校学生、教师和管理员的综合性教务管理平台，主要功能包括用户管理、课程管理、选课管理、数据持久化、多语言支持等。系统采用面向对象设计方法，使用C++语言实现。 主要特性 多角色支持：管理员、教师、学生三种角色 完整选课流程：课程查询、选课、退课等功能 数据持久化：使用JSON格式存储数据 国际化支持：支持中英文界面 安全认证：使用SHA-256加盐哈希保存密码 并发控制：使用互斥锁保护共享资源 日志系统：分级别记录系统操作和错误信息 系统架构 大学选课系统采用分层架构设计，主要分为以下几层： 用户界面和业务逻辑层：负责与用户的交互，显示信息和接收输入，实现系统的核心功能，处理业务规则和流程。 模块化实现层：封装业务逻辑层的实现细节 数据访问层：负责数据的持久化。 核心模块 用户管理：用户创建、认证和信息维护 课程管理：课程创建、修改和查询 选课管理：选课、退课和选课状态查询 数据管理：数据序列化和反序列化 国际化：多语言资源管理 日志系统：事件记录和错误追踪

许多热爱编程比赛的用户在参加比赛时常常面临没有队友的问题，这使得他们很难发挥自己的实力，也很难取得好成绩。同时，许多用户在寻找队友时也面临一些困难，比如无法找到合适的人选，或者无法与潜在的队友进行充分的交流和沟通。因此，我们希望通过该网站，为这些用户提供一个交流平台，帮助他们找到理想的队友，组建强大的编程团队，参加各种编程比赛，并最终实现自己的编程梦想。 用户注册和登录：用户可以通过注册账号并登录使用该网站。 标签匹配：用户可以选择自己的技能和需求标签，系统会根据标签匹配合适的队友。 组队功能：用户可以与其他用户组建队伍，一起参加编程比赛。 用户管理：管理员可以对用户进行管理，包括审核用户信息和处理用户投诉等。

1.本项目是最初练习的一个项目 2.解决了对于前后端连接的一整个联路的贯通 3.在一开始的后端技术栈阶段选择了采用java的，一个是java属于老牌语言，还一个是生态社区相对友好，有遇到的错误都可以在网上检索到对应的信息 4.在开始写的时候遇到很多关于权限，数据量组合查询的问题，这些都可以在后面的项目中加以运用，有比较成熟的经验

项目介绍 silc-client 是一个基于 Vue 3 + TypeScript 构建的现代化前端应用项目。该项目使用了最新的前端技术栈，提供了一个响应式、高性能的用户界面。 技术栈 框架: Vue 3.5.13 (Composition API) 语言: TypeScript 5.8.0 构建工具: Vite 6.2.4 状态管理: Pinia 3.0.2 路由: Vue Router 4.5.0 UI组件库: Element Plus 2.9.9 图表库: ECharts 5.6.0 HTTP客户端: Axios 1.9.0 工具函数: Lodash 4.17.21 日期处理: Day.js 1.11.13 项目特性 ? 基于 Vue 3 Composition API 的现代化开发体验 ? 使用 Element Plus 提供的丰富UI组件 ? 集成 ECharts 支持数据可视化 ? 使用 Pinia 进行状态管理 ?️ Vue Router 实现单页应用路由 ? TypeScript 提供类型安全 ⚡ Vite 提供快速的开发服务器和构建

CFDDNS 是一款功能强大、界面友好的 Windows 桌面应用程序，专为需要动态更新 Cloudflare DNS 记录的用户设计。它不需要手动执行的cmd脚本操作，而是一个拥有图形化界面、支持多账户、多域名管理的智能客户端。 精美的图形界面: 提供直观、现代化的用户界面，所有操作一目了然。 多域名支持: 可同时管理和更新多个域名（A 或 AAAA 记录）。 多账户支持: 支持为每个域名配置独立的 Cloudflare 账户凭据，轻松管理不同账户下的资产。 智能更新: 启动时自动检测 IP 变化，并标记域名状态（"IP一致"或"待更新"）。 仅在公网 IP 发生变化时才执行更新，避免不必要的 API 请求。 实时显示域名在 Cloudflare 上的当前记录值。 自动服务: 可作为后台服务运行，按自定义的时间间隔（分钟）自动检查并更新 IP。 状态透明: 主界面实时显示当前公网 IPv4 和 IPv6 地址。 详细的操作日志，记录每一次 IP 获取、查询和更新操作，便于追踪和排错。 持久化配置: 所有配置（包括全局设置和域名列表）均保存在本地 config.json 文件中，方便备份和迁移。 程序的上次更新时间会被记录，即使重启程序也能看到。 开发语言: C# 11 框架: .NET 6.0 用户界面: Windows Forms (WinForms) 核心依赖: System.Text.Json: 用于高效地处理和读写 JSON 配置文件。 HttpClient: 用于与外部 IP 查询服务和 Cloudflare 官方 API 进行异步通信。 项目结构: MainForm.cs: 主窗口，承载所有界面交互和核心业务逻辑。 CloudflareClient.cs: 封装了所有与 Cloudflare API v4 相关的操作（获取记录、更新记录）。 IpService.cs: 负责从公共 API 获取本机的公网 IPv4 和 IPv6 地址。 Config.cs & ConfigManager.cs: 定义了程序的配置数据结构，并管理配置文件的读写。 Program.cs: 应用程序入口点。

本项目利用streamlit和fastmcp以及autogen等框架实现了通用智能体的构建，一些常用的功能如下： 1.基于聊天的界面 —— 由大型语言模型 (Gemini-2.5-Flash) 驱动 2.文件操作 —— 在容器内安全地读取、写入并浏览本地文件 3.YouTube 播放器 —— 内置搜索并在线播放视频，无需离开应用 4.图像生成 —— 根据文本提示创作图片并立刻下载 5.网页搜索 —— 使用 playwright 搜索互联网以获取信息 6.GoogleMap —— 通过 Google Map API 查询并获取地图信息 7.数据分析 —— 代理可用 pandas 和 matplotlib 绘制图表、表格 8.视频抓取 —— 按需求从指定网站抓取视频 9.虚拟货币 —— 调用 CoinCapMarket API 获取虚拟货币数据 10.定时任务 —— 可以创建定时搜索分析任务或者定时提醒的任务 11.可扩展工具 —— 仅用一个 Python 装饰器即可添加自定义工具

1. 生成roguelike地图，所有房间连接可通过 2. 可配置墙体，地板，可配置地图大小，房间类型，房间数量 3. 运行 启用插件 将游戏模式的父类更改为 ARoguelikeGameMode 创建 UDungeonDataAsset 并在游戏模式蓝图中设置地牢数据资产 配置数据资产 设置 roguelikeTileActor 蓝图 运行

针对自动驾驶场景对YOLOv7的网络架构和参数进行了专项优化。在Backbone部分引入ECA与CBAM，强化多尺度特征融合能力；将Neck层的PAN结构改进为双向特征金字塔（BiFPN），提升小目标检测鲁棒性。调整了锚框尺寸分布，新增针对车辆侧面和锥形桶的细粒度锚点。训练策略上采用余弦退火学习率+EMA权重平滑，并引入动态困难样本挖掘机制。

多样化的跑腿需求 代取快递、外卖、食堂打包 代购零食、日用品、学习资料 代排队、代签到（需合规）、代办事项 紧急文件传递、跨校区物品代送 一键发布 & 接单 需求者：填写任务内容、时间、报酬，一键发布。 跑腿员：附近任务实时推送，自由接单赚零花钱。 智能匹配 & 安全保障 基于地理位置优先匹配校内用户，实名认证+学号验证。 双方在线沟通，任务完成确认后支付，资金暂存平台保障安全。 信用评价体系 双向评分机制，积累信用等级，优质用户/跑腿员获得优先推荐。 校内专属优惠 合作商家优惠券、拼单功能、定时配送等增值服务。