项目概述： 参与开发信人AI客服项目，一个集成了AI大模型和知识库的智能对话系统，旨在通过先进的技术提升AI员工的对话效果和客户互动效率。 技术演进：项目经历了从AIAGENT和RPA技术结合的初步方案，到利用rerank技术和FAQ集成的进阶版本，实现了更精准的意图识别和客户服务。 工作内容： 1. 数据库开发： 利用Milvus和Pinecone进行向量数据库的开发，优化大规模向量检索性能。 - 使用PostgreSQL和MongoDB进行关系型和文档型数据库的开发，确保数据的高效存储和查询。 2. 对话系统框架搭建： 采用LangChain和Flask框架，构建了对话系统的整体架构，支持灵活的插件式服务和API集成。 3. Embedding模型选型与应用： 负责Embedding模型的选型，为RAG系统中的文档检索和重排提供高效的文本向量化表示。 4. LLM集合应用开发： 结合百川、ChatGPT、ChatGLM等多种大型语言模型（LLM），开发了集合应用，增强了对话系统的理解和生成能力。 5. 自动化测试与质量保证： 使用Python编写自动化测试脚本，确保代码质量和系统稳定性。 6. 文档处理与算法开发： 开发了PDF读取和文档分块算法，提高了非结构化数据的处理效率。 7. 日志监控与系统维护： 利用LangSmith进行日志监控，及时发现并解决系统运行中的问题。 8. 应用部署与容器化： 采用FastAPI、LangServer以及Docker技术进行应用的部署和容器化，简化了环境配置和持续集成流程。 9. 行业知识分享与科普： 定期进行AI行业现状的科普，分享最新的技术进展和市场趋势，提升团队的知识水平和行业敏感度。 RAG技术相关经验： 在信人AI客服项目中，深入应用了Retrieval-Augmented Generation（RAG）技术，通过构建和优化资源池、实现文档检索与重排算法，显著提升了对话系统的准确性和效率。 参与设计并实现了RAG系统中的关键组件，包括资源池管理、文档检索、文档重排等，特别是在`combined_rag_chain.py`中实现了创新的文档处理链。 利用`MongoDBRetriever`高效地从MongoDB中检索文档，并在`id_rating_parser.py`中解析和处理评分数据，为RAG系统提供了准确的输入。 通过VSCode进行代码调试，并使用LangServe Playground和LangSmith进行功能测试和日志监控，确保了系统的稳定性和可靠性。 在生产和测试环境中部署应用，使用Portainer和ngrok进行远程访问和管理，优化了部署流程和维护效率

作为一个BBS论坛，它应该具有BBS所有的一些基本功能，包括：用户登陆功能，用户取回密码功能，用户浏览帖子的功能以及用户发表、回复、修改和删除帖子的功能等。接下来，我将利用例图展示这些功能。 用例是系统、子系统或类和外部的参与者(actor)交互的动作序列的说明，包括可选的动作序列和会出现异常的动作序列。  用例是代表系统中各个项目相关人员之间就系统的行为所达成的契约。用例用一个椭圆表示，用例名往往用动宾结构或主谓结构命名。参与者是指用户在系统中的扮演的角色，其图形化表示是一个小人。  BBS系统的用例有用户注册、登录、注销、发表查看删除修改帖子，发送删除查看回复；管理员管理用户、管理帖子、管理用户组、版块权限。

软硬件结合的方式。硬件方面判断停车位是否有车，并将停车位数据实时传给软件。软件方面提供给用户一个寻找车位的平台。 工作内容： 1、主要负责统筹调研、需求分析，确定以软硬结合的方式实现项目，安卓框架，机器学习相关，软件测试。利用Pyth on爬虫爬取，NumPy 、Pandas处理数据，岭回归实现机器学习（ACC87.5％） 2、安排阶段性任务，组织队伍内部讨论，分析及解决在项目开发及维护工程中遇到的困难，调整队伍进度 3、撰写文档及论文、申报奖项 工作成果：省级大创项目、软件著作权一份，论文一篇（第一著作人），互联网+二等奖，科技成果突出贡献奖、队伍 获得专利一份x