ARTICLE · 1199452

管理端功能需求

模块	功能要求
管理首页	展示注册用户数、今日识别量、累计识别量、类别分布、低置信度数量、待处理反馈和当前模型版本。
用户管理	用户分页查询、搜索、查看使用统计、启用停用账号、重置密码；不展示明文密码。
类别管理	维护四类垃圾及细分类，配置名称、颜色、图标、说明、排序、启用状态和细分类到大类映射。
知识库管理	维护物品名称、关键词、示例图片、分类说明、投放建议、常见误区和发布状态。
识别记录管理	按用户、时间、类别和置信度筛选；查看原图、结果、模型版本和用户反馈。
反馈审核	处理纠错反馈，标记采纳、未采纳或待补充；采纳样本可进入候选训练集。
数据集管理	上传和审核样本，维护标签、来源、数据集划分、样本统计及数据集版本。
模型管理	维护模型名称、版本、权重位置、训练集版本、指标、启停状态及线上模型切换。
系统配置	配置图片上传限制、低置信度阈值、公告和当地分类规则说明。
操作日志	记录管理员登录、删除、审核、模型切换和配置修改等关键操作。

业务流程与状态规则

图片识别流程

步骤	处理规则	输出
1 上传	校验本地图片格式、大小和可解析性。	上传成功或失败原因。
2 预处理	压缩、纠正方向、缩放至模型输入尺寸并标准化。	可推理的图像张量。
3 模型推理	调用当前启用的垃圾分类模型，计算类别概率。	Top K 类别及概率。
4 规则映射	将细分类映射至四类垃圾，关联投放建议和知识词条。	大类、细类、建议。
5 记录	保存用户、图片、预测、置信度、模型版本和时间。	识别记录 ID。
6 反馈	用户确认或纠错；管理员审核纠错。	反馈状态和候选训练样本。

基于YOLOV+FastAPI+Vue3的柑橘检测系统

一，系统演示

项目视频演示，链接复制到b站直接看

https://www.bilibili.com/video/BV1L6t66LEdX/?spm_id_from=333.1387.homepage.video_card.click

加入对比实验

上传+检测完成后的完整效果图:104 个目标,分类统计+明细表格

视频检测处理中状态,右侧显示实时进度百分比

二，前后端技术架构分离

后端：FastAPI + Ultralytics YOLOv8 + SQLite + ONNX Runtime + SAHI

前端：Vue3 + Element Plus + IconPark + Axios

模型：YOLOv8n（Nano），负样本重训版，默认以 ONNX 格式部署

三，功能介绍

图片检测页：

拖拽/点击上传图片，自动替换重复上传的文件

置信度阈值、IOU 阈值滑块调节

高精度模式开关（SAHI 切片推理）

Canvas 实时绘制检测框（树上果实绿框、落地果实橙框）

检测统计卡片 + 明细表格（置信度进度条可视化）

低置信度自动预警提示

视频检测页：

视频上传 + 上传进度条

异步任务处理，2 秒轮询任务状态

处理完成后自动播放标注结果视频（H.264 编码，浏览器直接播放）

基于目标跟踪的去重计数（同一果实全程只计一次）

对比实验页：

消融实验 Tab：无锚框机制（Anchor-Free）按目标大小/场景密度分层验证

对比实验 Tab：YOLOv8n vs YOLOv5n 综合指标对比

负样本消融 Tab：负样本训练策略前后误检对比

检测历史记录列表（每次检测自动落库）

主要业务流程

① 图片检测流程

② 视频检测流程

基于AI+大屏+协同过滤算法考研资料推荐系统

包括详细的源码+教程。很多基础的讲解也都有，例如基础的学习、脚手架讲解、算法原理，都是有讲解的，小白看了也可以学会。

文档教程搞了四天，视频教程搞了三天。累麻了。

项目功能需求

小孟开发都是采用常规的技术栈，前后端分离架构设计。

对于系统的讲解基础讲解、脚手架、协同过滤算法都有讲解。学习的的路线是从小白成为大神。

脚手架讲解：

https://www.bilibili.com/video/BV1pKSLBMECD/?spm_id_from=333.1387.search.video_card.click

基础的项目讲解：

https://www.bilibili.com/video/BV1FLsizjEn3/?spm_id_from=333.1387.search.video_card.click

后端的技术采用的是SpringBoot+MyBatisPlus ，数据库采用的MySQL。

知识库采用的是RAGFlow。

本地大模型采用的是Ollama。

算法采用的是协同过滤的算法，协同过滤算前面我也整了详细的讲解。

系统架构图

JWT 登录鉴权流程

AI智能客服核心实现（Ollama + 意图识别分流）

协同过滤推荐算法：

主要功能清单

管理员：资料管理、资料分类管理、用户行为数据管理、大屏数据统计、Excel批量导入导出，角色权限管理，系统参数配置、操作日志管理。

用户：登录、注册、资料信息管理、AI智能客服对话、协同过滤算法推荐、在线留言、个人中心管理、数据大屏查看。

主要业务流程

① 用户登录注册流程（见图4）— 验证码校验 + 密码加密存储 + JWT Token 颁发
② 资料浏览搜索流程（见图5）— 分类筛选 → 详情查看 → 浏览计数自动递增
③ AI 智能客服流程（见图6）— 用户提问 → 意图识别分流(A/Z) → Ollama SSE 流式回复
④ 协同过滤推荐流程（见图7）— 行为采集 → User-Based CF 相似度计算 → Top-N 推荐
⑤ 管理员资源管理流程（见图8）— CRUD 操作 + 逻辑删除确认
⑥ 留言评论流程（见图9）— 登录校验 → 提交 → 审核 → 展示
⑦ 用户行为追踪流程（见图10）— 浏览 / 下载自动记录 → 统计汇总

为了帮助小伙伴更好的学习，文档整理的非常详细。

包括详细的教程、源码、文档。

视频可以去看b站了：

https://www.bilibili.com/video/BV1jHga6yESa/?spm_id_from=333.1387.homepage.video_card.click&vd_source=e64f225fc5daf048d2687502cb23bb3b+

无人机租赁系统

项目描述

翱翔 AI 智能体无人机租赁系统是一个面向个人用户、企业用户和平台运营人员的 B2C 无人机租赁平台。系统围绕“选机、资质、下单、支付、发货、收货、退租、故障报修、维保、评价”形成业务闭环，并在用户端嵌入 AI 咨询顾问，用于机型推荐、规则问答、订单状态解释、资质提醒和故障报修引导。

当前代码已经从早期的 Java 8 / Spring Boot 2.7 形态升级为 Java 21 / Spring Boot 3.5.13，并补齐了 Spring AI Tool Calling、MCP、AI Memory、Cursor、Dify/Coze 接线说明以及可选 Python LangChain/LangGraph Agent 服务。AI 能力不是孤立聊天框，而是接入真实业务服务和数据库上下文的业务型智能体。

核心业务闭环：

1.用户浏览设备列表，根据品牌、类型、价格和库存筛选可租机型。

2.用户提交飞行资质，管理员审核后决定是否允许继续下单。

3.用户创建租赁订单，系统计算租赁天数、租金、押金和订单状态。

4.用户完成模拟支付后，管理员发货，用户确认收货并进入租赁中状态。

5.租赁结束后用户申请归还，管理员确认归还或退款。

6.出现设备异常时，用户提交故障上报，管理员审核并创建维保工单。

7.订单完成后用户评价，管理员可以回复、屏蔽或删除评价。

8.AI 咨询顾问贯穿浏览、下单、资质、订单和故障流程，提供上下文感知的辅助决策。

技术栈：

层级	组件	职责
客户端层	Vue 3、Vite、Element Plus、Pinia、Axios、ECharts	用户端、管理端、AI 咨询浮窗、路由守卫和 API 调用
接口层	Spring MVC Controller、JWT Interceptor、Admin Interceptor、MCP Interceptor	REST API、登录鉴权、管理员权限、外部 AI 工具鉴权
业务层	Service / ServiceImpl、AI Tool、AI Memory、Trace Recorder	用户、设备、订单、支付、资质、故障、维保、评价和 AI 业务编排
数据访问层	MyBatis-Plus、Mapper、Entity	业务表与 AI 表的 CRUD、分页、逻辑删除
AI 编排层	Spring AI ChatClient、OpenAI-compatible Provider、RAGFlow、Tool Calling、MCP、LangChain Client	云模型优先、工具调用、RAGFlow 降级、外部平台工具复用
数据存储层	MySQL 8、uploads 本地文件目录、RAGFlow 知识库外部服务	业务数据、上传文件、AI Trace、AI Memory 和知识库检索数据

系统框架图：

项目的视频教程地址，复制到浏览器，可以直接访问：

https://www.bilibili.com/video/BV1eQNe6PEMa/?spm_id_from=333.1387.homepage.video_card.click

系统截面图

用这个AI项目找工作足够了，都是主流的技术，技术非常多。

详细文档

详细的技术文档，已经整理好，教程非常详细，大家放心学习。

部分截图：

你好，我是程序员小孟。

最近我在一直更新AI 的项目，包含：LLM、SpringAI、SpringAI Alibaba、RAG、Funcation Calling、Graph 工作流、向量数据库、向量检索、MCP等最新的AI技术。

传统的技术找工作根本不行，AI的项目必须要安排上。

包含：智能商城、AI无人机租赁系统、AI乡村振兴系统。

当然还有七八个AI项目在不断飞速迭代中。

当然前面项目已经更新了非常多，还有：springboot、小程序、安卓、微服务各种项目，包含了大量的项目。

我已经更新了五年了。

AI详细文档学习

各种AI项目、文档、教程，我在持续更新中。

拥抱技术，拥抱AI。

商家AI客服系统

✨ 项目描述

OmniShopAI 是一个前后端分离的 AI 商家智能体项目，围绕“智能商城 + 商家运营 + AI 咨询助手”构建完整业务闭环。

项目包含三部分核心系统：

frontend-user：用户端商城，负责商品浏览、购物车、结算、订单、优惠券、公告、留言、AI 对话等业务。
frontend-admin：管理端后台，支持管理员与商家角色共用一套管理系统，覆盖商品、分类、订单、优惠券、轮播图、公告、留言、用户与数据统计等模块。
backend：基于 Django + DRF 的统一 API 服务，提供认证鉴权、权限控制、业务数据管理、AI 对话接入与媒体资源服务。

这个项目适合以下场景：

作为毕业设计、课程设计、实训项目或开源作品集。
学习 Django RESTful API、Vue 3 前后端分离项目开发。
学习商城业务建模、RBAC 权限设计、订单流转与后台管理设计。
在现有基础上继续接入 RAGFlow、大模型网关或企业知识库。

🌟 项目亮点

支持用户端与管理端双端协同，业务链路完整。
支持普通用户、商家、管理员三类角色，适合学习 RBAC 权限模型。
具备商品、分类、购物车、订单、优惠券、留言、公告等标准电商模块。
管理端支持商家与管理员共用后台，便于学习多角色后台设计。
已预留 AI 智能客服接口，可继续接入外部大模型、RAGFlow 或自建知识库。
提供完整 SQL 导出文件，既可快速导入演示数据，也可走 Django 标准迁移流程。
目录清晰，模块划分明确，适合开源学习与二次开发。

系统的技术栈如下：

🧱 后端框架设计

采用 Django + DRF 构建统一 API 层，所有业务统一以 /api/* 形式提供。
使用 JWT 做前后端分离鉴权，避免传统 Session 模式在 SPA 场景下的耦合问题。
使用自定义用户模型 accounts.User，同时承载普通用户、商家、管理员三类身份。
使用 Role / Permission / RolePermission 实现可扩展的 RBAC 权限模型。
使用 Django ImageField + media 目录承载商品图、头像、店铺 Logo、轮播图等资源。

🧩 前端框架设计

用户端与管理端均使用 Vue 3 + Vite + Element Plus。
通过 Pinia 维护登录态、用户信息与权限码。
通过 Vue Router 管理页面访问，并在路由守卫中完成登录拦截。
开发环境通过 Vite Proxy 将 /api 统一代理到 Django 服务。

🔐 权限框架设计

粗粒度角色：user、merchant、admin。
细粒度权限：菜单权限、接口权限、按钮权限。
管理端路由通过 meta.roles 限制角色访问。
后端通过用户角色与权限码进一步控制数据访问。

🧠 架构设计

🗺️ 系统架构

🔄 核心调用链路

前端页面通过 /api 请求后端接口。
后端使用 JWT 校验当前用户身份。
业务模块完成商品、订单、优惠券、公告、留言、聊天等处理。
AI 对话接口按需转发到外部 AI 服务，并写入本地聊天记录。
最终结果返回给用户端或管理端页面展示。

🧱 后端模块划分

accounts：用户、角色、权限、商家资料、登录鉴权、统计汇总。
goods：商品分类、商品、商品图片、商品评论、轮播图。
orders：收货地址、购物车、购物车明细、订单、订单明细。
coupons：优惠券定义、用户优惠券。
marketing：公告、留言反馈。
chats：AI 会话与消息记录、外部 AI 对话接入。

🖼️ 项目截图

下面为截图预留位。你可以将图片统一放到 doc/images/ 目录，然后把占位内容替换成正式图片引用。

🛍️ 登录页面

🧑‍💼 管理端页面

🤖 AI 对话页面

截图占位：建议文件名 doc/images/ai-chat.png
可放内容：对话页、会话列表、AI 回复结果、知识引用展示

🚀 部署介绍

📦 环境要求

Python 3.11+
Node.js 18+，建议 20+
npm 9+
MySQL 8.x
可选：RAGFlow / 大模型网关 / 反向代理服务 Nginx

小浣熊云盘系统

项目描述

小浣熊网盘（smart-disk）是一个面向个人用户与平台管理员的在线网盘系统。系统围绕「存、管、享、预览」形成网盘业务闭环，并集成 智能文档（RAG）能力：用户可将授权范围内的文档建立向量索引，进行多轮检索问答；在在线预览场景下可提取文档要点摘要。

AI 能力不是独立演示页，而是通过 Java统一鉴权与文件归属校验后，内网调用 Python RAG 服务（local_rag-main）。向量检索、对话生成与会话持久化分工明确：MySQL 保存业务真相与 AI 台账，Chroma 保存向量，FastAPI 负责编排与模型调用。

系统的技术栈采用SpringBoot+Vue+MySQL+Python+Rag+LangChain+LangGraph+

Redis+Pinia

系统功能

作为系统使用入口，提供用户账号创建与身份验证能力，保障账号安全与系统访问权限控制。

核心文件管理

系统核心功能模块，覆盖文件全生命周期管理：

文件上传：支持分片上传、断点续传，提升大文件上传稳定性与效率。

文件操作：包含下载、删除、移动目录、重命名等基础操作，满足文件整理需求。

文件预览：支持视频、图片、文档等多格式文件在线预览，无需下载即可查看内容。

目录管理：可新增、删除、重命名目录，实现文件的结构化分类存储。

回收站管理

提供文件误删恢复机制：

支持文件还原，找回误删除的文件。

支持文件永久删除，释放存储空间。

文件分享

实现文件便捷协作与流转：

支持其他用户保存分享的文件。

可取消分享、设置分享有效期，灵活控制文件访问权限。

AI 集成

基于 RAG 技术赋能文档知识挖掘与交互：

文档管理：提取文档核心要点、针对文档内容提问，实现智能文档问答。

RAG 管理：支持导入 / 移除知识库、基于个人知识库对话聊天，将文件资产转化为可交互的知识资源。

核心业务闭环

1. 用户注册/登录后进入网盘主页，按分类或目录管理文件（上传、移动、重命名、删除）。

2. 用户在线预览 PDF/Office/文本等文档；预览工具栏可跳转「智能文档」并带入当前文件上下文。

3. 用户在「智能文档」中多选文件建立/更新知识库：Java 抽取纯文本 → 调用 RAG ingest → 写入 ai_file_index台账。

4. 用户创建会话并提问：Java 校验 threadId与fileIds归属→ SSE 代理 RAG 流式回答 → 流结束后 assistant 消息落库。

5. 用户可从知识库列表「从知识库移除」：删除 Chroma 向量并更新台账，不删除网盘原文件。

6. 用户删除网盘文件或清空回收站时，RagVectorCleanupService异步清理对应向量与台账。

7. 管理员通过后台管理系统设置、用户与文件运维；网盘核心读写不依赖 AI 服务可用性。

系统展示

带三端的AI智慧旅游项目

移动端

二，技术栈

后端（travel-api/pom.xml）：

技术	版本
Java	21
Spring Boot	3.2.2
MyBatis-Plus	3.5.15
MySQL Connector/J	8.0.33
Spring Security	6.x
jjwt (JWT)	0.11.5
Apache Mahout	0.13.0
LangChain4j	1.8.0-beta15
Spring WebFlux	—
Spring Data Redis	—
Lombok	1.18.30
Maven	—

前端（travel-vue-front/package.json）：

技术	说明
Vue 3	Composition API（Options API 风格）
Vite	构建工具
Vue Router	前端路由
Pinia	状态管理
Element Plus	UI 组件库
Axios	HTTP 请求
ECharts	图表

三，详细文档

为了帮助大家更好地学习、理解项目。

小孟整理了非常详细文档，看了文档，你可以快速理解项目。

先看文章，视频教程，我正在录制中。

推荐一个牛逼的少儿编程网站

1，项目演示

2，技术栈

小孟一直都是用的常用的技术栈。

类别	技术	版本 / 说明
后端框架	Spring Boot	2.7.18
开发语言	Java	1.8
持久层	MyBatis-Plus	3.5.3
安全鉴权	JWT (jjwt)	0.9.1，HS256 对称加密
推荐算法	纯 Java 矩阵分解	隐语义模型（GMF），不依赖 Python/TensorFlow
AI 能力	OpenAI 兼容接口	用户自配 API Key，默认 DeepSeek
数据库	MySQL	8.0（库名 `kids_coding_db`，端口 3306）
前端框架	Vue3 + Vite	3.5.25 / 7.3.1
UI 组件	Element Plus	2.13.2
状态管理	Pinia	3.0.4
图表	ECharts	6.0.0
代码编辑器	CodeMirror	6.x（JavaScript / Python）
富文本编辑器	WangEditor	5.x
构建工具	Maven / npm	后端 mvn、前端 npm

技术架构图

系统架构

系统按职责分为四层（因要求不生成图片，此处以文字+表格描述，未嵌架构图）：

层级	技术 / 模块	职责
表现层	Vue3：`frontend`（端口 3000）	用户交互、表单、图表、代码编辑器
网关 / 代理	Vite DevServer Proxy	请求转发（`/api` → 8080）、CORS
业务层	Spring Boot（`backend`，端口 8080）	控制层 / 服务层 / 持久层
算法层	纯 Java 矩阵分解推荐引擎	个性化课程推荐（GMF）
AI 层	OpenAI 兼容接口（用户自配）	AI 编程助手、代码错误分析、代码生成
数据层	MySQL 8.0（库 `kids_coding_db`，端口 3306）	15 张业务表

系统架构图

主要功能清单

模块	核心功能	说明
用户与鉴权	登录 / 注册 / 角色路由	学生、家长、教师、管理员四类角色
课程管理	课程发布、审核、上下架、查询	管理员维护，支持分类/难度筛选
课程学习	报名、进度跟踪、完成课程	学生端学习仪表盘
在线练习	按课程答题（题库）、即时判分	单选/判断题，自动评分
错题本	错题记录与重练	学生端错题管理
家校互动	家长查看孩子学习进度、留言	绑定多个孩子，亲子互动
教师管理	题库管理、留言回复	教师端工作台
系统公告	公告发布、查看	管理员发布，全站可见
首页轮播	轮播图管理	管理员配置，前台展示
数据统计	平台运营看板	ECharts 图表（用户/课程/报名统计）
在线编程	CodeMirror 编辑器，浏览器内运行	JavaScript（沙箱 iframe）/ Python（Pyodide）
AI 编程助手	全站悬浮流式聊天	用户自配 API Key，SSE 流式输出
代码错误分析	运行报错一键 AI 分析	返回 Markdown 格式错误解析
代码生成	按需求描述生成代码	AI 生成 JavaScript / Python 代码
编程竞技场	比赛/任务浏览，前端本地判题	测试用例自动判题，评论区互动
评论管理	评论筛选、标记违规/恢复/删除	管理员审核，敏感词过滤
个性化推荐	矩阵分解课程推荐	纯 Java 实现，基于学习历史推荐

功能模块图

3，详细文档

项目的文档是非常详细的，看了文档你也可以快速搞出来和秒懂项目。

如果基础、脚手架还不会的话，可以直接去看教程，我也整理过详细的教程了。

https://www.bilibili.com/video/BV1pKSLBMECD/?spm_id_from=333.1387.search.video_card.click&vd_source=e64f225fc5daf048d2687502cb23bb3b

：

基于Django+Vue3+LSTM+TensorFlow+Agent+爬虫++大屏的天穹智象天气预报系统

二，技术详细介绍

系统的技术栈如下所示：

层次	技术	在系统中的职责
前端	Vue 3、TypeScript、Vite、Vue Router、Pinia	单页应用、路由权限、状态管理与按需加载
展示	Element Plus、ECharts	表单/表格与趋势、全国地图等可视化
后端	Django 4.2、Django REST Framework	函数视图 API、认证、业务编排、统一响应
实时与异步	Django Channels、Celery、Redis	WebSocket 进度推送、长任务投递、任务状态与消息代理
数据	MySQL 8、Redis 7	天气/业务数据持久化；缓存、Channel Layer 和 Celery broker/result
智能计算	TensorFlow、scikit-learn、pandas	城市级 LSTM 模型训练、归一化和七日预测
对话能力	OpenAI 兼容 LLM（默认可配 DeepSeek）	工具意图识别、数据结果自然语言润色与 SSE 输出

系统项目框架讲解：

主题	主要源码位置	建议阅读顺序
采集、任务、进度	`backend/api/crawler.py`、`backend/api/tasks.py`、`backend/api/consumers.py`、`backend/api/routing.py`	先任务，再采集器和推送
LSTM 预测	`backend/api/ml_models/weather_predictor.py`、`backend/api/prediction_service.py`、`backend/api/prediction_utils.py`	先服务入口，再模型与数据准备
Agent 与 SSE	`backend/api/agent_router.py`、`backend/api/agent_tools.py`、`backend/api/agent_llm.py`、`backend/api/views.py`	先白名单，再路由与流式视图
大屏地图	`frontend/src/views/admin/BigScreenView.vue`、`frontend/src/components/bigscreen/ChinaMapPanel.vue`、`backend/api/geo_mapping.py`	先接口数据，再地图交互
批量分析	`backend/api/urls.py`、`backend/api/views.py`、`frontend/src/views/admin/AnalyticsView.vue`	先路由定位，再查看查询/展示
全局配置	`backend/weather_system/settings.py`、`frontend/package.json`	核对依赖与环境变量

三，详细的文档

系统的功能框架：

系统爬取数据从weather.com.cn 获取天气数据。城市编码集中维护。全量任务按城市逐个抓取，并使用随机间隔降低对上游的冲击；采集结果写入 Forecast 和 WeatherData。任务由 Celery Worker 执行，管理接口返回 202 Accepted 与 task_id，不让浏览器请求等待完整采集结束。

流程图如下：