作品集 / Works

系统设计与研究

以下是我独立设计并交付的工程项目与研究成果，重点展示系统架构思路与关键技术决策。

工时管理 AI 助手

LangGraph · A-RAG · Function Calling

Claude Code MCP 接入

自然语言填报工时 · dry_run 预览

Claude Mesh

多 Agent 通讯中枢 · 22 MCP 工具

多模态内涝研究

CLIP · BERT · Bi-LSTM-CRF · 水深制图

01.

工时管理平台 AI 智能助手

LangGraphFastAPIMilvusvLLMBM25RedisMCPPrometheusDocker

独立从 0→1 设计并交付的企业级 AI Agent 系统，面向 500+ 员工的工时管理系统集成上线。覆盖需求分析、库表设计、AI 服务开发到 Docker 生产部署全流程。

斯维尔科技 · 2025.07 — 至今

系统演示

工时管理系统 AI 助手实际使用截图 — 工时管理平台主界面 + AI 助手浮窗（用户输入「帮我填工时」，AI 引导式追问项目与时长）

核心指标

500+服务员工数工时管理系统集成上线

50RAG 评测集覆盖工时/请假/福利等

87%意图分类精度2000 条测试集

P95 <3s查询响应时间端到端 SSE 流式响应

Agent 分层架构

L1A-RAG 问答

▹MultiQuery 改写 · 并行检索

▹BM25 + Milvus 混合

▹CrossEncoder 精排 Top-5

▹来源引用标注

✓ 已完成

L2Tool Agent

▹Function Calling 单次完成意图+参数

▹12 个业务工具

▹六级权限体系

▹双层记忆系统

✓ 已完成

L3DeepSearch

▹PlannerAgent 并行多工具

▹SQL Agent 自然语言转 SQL

▹三层安全校验

▹LLM 综合汇总

✓ 已完成

关键架构决策：将「意图分类→参数提取」两步级联 LLM 调用重构为单次 Function Calling，消除分类边界处的误差传播；规则路由降级为 LLM 不可用时的 fallback。

系统部署架构

用户浏览器

HTTPS

↕ SSE 流式响应

SpringBoot 后端 :8080

JWT 鉴权 · AIController · WebFlux SSE 代理

↕ HTTP SSE（内网）

FastAPI AI Service :8000

llm_with_tools

Function Calling 主节点

qwen3-8b (vLLM)

意图+参数单次完成

→

execute_tool

权限校验 → 工具执行

execute_rag

混合检索 + Reranker

plan_and_execute

PlannerAgent 并行多工具

execute_llm / clarify

RAG 管道

Milvus 60% + BM25 40%

jieba · MultiQuery

CrossEncoder Reranker

SQL Agent

自然语言 → SQL

三层安全校验

动态表选择

记忆系统

Redis 短期会话

BM25 长期偏好

Prompt YAML 热重载

Redis

短期会话 + 长期偏好

Milvus + etcd + minio

知识库向量存储

MySQL

业务表 + 审计日志

vLLM GPU 服务器

qwen3-8b + bge-large-zh

监控看板设计

Prometheus + Grafana · 10 panels

示意图（matplotlib 渲染）。生成脚本开源：grafana-mock-generator

RAG 检索管道

①

MultiQuery 改写

LLM 将问题改写为 3 种不同表述，并行检索，缓解语义漂移

②

EnsembleRetriever

Milvus 向量检索（60%）+ BM25 关键词检索（40%），jieba 中文分词

③

CrossEncoder Reranker

BAAI/bge-reranker-base 对候选文档重新打分，取 Top-5 精排

④

LLM 生成回答

ChatPromptTemplate (rag.yaml) + qwen3-8b 流式生成，附带来源标注

SQL Agent 安全设计

硬规则层 · 25%

语句白名单 + 黑名单

sqlparse AST 只允许 SELECT；关键字黑名单拦截 DROP / TRUNCATE / EXEC；列黑名单阻止敏感字段导出。明确恶意请求在此终止。

LLM 辅助层 · 75%

语义改写 + 意图澄清

模糊恶意请求（绕过黑名单的变体）由 LLM 语义理解判断并改写为安全 SQL，或拒绝并返回说明。

权限注入层

用户级 WHERE 约束

根据用户角色（employee / manager / admin …）自动在 WHERE 子句注入 user_id / dept_id 约束，员工无法查看越权数据。

工具参数智能解析层

// 核心问题

用户输入口语化（「上周张三的项目」），LLM 生成的工具参数不稳定且可能幻觉；同时需要将自然语言映射到精确的业务 ID（用户 ID、项目 ID）才能调用工具。

①

历史众数层命中率高

以 (user, project) 为 key，对历史工具调用记录时间加权取众数，直接映射口语化表达（"张三那个项目"）到业务 ID

cachetools.TTLCache 缓存解析结果，减少重复计算

②

LLM 白名单兜底层防幻觉

历史记录未命中时，将候选业务 ID 列表传给 LLM，要求从白名单中选择最匹配项，而非让 LLM 自由生成

避免 LLM 生成不存在的 ID，将"创意发散"约束为"选择题"

③

解析结果缓存TTL 缓存

cachetools.TTLCache 对解析结果按 (user, raw_input) 缓存，TTL 内相同口语化输入直接返回，不触发 LLM

解决 LLM 输出参数不稳定问题：同一表达每次调用 LLM 结果可能不同

Claude Code MCP 接入

mcp__workhour · 自然语言 → 工时填报

Claude Code 通过 MCP 工具填报工时演示 — 用户说「根据 git，填报我昨天的工时 7.5h」→ Claude Code 调用 mcp__workhour__save_workhour，先 dry_run 预览，确认后再写入；整个填报流程无需打开系统页面

02.

多模态城市内涝数据挖掘与制图

BERTCLIPzero-shotBi-LSTM-CRFNER多模态

硕士研究课题。设计多模态洪涝信息检索与严重程度识别框架，融合社交媒体文本与图像，自动提取洪涝位置信息用于洪水范围精确制图。

中国地质大学（武汉）· 2024.03 — 2025.03 · 论文在投 SCI

96%

洪涝分类 F1

较基线 +5%

79%

程度分类 F1

较基线 +8%

87%

位置 NER F1

Bi-LSTM-CRF

1000+

微博实验样本

人工标注 · 三级程度

技术路线

左侧多模态识别（CLIP + BERT 融合分类）；右侧位置提取（实体标注 + POI → BiLSTM-CRF）。

数据样例（人工标注）

微博图像三级严重程度标注，黄色虚线框为水深判定参考区域。

制图结果

郑州市辖区洪涝水深分布制图 — 郑州市辖区 SAR + 社交媒体 + DEM 综合插值结果（水深 0–200 cm）

03.

Claude Mesh — 多 Agent 通讯中枢

MCP ServerPythonFastAPINext.jsSQLiteWebSocketClaude Code

为 Claude Code 多窗口协作场景设计的轻量级消息总线。通过 22 个 MCP 工具，让多个 Claude Code 实例像真实团队成员一样协同工作：互发消息、领取任务、申请审批、触发定时任务。单文件 SQLite 存储，支持打包为独立 .exe 开箱即用。

个人开源项目 · 2025

github.com/lh229470989/claude-mesh →

实际运行演示

Claude Mesh Web Dashboard 实时看板 — Web Dashboard：左侧 Team Members 在线状态 + 中间消息时间线（任务状态变更、审批事件）+ 右侧任务看板（todo / in_progress / done）

Claude Mesh MCP 工具端到端消息传递演示 — Claude Code 调用 claude-mesh MCP 工具向另一个 Agent (bob) 发送消息；消息异步落库，bob 上线后 check_inbox 即可读取

核心数据

22MCP 工具覆盖消息/任务/审批/调度

9预设角色architect · backend · tester …

~4.6kPython 源码行不含测试与虚拟环境

0外部依赖SQLite 单文件，无需 Redis

系统架构

Claude Code #1

architect

Claude Code #2

backend

Claude Code #3

tester

↕ MCP Protocol (stdio / HTTP)

claude-mesh MCP Server

22 MCP Tools · Python 3.10+ · FastAPI :51734

↓

MessageBroker

消息路由

异步收件箱

TaskManager

状态机

审批流

AgentRegistry

在线状态

ScheduleManager

定时任务

技能包

↓ aiosqlite

SQLite (WAL)

消息 · 任务 · Agent 状态

定时任务 · 审批记录

Web Dashboard

Next.js + Tailwind

WebSocket 实时推送

MCP 工具分组

✉消息通信

send_messagecheck_inboxwait_for_messagereplyack_message

跨 Claude Code 窗口异步消息传递，支持 6 种消息类型

📋任务管理

create_taskupdate_tasklist_tasks

todo → in_progress → done 状态机，自动生成状态变更通知

✅审批流程

request_approvaldecide_approvallist_approvals

基于角色的审批网关，拒绝时自动将任务置为 blocked

⏱调度与技能

create_schedulelist_schedulesget_skilllist_skills

YAML 定义可复用技能包（code_review / root_cause / summarize…）

关键设计决策

异步收件箱模型解耦在线状态

消息发送方无需等待接收方在线；接收方 check_inbox 或 wait_for_message 均可消费，天然适配 Claude Code 窗口随时启停的使用场景。

SQLite 单文件存储零运维

放弃 Redis/Postgres，用 aiosqlite 异步操作本地数据库。多 Agent 写入通过 WAL 模式并发安全，打包为单 exe 后用户双击即用，无需安装额外服务。

YAML 角色与技能热定义可扩展

9 个预设角色和技能包以 YAML 描述，用户无需改代码即可添加自定义角色。技能包本质是 prompt 片段，Agent 调用 get_skill 后将内容注入上下文。

查看完整简历 →