AI赋能微信小程序:打造智能答题系统的全流程实践

Python:同花顺全数据接口 # -*- coding: utf-8 -*- from iFinDPy import * from datetime import datetime import pandas as pd import time as _time import json from threading import Thread,Lock,Semaphore import requests sem = Semaphore(5) # 此变量用于控制最大并发数 dllock = Lock() #此变量用来控制实时行情推 阅读详情

1. 为什么你的答题小程序需要AI?

几年前,我帮一个教育机构开发过一个传统的答题小程序。上线后,数据让我有点尴尬:用户平均完成一套题目的比例不到40%,大部分人在中途就退出了。问了一圈,反馈很直接:“题目太难了,做着做着就没信心了”、“老是重复做我会的题,没意思”、“错了也不知道为什么,感觉白做了”。

那时候,小程序就是个“电子答题卡”。它负责出题、判对错、算分数,流程是线性的、冰冷的。用户和题目之间没有对话,系统对用户一无所知。这就像让一个学生永远做同一本练习册,不管他基础好坏,也不管他上次错在哪里。

直到我开始把AI能力接进去,整个事情才发生了质变。AI带来的不是一点点功能优化,而是一种全新的产品逻辑:从“人适应系统”变成了“系统适应人”。

一个智能答题系统,核心目标应该是“高效地帮助用户掌握知识”,而不是“简单地完成一次测试”。AI在这里能扮演三个关键角色:

  1. 最懂你的出题老师:它不再随机或固定顺序出题,而是能根据你当前的水平、薄弱点,甚至是你做题时的犹豫时长,动态推荐最适合你当下练习的题目。避免“会的重复做,不会的永远怕”。
  2. 随时在线的批改助教:对于选择题、判断题,判对错很简单。但AI能做得更多。比如,对于填空题,它可以理解语义相近的答案;对于简答题,它能给出要点分析和评分,而不仅仅是一个冰冷的“错”。
  3. 你的专属学习路径规划师:考完试,AI不会只给你一个分数。它会分析你的答题记录,生成一份详细的“能力画像”,告诉你“函数应用”是强项,“数列问题”是弱项,并自动规划出一条从易到难、针对性强的复习路径。

简单说,没有AI的答题系统,是在“考核”用户;而融入AI的智能答题系统,是在“陪伴”和“辅导”用户成长。接下来,我就以一个实战项目的全流程,带你看看怎么把这些酷炫的想法,一步步变成微信小程序里可运行、可体验的智能功能。

2. 动手之前:明确需求与技术选型

在敲第一行代码之前,想清楚“要做什么”和“用什么做”至关重要。盲目开始,后期很容易推倒重来。

2.1 拆解核心智能需求

基于我们想让系统“更懂用户”的目标,我通常会梳理出以下几个核心的AI赋能点:

  • 智能题目推荐:这是提升用户体验最直接的一环。系统需要能根据用户的历史行为(答题正确率、错题标签、在某道题上的停留时间)实时计算,在题库中筛选出对用户价值最高的“下一题”。这能有效避免枯燥感,提升学习效率。
  • 答案智能批改与解析:超越简单的字符串匹配。对于客观题,要支持模糊匹配(比如“李白”和“诗仙李太白”);对于主观题,如简答、编程题,则需要接入大模型的文本理解能力,进行要点评分和生成个性化解析。
  • 个性化学习报告与路径:每次练习或考试后,系统不应只展示分数。AI需要综合分析整份答卷,生成可视化报告,指出知识薄弱点,并推荐接下来应该重点练习的章节或题目类型,形成“测试-分析-规划”的闭环。
  • 交互体验优化:利用AI优化UI/UX。例如,通过分析用户的点击热区和滑动习惯,微调按钮位置或翻页动效;或者,在用户连续答错时,自动弹出更基础的引导性提示,而不是千篇一律的“答案解析”。

2.2 关键的技术选型决策

技术栈的选择直接决定了开发效率和系统能力上限。我的选型思路是:核心AI能力用成熟云服务,快速集成;业务逻辑自己掌控,保证灵活性。

1. 微信小程序端:

  • 基础框架:毫无疑问,使用微信小程序原生开发框架。它成熟、稳定、文档丰富,能直接调用所有微信能力。对于需要快速上线和稳定运行的项目,原生开发依然是首选。
  • 状态管理:对于智能答题系统,用户状态、答题记录、AI推荐结果等数据流动复杂。我推荐使用 Wechat MiniProgram Store 或 mobx-miniprogram 这类轻量级状态管理库,会让数据流清晰很多。
  • UI组件库:为了保持开发速度,可以选择像 Vant Weapp 或 iView Weapp 这样的高质量UI库。但注意,智能系统的交互可能比较独特,很多自定义组件仍需自己开发。

2. 服务端与AI能力:

  • 后端语言:Node.js (Express/Koa) 或 Python (Flask/FastAPI)。两者都对AI集成非常友好。我个人更倾向Python,因为在后续对接各类AI模型时,Python生态有天然优势。
  • AI云服务选型(这是重点):
    • 大模型API:用于智能批改、解析生成、报告润色。国内场景下,阿里云通义千问、百度文心一言、腾讯混元的API都是合规、稳定且容易接入的选择。根据我的实测,在中文理解和教育场景下,它们的效果都很不错。绝对不要考虑任何未经批准或来源不明的境外模型服务。
    • 机器学习平台:对于智能推荐功能,你需要一个算法模型来为用户和题目“打分”。自己从零训练成本太高。可以直接使用 阿里云PAI 或 腾讯云TI-ONE 这样的平台,它们提供了完整的推荐算法框架,你只需要准备好用户行为和题目数据,通过拖拽配置就能快速得到一个可用的推荐模型,并通过API提供给小程序调用。
    • 向量数据库:如果你的题库很大,且想实现“根据一道题找相似题”的功能,就需要向量数据库来存储题目的语义向量,实现快速检索。腾讯云VectorDB 或 阿里云向量检索服务 都是与小程序生态结合紧密的选择。
  • 数据存储:用户数据、答题记录、题目库等结构化数据,用MySQL或PostgreSQL。缓存用Redis。题目相关的图片、音频等资源,直接使用微信小程序云存储或对应云平台的OSS服务,非常方便。

3. 通信与安全:

  • API通信:使用HTTPS,并在请求头中携带小程序登录后获取的 openid 和 session_key 衍生的自定义令牌进行身份验证。
  • 敏感数据处理:用户的答题数据是隐私。确保AI接口调用时,如果需要传输题目和答案内容,使用平台提供的内容安全审核接口先过一遍滤,避免潜在风险。所有涉及用户数据的AI处理,都应在其隐私政策明确告知的前提下进行。

3. 核心功能实现:将AI融入每个环节

理论说完了,我们进入最实在的环节——怎么写代码。我会用最关键的几个功能模块来举例。

3.1 构建智能题库与数据模型

传统的题库可能就是一个 questions 表,存着题干、选项、答案。但对于智能系统,这远远不够。

我们需要给题目“打标签”、“做向量化”,让它能被AI理解。数据模型设计可以这样扩展:

// typings/question.d.ts
interface IntelligentQuestion {
  _id: string; // 题目ID
  content: string; // 题干文本
  options: QuestionOption[]; // 选项
  correctAnswer: string | string[]; // 正确答案
  explanation: string; // 基础解析
  // --- 以下是智能扩展字段 ---
  knowledgeTags: string[]; // 知识点标签,如 [“二次函数”, “最值问题”]
  difficulty: number; // 难度系数,0-1
  semanticVector?: number[]; // 题干的语义向量(由AI模型生成后存入)
  recommendWeight: number; // 全局推荐权重
}

interface UserAnswerRecord {
  userId: string;
  questionId: string;
  userAnswer: string;
  isCorrect: boolean;
  timeSpent: number; // 答题耗时(毫秒)
  timestamp: Date;
  // 可以记录用户当时是否“犹豫”(如多次修改答案)
  hesitationFlag: boolean;
}

在后端,我们需要一个服务,当管理员新增题目时,自动调用NLP模型(如通义千问的Embedding接口)为题干生成 semanticVector,并自动分析题目内容,建议 knowledgeTags。这样,你的题库从一开始就是“AI就绪”的。

3.2 实现动态智能题目推荐

这是让用户“上瘾”的关键。推荐逻辑可以放在用户点击“下一题”时触发。

前端(小程序) 需要做的很简单,就是携带用户当前状态去请求推荐接口:

// pages/quiz/quiz.js
Page({
  data: { currentQuestion: {}, recommendedNextId: null },

  // 用户答完当前题后
  onAnswerSubmit(userAnswer) {
    // 1. 保存当前题答案
    this.saveAnswer(userAnswer);
    // 2. 请求推荐下一题
    this.requestNextQuestion();
  },

  async requestNextQuestion() {
    const res = await wx.request({
      url: 'https://your-api.com/api/recommend/next-question',
      method: 'POST',
      header: { 'Authorization': `Bearer ${getToken()}` },
      data: {
        userId: getUserId(),
        currentQuestionId: this.data.currentQuestion._id,
        // 可以传入本次答题的表现,供后端实时调整策略
        lastAnswerCorrect: this.data.lastAnswerCorrect,
        lastTimeSpent: this.data.lastTimeSpent
      }
    });
    if (res.data.success) {
      this.setData({ recommendedNextId: res.data.nextQuestionId });
      // 3. 加载推荐的具体题目详情
      this.loadQuestion(res.data.nextQuestionId);
    }
  },
});

后端(Python示例) 的逻辑是核心。这里展示一个简化的混合推荐策略:

# app/recommendation_engine.py
from typing import List
import numpy as np
# 假设你已接入云平台的推荐算法API和向量数据库客户端

class HybridRecommender:
    def __init__(self, user_id: str):
        self.user_id = user_id

    def recommend_next_question(self, current_q_id: str, last_performance: dict) -> str:
        candidate_questions = []

        # 策略1:基于薄弱知识点的推荐(协同过滤思想)
        weak_tags = self._get_user_weak_knowledge_tags()
        if weak_tags:
            questions_by_weak_tag = self._fetch_questions_by_tags(weak_tags, limit=20)
            candidate_questions.extend(questions_by_weak_tag)

        # 策略2:基于相似题目的拓展(内容过滤思想)
        if current_q_id:
            similar_questions = self._fetch_semantically_similar_questions(current_q_id, limit=15)
            candidate_questions.extend(similar_questions)

        # 策略3:全局热门或高质量题目(兜底策略)
        if len(candidate_questions) < 10:
            hot_questions = self._fetch_high_quality_questions(limit=10)
            candidate_questions.extend(hot_questions)

        # 去重,并按综合得分排序
        unique_questions = self._deduplicate_and_rank(candidate_questions, last_performance)

        # 返回排名第一的题目ID
        return unique_questions[0]['question_id'] if unique_questions else None

    def _get_user_weak_knowledge_tags(self) -> List[str]:
        """分析用户历史错题,提取错误率最高的知识点标签"""
        # 这里查询数据库,计算用户各标签的错误率
        # 返回错误率超过阈值(如40%)的标签列表
        # 示例:return ["三角函数化简", "立体几何体积"]
        pass

    def _deduplicate_and_rank(self, questions: List[dict], performance: dict) -> List[dict]:
        """去重并计算每道题的最终推荐得分"""
        # 简单的打分公式示例:得分 = 难度适配度 + 知识点紧迫度 - 近期做过
        ranked = []
        for q in questions:
            score = 0
            # 难度适配:用户最近正确率低,则推荐稍低难度题
            if performance['last_answers_wrong'] > 3:
                score += (1 - q['difficulty']) * 0.5
            # 知识点紧迫度:题目标签在用户薄弱标签中,则加分
            score += len(set(q['tags']) & set(self.weak_tags)) * 0.3
            # 近期曝光惩罚:最近做过的题减分
            score -= self._get_recent_exposure_penalty(q['id']) * 0.2
            ranked.append({**q, 'recommend_score': score})
        ranked.sort(key=lambda x: x['recommend_score'], reverse=True)
        return ranked

这个推荐器结合了多种策略,比单一算法更鲁棒。实际项目中,你可以先用这样的规则引擎快速上线,后期再逐步接入更复杂的机器学习模型。

3.3 集成大模型进行智能批改与解析

对于填空题和简答题,智能批改能极大提升体验。我们以一道简答题为例。

前端 提交答案时,除了题目ID和用户答案,最好能附带题目题干和标准答案要点(可从题库取出),帮助大模型更好地判断。

// 提交简答题答案
async submitOpenEndedAnswer() {
  const payload = {
    questionId: this.data.questionId,
    questionText: this.data.questionText, // 题干
    standardAnswerPoints: this.data.standardAnswerPoints, // 标准要点(数组)
    userAnswer: this.data.userInputAnswer // 用户输入的答案
  };

  const res = await wx.request({
    url: 'https://your-api.com/api/ai/grading',
    method: 'POST',
    data: payload
  });

  if (res.data.success) {
    // 接收AI返回的结果
    this.setData({
      aiGrading: {
        score: res.data.score, // 得分(如0.8,表示80%匹配度)
        isCorrect: res.data.score > 0.6, // 设定一个阈值
        feedback: res.data.feedback, // AI生成的评语
        detailedAnalysis: res.data.analysis // 对用户答案的逐点分析
      }
    });
  }
}

后端 调用大模型API。这里以调用阿里云通义千问为例(需先安装SDK):

# app/ai_grader.py
from openai import OpenAI # 这里使用OpenAI兼容的SDK,实际配置为通义千问的Endpoint
import os

class AIGrader:
    def __init__(self):
        # 配置为通义千问的API(示例,请根据官方文档配置)
        self.client = OpenAI(
            api_key=os.getenv('DASHSCOPE_API_KEY'),
            base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
        )

    def grade_open_ended_answer(self, question_text, standard_points, user_answer):
        # 构建一个清晰的Prompt,让模型扮演“老师”
        prompt = f"""
        你是一位严格的学科老师。请批改以下学生的答案。

        **题目:** {question_text}
        **标准答案要点:** {', '.join(standard_points)}
        **学生答案:** {user_answer}

        请按以下步骤执行:
        1. 判断学生答案是否涵盖了核心要点。按覆盖比例给出一个0-1之间的分数。
        2. 指出学生答案中的具体错误或遗漏。
        3. 用鼓励性的语气生成一段简短的评语。
        请以JSON格式回复,包含 `score`, `errors_omissions`, `feedback` 三个字段。
        """

        try:
            response = self.client.chat.completions.create(
                model="qwen-max", # 指定模型
                messages=[{"role": "user", "content": prompt}],
                temperature=0.2, # 低温度,让输出更确定
                response_format={ "type": "json_object" } # 要求返回JSON
            )
            result = json.loads(response.choices[0].message.content)
            return {
                "success": True,
                "score": result.get("score", 0),
                "feedback": result.get("feedback", ""),
                "analysis": result.get("errors_omissions", "")
            }
        except Exception as e:
            # 记录日志,并返回一个兜底的错误结果
            print(f"AI批改接口调用失败: {e}")
            return {
                "success": False,
                "score": 0,
                "feedback": "系统暂时无法评估此答案,请参考标准解析。",
                "analysis": ""
            }

重要提示:在实际生产环境中,一定要对 user_answer 和返回的 feedback 进行内容安全审核,确保符合规范。同时,这种调用涉及成本,可以对简答题先进行简单的关键词匹配过滤,只有匹配度不高、需要人工评判的答案才调用大模型,以节约资源。

3.4 生成个性化学习报告与路径

考试结束后,立即生成报告。这个报告可以由后端服务聚合数据,并再次调用大模型的“总结归纳”能力来润色生成。

后端处理流程:

  1. 数据聚合:收集本次考试所有题目的答题详情(用户答案、正确答案、耗时、所属知识点)。
  2. 基础分析:计算各知识点的正确率、平均耗时,找到Top 3的薄弱知识点。
  3. AI润色:将基础分析数据(结构化)扔给大模型,让它生成一段自然、鼓励性、有指导意义的总体评语。
  4. 路径规划:根据薄弱知识点,从题库中筛选出对应标签、难度适中的题目,组成一个“推荐练习包”,并生成一个为期几天的简单学习计划(如“每天攻克5道‘三角函数’题目”)。
# 生成报告的核心函数示例
def generate_learning_report(exam_record_id):
    # 1. 获取考试数据
    record = get_exam_record(exam_record_id)
    details = get_exam_details(exam_record_id)

    # 2. 基础分析
    analysis_by_tag = {}
    for detail in details:
        for tag in detail['question']['knowledgeTags']:
            if tag not in analysis_by_tag:
                analysis_by_tag[tag] = {'total': 0, 'correct': 0, 'total_time': 0}
            analysis_by_tag[tag]['total'] += 1
            if detail['is_correct']:
                analysis_by_tag[tag]['correct'] += 1
            analysis_by_tag[tag]['total_time'] += detail['time_spent']

    weak_tags = []
    for tag, data in analysis_by_tag.items():
        accuracy = data['correct'] / data['total']
        avg_time = data['total_time'] / data['total']
        if accuracy < 0.6 or avg_time > 60000: # 正确率低于60%或平均耗时超过1分钟
            weak_tags.append({'tag': tag, 'accuracy': accuracy, 'avg_time': avg_time})

    weak_tags_sorted = sorted(weak_tags, key=lambda x: x['accuracy'])[:3]

    # 3. 调用AI生成评语
    ai_comment = call_ai_for_comment(overall_score=record.score, weak_tags=weak_tags_sorted)

    # 4. 生成推荐练习包
    recommended_questions = []
    for weak in weak_tags_sorted:
        qs = fetch_questions_by_tag(weak['tag'], difficulty='medium', limit=3)
        recommended_questions.extend(qs)

    # 5. 组装报告
    report = {
        'exam_summary': {'score': record.score, 'total_questions': len(details)},
        'weakness_analysis': weak_tags_sorted,
        'ai_commentary': ai_comment,
        'recommended_practice': recommended_questions[:10], # 最多推荐10道
        'suggested_plan': f"建议未来3天,每天花15分钟练习上述推荐题目,重点关注'{weak_tags_sorted[0]['tag']}'。"
    }
    return report

4. 开发避坑指南与性能优化

把功能做出来是一回事,做得稳定、流畅是另一回事。我在这个过程中踩过不少坑。

4.1 常见的“坑”与解决方案

  • AI接口延迟与超时:大模型API的响应时间可能在1-3秒,直接同步调用会导致前端卡死。
    • 解:所有AI调用必须异步化。前端提交答案后,立即显示“答案已提交,AI正在批改…”,然后通过WebSocket或短轮询从后端获取批改结果。答题主流程绝不能等待AI。
  • 推荐结果不稳定:有时推荐的题目过于简单或重复。
    • 解:在推荐引擎中加入“多样性惩罚”和“探索机制”。例如,记录用户近期看到的题目ID,在打分时给予惩罚;同时,可以设置一个小概率(如5%),完全随机推荐一道题,用来探索用户潜在的新兴趣点。
  • AI生成内容不可控:大模型可能生成奇怪的评语或解析。
    • 解:设计严格的Prompt,并设置temperature参数为较低值(如0.2)。在返回结果给前端前,必须进行内容安全过滤。可以设计一个审核层,如果AI返回的内容包含敏感词或完全无关信息,则替换为预置的、安全的通用文案。
  • 小程序包体积过大:引入了AI相关的SDK和大量工具库。
    • 解:充分利用微信小程序的分包加载功能。将AI批改、学习报告等非首屏必需的页面和组件打到独立的分包中。主包只保留核心答题流程。

4.2 用户体验优化细节

  • 加载态设计:在请求题目、提交答案、生成报告时,设计优雅的加载动画(如骨架屏),告知用户系统正在思考,避免白屏。
  • 本地缓存策略:用户答过的题目、生成的报告,可以在小程序本地使用 wx.setStorage 进行缓存。下次进入时优先展示本地内容,同时后台静默更新,实现“秒开”体验。
  • 容错与降级:智能是加分项,不是必选项。当AI服务不可用时(如网络问题、API限额耗尽),系统必须能优雅降级。例如,智能批改失败,自动切换为基于标准答案的简单匹配;推荐服务失败,则按题库默认顺序出题。核心答题功能必须永远可用。

4.3 成本控制建议

AI服务是按调用量收费的,无节制地使用会让项目很快破产。

  • 缓存AI结果:对于同一道题目的标准解析,生成一次后就可以存入数据库,以后所有用户都直接读取,无需重复调用AI。对于常见的错误答案,也可以缓存AI生成的针对性评语。
  • 阈值与开关:在管理后台设置AI功能的开关。例如,只在用户付费后开启“智能详细解析”;或者,限制免费用户每天只能使用5次AI批改。
  • 选择合适的模型:大模型有不同规格,能力越强越贵。对于批改和生成评语,不一定需要最顶级的模型,中等规格的模型通常就能达到很好的效果,成本却能降低不少。多做一些测试,找到性价比最高的那个。

走到这一步,一个拥有“智能内核”的答题小程序已经基本成型了。从死板的答题卡,进化成一个懂你、帮你、引导你的智能学习伙伴,这种体验的提升是革命性的。我始终记得第一个内测用户给我的反馈:“感觉不像是在做题,像是在和一个有耐心的老师对话。” 这就是技术应有的温度。最后,别忘了在正式发布前,进行全面的测试,特别是弱网环境下AI服务降级后,核心流程是否依然顺畅。

本地Pycharm连接远程服务器详细配置过程(直接在本地使用服务器显卡,很棒) 相信很多人都遇见过这种情况:实验室成员使用同一台服务器,每个人拥有自己的独立账号,我们可以使用服务器更好的配置完成实验,毕竟自己哪有money拥有自己的3090呢。 阅读详情

相关推荐

idea 编译打包nacos2.0.3源码,生成可执行jar 包常见问题

idea 编译打包nacos2.0.3源码,生成可执行jar 包常见问题

fyihdg的专栏 1218

答题系统小程序的设计与实现

在这个信息爆炸的时代,人们面临着海量的知识和信息,如何高效地获取和消化这些信息成为了一项重要的能力。而在学习过程中,答题是检验对知识掌握程度的重要方式之一。为了帮助大家更好地进行答题练习,提升学习效率,我们开发了一款智能答题小程序。这款答题小程序不仅提供了丰富多样的题库,涵盖了各个学科领域的题目,还结合了人工智能技术,为用户提供个性化的答题辅助服务。用户可以根据自己的学习需求和兴趣选择不同的题目类型进行练习,从而全面提升自己的知识水平。本次更新中,我们进一步优化了答题小程序的功能和用户体验。

qq_52144597的博客 1716

【卫星语音通信】神经网络语音编解码算法:AudioDec

最新研究表明,通过深度学习模型对语音信号进行智能压缩与重建,可在12 kbps码率下实现48 kHz采样率的高保真语音还原,其主观音质评分(MOS)可达3.9分(满分4.27分),远超传统参数编码技术。这意味着未来卫星电话的通话质量有望达到CD级水准,而蜂窝网络的语音业务带宽需求可降低60%以上,为蜂窝和卫星网络中的大规模物联网语音交互铺平道路。它的诞生为神经音频编解码技术带来了一次重要升级,有助于让未来实时语音交互更流畅、更清晰,也让我们进一步体验到人工智能与音频信号处理结合所带来的创新可能性。

u011376987的博客 1473

基于微信小程序的在线答题小程序设计与实现

在线答题小程序

code袁的博客 3366

避坑指南:为什么你的conda环境装不上Mamba?从CUDA到ABI的深度排查

本文深入解析conda环境中安装Mamba架构时常见的CUDA版本冲突、ABI不匹配等问题,提供从基础检查到深度排查的系统化解决方案。针对`causal-conv1d`和`mamba-ssm`安装失败场景,详细讲解PyTorch版本绑定、编译器工具链兼容性等关键技术要点,并给出预编译wheel选择、动态链接库配置等实用修复方案。

weixin_33738555的博客 346

VPI与Matlab协同仿真:相干光通信接收端DSP算法全解析

本文详细解析了如何利用VPI与Matlab协同仿真,构建完整的相干光通信接收端DSP算法处理闭环。重点介绍了从VPI导出数据后,在Matlab中实现时钟恢复、偏振解复用和载波相位估计等核心算法的步骤与原理,并阐述了如何通过误码率计算完成仿真验证,为相干光通信系统算法研究与验证提供了高效实用的方法。

ll5678的博客 611

chatgpt赋能python:Python自动答题:让答题变得简单

Python自动答题程序是一种使用Python编写而成的程序,可以自动回答各种类型的问题,例如选择题、填空题、简答题等等。这个程序使用各种自然语言处理技术来分析问题,然后根据问题的类型和答案库来找到正确的答案。自动答题程序不仅可以用来参加各种答题比赛,也可以用来辅助学习和教学。本文由chatgpt生成,文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型,只是展现它原本的实力。对于颠覆工作方式的ChatGPT。

laod112的博客 908

制造业信息化的现实困局与未来展望:从基础到数字化的挑战与机遇

随着全球科技的发展和市场竞争的加剧,制造业的转型升级成为企业必须面临的挑战。在信息化和数字化的浪潮下,许多企业试图通过技术创新来提升自身竞争力。然而,现实情况是,绝大部分制造业企业的基本信息化都尚未完成,更遑论复杂的数字化。那么,制造业在信息化进程中面对哪些阻碍?未来又该如何实现从基础信息化到数字化的转型?

Yz2024的博客 2984

[特殊字符] 智能 AI 客服系统全景介绍:赋能客户服务,提升企业效率

一个智能及时的客服聊天系统

pinqian4859的博客 765

强化学习 reward 曲线可视化:从基础绘制到顶刊级对比分析

本文详细介绍了强化学习reward曲线的可视化方法,从基础绘制到顶刊级对比分析。通过matplotlib和seaborn的实战示例,展示了如何优化曲线图的视觉效果,包括多实验对比、置信区间添加和分面图应用。文章还分享了顶刊级图表的进阶技巧,如字体排版、颜色选择和关键标注,帮助研究者提升论文图表质量。

weixin_29096377的博客 272

倍福--TwinSAFE功能块的使用

在安全模块的程序设计中,输入变量取反,或者把PLC的变量连接到安全的功能块程序中, 操作流程 1.1. 功能块输出取反 例如修改IN,右击属性,然后可在Single-Channel选项中选择是NO还是NC的输入信号。 1.2. PLC标准变量作为安全程序的输入 1.2.1. 建立两个PLC变量 1.2.2. 安全程序区创建变量 1.2.3. 功能块变量链接 首先,PLC变量不能直接连到Estop功能块的输入变量中,否则会报错,但PLC可以连接到SafeAnd这些功能块,然后再转出来,如下所示

weixin_41883890的博客 5315

从“能对话”到“能办事”:打造能真正驱动业务深度赋能的水务AI Agent

通过构建“1个任务规划智能体 + N个垂直业务智能体”的协同架构,精准匹配水务业务逻辑,实现从“能对话”到“能办事”的跃迁,充分发挥生成式人工智能效能,实现水务服务核心场景的智能化赋能,持续为市民高品质生活和城市高质量发展注入强劲水务新动能。

2501_94005042的博客 279

计算机控制技术及应用

《计算机控制技术及应用》通过总结作者的科研成果和吸收国内外的先进理论、方法和技术,以计算机控制系统的网络化、开放化、智能化和集成化发展趋势为主线索,主要介绍计算机控制系统的基本概念和计算机控制系统的典型形式,计算机控制系统的数学描述与基本分析方法,以及数字PID控制器、最少拍控制系统、达林算法、状态变量设计法等设计方法及其各种改进算法。重点突出计算机控制系统输入输出通道接口的设计方法和典型控制系统的设计案例与实现方法等。

线上考试刷题系统开发:全开源考试答题源码(ThinkPHP+Uniapp+小程序)

系统的核心价值在于其​​全开源特性​​和​​多端覆盖能力​​。本系统基于​​ThinkPHP后端框架​​、​​Uniapp跨端开发框架​​和​​微信小程序​​,打造了一套功能完善、安全稳定且全端覆盖的开源解决方案。系统支持​​在线考试、题库管理、智能组卷、实时判分、数据分析​​等功能,适用于学校考试、职业认证、企业内训等多种场景,具有高度的灵活性和可扩展性。系统深度融合了​​智能组卷​​、​​数据分析​​与​​错题管理​​功能,将考试从单一的考核工具升级为精准的学习助手。

chuyouhuang的博客 5389

C# WinForm 基于DirectShow.dll编写的程序,可边预览边保存视频,音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择(默认选中第一个)2.可录制wmv和avi两种格式的视频并且都带有音频,avi可以录制的分辨率和帧数进行选择,wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照,也可边录制视频边拍照4.添加了视频和音频的压缩功能(酌情使用)这次二次开发发现C#对DirectShow的相关信息太少,这次做完也不敢藏私共享出来,还望大家指正

SAP B1中文培訓教材_SDK

公司内部培训资料,对开发工具 ,DIAPI, UIAPI,Add-ON有详细解说

基于微信小程序的环保知识科普平台的设计与实现

本文设计并实现一款基于原生微信小程序+SpringBoot+Echarts的环保知识科普平台。平台依托微信小程序轻量化、免安装、传播便捷的优势,结合后端SpringBoot框架高效开发、稳定运维的特性,搭配Echarts实现数据可视化统计分析,构建面向普通用户与管理员的双角色运维交互体系。系统涵盖用户管理、科普短视频、政策科普、积分答题、志愿活动、AI智能问答、环保举报、社区论坛等十余项核心功能,融入协同过滤推荐算法实现内容精准推送,支持多媒体举报、线上志愿报名、智能答疑等特色服务。

qq_33638415的博客 365

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

微信小程序打造智能在线考试选课系统,PostIn入门到实战(7) - 如何快速调试websocket接口。

微信小程序在线考试与选课教学辅助系统是一款针对教育场景设计的轻量化应用,整合了在线考试、课程管理和师生互动功能。系统采用前后端分离架构,前端基于微信小程序原生开发,后端使用Spring Boot+MySQL实现。

2501_94130774的博客 405

2026毕设选题-基于java个性化智能学习系统的设计与实现

本文提出构建一个Java个性化智能学习系统,以应对传统Java教育模式滞后与企业对高质量开发者需求旺盛之间的矛盾。该系统利用人工智能、大数据等技术,通过动态构建学习者画像和知识图谱,为每位学员生成自适应学习路径,实现精准内容推荐。核心功能包括交互式实战环境、智能代码评测与即时反馈,并结合社区化学习与游戏化激励维持学习动力。该系统旨在提升学习效率与实践能力,赋能教育者实现规模化因材施教,并为软件产业精准输送高素质人才,最终助力国家数字经济发展。

qq_44993286的博客 2065

计算机毕业设计springboot基于微信小程序的在线考研刷题系统 基于Java微服务架构的研究生入学考试智能练习平台开发 SpringBoot驱动的移动端考研题库学习与评测系统构建

移动互联网技术的飞速发展深刻重塑了在线教育生态。微信小程序凭借其"即用即走"的轻量化特性,已成为知识服务类应用的重要载体。与此同时,全国硕士研究生招生考试竞争日趋激烈,考生对高效、便捷的备考工具有着迫切需求。传统纸质刷题模式存在携带不便、错题整理困难、学习数据难以追踪等痛点,而现有部分在线平台又存在功能臃肿、操作复杂等问题。 在此背景下,构建一套深度融合微信小程序生态、依托SpringBoot后端架构的在线考研刷题系统,具有重要的实践价值。该系统旨在打通碎片化学习场景与系统化知识巩固之间的壁垒,通过智能化的

毕业设计-小章学姐 556

绝味食品x腾讯:首创中国零售行业AI会员智能体,较人工组实现3.1倍业绩突破

升级后的绝味AI会员智能体,首次实现了复杂营销链路的全智能化,企业营销和运营部门只需要“对话式”输入具体的营销活动要求,AI会员智能体便会智能完成从策略制定到执行落地的全过程,覆盖业务诊断、人群提取、权益/商品/内容匹配、触达策略设计、活动执行、效果复盘等营销环节,真正将企业的会员库从“消费数据”升级为可运营、可增值的“会员资产”,实现万人万面精准营销。长期以来,企业的营销面临着链路复杂、专业化决策多、匹配不精准等问题,陷入高投入难见水花、ROI低的困境,基于腾讯领先的技术能力和绝味深厚的行业经。

weixin_57213187的博客 823

潍坊景区如何建设AI导览系统?从规划到落地的完整实施方案

从济南到潍坊,山东景区的数字化升级正在加速演进。建设AI导览系统不仅是解决景区服务痛点的工具,更是提升景区品牌形象、实现降本增效的战略举措。通过科学规划与道可云等成熟技术的加持,潍坊景区完全有能力打造出一套具有本土特色、体验流畅的智慧导览系统,让齐鲁文化在数字时代焕发新的生机。无论是探寻“智慧景区建设方案”的济南同行,还是蓄势待发的潍坊文旅人,拥抱AI,正是拥抱文旅产业的美好未来。

道可云 216

微信小程序thinkphp_uniapp的在线考试模拟系统设计与实现_

微信小程序结合ThinkPHP和UniApp开发的在线考试模拟系统,旨在为用户提供便捷、高效的考试练习与评估平台。系统采用前后端分离架构,前端基于UniApp实现跨平台兼容性,后端依托ThinkPHP框架提供稳定服务,数据库选用MySQL存储用户信息、试题库及考试记录。系统核心功能包括用户身份验证、试题分类管理、智能组卷、模拟考试、自动评分与错题分析。用户通过微信授权登录,可自由选择不同难度和科目的试题进行练习。系统支持随机组卷和固定试卷两种模式,满足多样化需求。

qq2295116502的博客 1007

计算机毕业设计Java基于微信小程序的在线考研刷题系统 微信小程序上的考研复习助手系统基于 微信小程序的考研备考平台

在当今数字化时代,考研备考方式也在不断创新。传统的纸质资料和线下辅导班已无法满足考生对高效、便捷学习的需求。微信小程序作为一种新兴的移动应用形式,以其无需下载、即用即走的特点,为考研备考提供了全新的解决方案。基于微信小程序的在线考研刷题系统应运而生,它结合了移动设备的便携性和互联网的丰富资源,为考生打造了一个随时随地可以进行学习的环境。

毕设源码余学姐 968

计算机毕设Springboot基于微信小程序的在线考研刷题系统 基于Springboot框架的微信小程序考研在线刷题平台开发 微信小程序考研刷题系统:Springboot技术实现与应用

随着移动互联网的飞速发展,微信小程序以其便捷性、高效性迅速融入人们的生活。在教育领域,考研备考作为一项艰巨的任务,需要考生投入大量的时间和精力。传统的备考方式往往受限于时间和空间,难以满足考生随时随地学习的需求。基于此,开发一款基于微信小程序的在线考研刷题系统显得尤为必要。该系统利用Springboot框架的强大功能,结合微信小程序的便捷性,为考生打造了一个高效、个性化的学习平台。 在文档中,详细介绍了系统的开发过程、功能设计以及实现方式。系统的主要功能包括: 用户注册与登录:支持通过手机号、邮箱等方式注册

毕设源码-周学姐 1057

零一智联赋能制造业与商贸业数字化转型实战

【摘要】福建零一智联基于用友T+Cloud等产品体系,为制造业与商贸业提供数字化转型解决方案。针对制造业数据孤岛、设备运维滞后等痛点,通过实时数据中台和智能预警系统实现效率提升;商贸业则依托智能补货算法与全渠道数据融合优化库存与营销。案例显示,改造后企业生产效率提升40%-60%,库存周转率提高25%,设备故障率下降35%。针对中小企业提出分步上云策略,通过SaaS化方案降低转型门槛。强调数字化转型需组织适配与人才升级同步推进,建议从核心场景切入,以数据驱动实现渐进式升级。(150字)

abcyuu的博客 451

学之思开源考试系统:企业级在线考试平台的终极方案

学之思开源考试系统(XZS)是一款基于Java+Vue技术栈构建的现代化在线考试平台,专为教育机构、企业培训和技术认证场景设计。这款开源考试系统通过前后端分离架构实现了高效部署和灵活扩展,支持Web端和微信小程序多端访问,为企业用户提供了完整的考试管理解决方案。 ## 核心价值主张:为什么选择学之思考试系统? 在数字化教育快速发展的今天,传统考试方式面临诸多挑战:部署复杂、扩展困难、维护成本高

gitblog_00679的博客 344

chatgpt赋能python:Python在线搜题:高效、准确、方便

Python在线搜题是一种基于Python语言的在线搜索工具。它可以快速、准确地搜索各类题目,包括但不限于选择题、判断题、填空题、问答题等。用户只需要输入题目内容、问题描述、选项或答案等信息,即可快速找到答案。该工具可以大大节省用户的时间和精力,让用户更加专注于学习和考试。本文由chatgpt生成,文章没有在chatgpt生成的基础上进行任何的修改。以上只是chatgpt能力的冰山一角。作为通用的Aigc大模型,只是展现它原本的实力。对于颠覆工作方式的ChatGPT。

lvsetongdao123的博客 666

微信小程序的古诗词鉴赏平台

微信小程序创新打造古诗词鉴赏平台,有效破解传统文化传承困境。平台整合经典诗词资源,提供原文注释、译文赏析等多维解读,并开发跟读朗诵、趣味答题等互动功能,激发学习兴趣。依托微信小程序的轻量化特性与社交生态,实现碎片化学习与裂变式传播。未来可通过AI、AR等技术升级,构建"鉴赏-创作-传播"的文化生态,让经典文化焕发新活力。

2301_81127431的博客 916
上一篇: PD(Parallels Desktop)快速部署CentOS7:从ISO到基础设施服务器的完整指南
下一篇: Simulink进阶技巧:利用Blockset Designer打造高效自定义模块集
普通网友
博客等级 码龄27年 205粉丝 1502原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值