和光同尘的案例列表

web智能体

企业服务-云计算 和光同尘

有状态工作流编排:基于LangGraph设计五节点状态图(合规+意图并行→条件路由→数据查询/分析→输出守卫→历史保存),自定义reducer实现状态增量传递(add_messages/merge_dict),确保流程可回溯、易扩展。 安全双栈与动态Schema:Tier1正则+Tier2 LLM两层合规检查,输出守卫防泄露;从INFORMATION_SCHEMA实时加载表结构,白名单注入Intent Prompt,消除硬编码与语义偏差。 2. 运行性能调优 并行化与LLM调用降本:合规Tier2与意图理解通过asyncio.gather并行执行,节省5~8s;分析节点按need_que...

web智能体
web智能体

高速流量智能预测系统

企业服务-云计算 和光同尘

背景及目标:未来交通指标粗暴使用历史平均,准确度差,不能考虑上下游影响。在团队时空预测算法积累较少,原始数据整体质量不高的情况下,使用合适的AI模型完成未来交通指标预测,达到较高准确率,且能在各城市按不同预测周期和地图路网适配落地。 动作: 1)仔细分析已有数据特点。异常数据补全,分析典型时间段数据并标记,学习业务,推断验证数据规律。 2) 用AI协同方式迭代训练方案,完成模型训练。在模型选型,超参调整及结果展示等全流程与AI多轮次协同,迭代方案及代码。 3)代码服务化改造,支持不同项目适配。抽象预测时长、计算模式、路网规模等参数,支持各城市适配落地。 结果:通用业务规律学习理解数据...

高速流量智能预测系统
高速流量智能预测系统

高速流量智能预测系统

人工智能-其他 和光同尘

背景及目标:未来交通指标粗暴使用历史平均,准确度差,不能考虑上下游影响。在团队时空预测算法积累较少,原始数据整体质量不高的情况下,使用合适的AI模型完成未来交通指标预测,达到较高准确率,且能在各城市按不同预测周期和地图路网适配落地。 动作: 1)仔细分析已有数据特点。异常数据补全,分析典型时间段数据并标记,学习业务,推断验证数据规律。 2) 用AI协同方式迭代训练方案,完成模型训练。在模型选型,超参调整及结果展示等全流程与AI多轮次协同,迭代方案及代码。 3)代码服务化改造,支持不同项目适配。抽象预测时长、计算模式、路网规模等参数,支持各城市适配落地。 结果:通用业务规律学习理解数据...

高速流量智能预测系统
高速流量智能预测系统
------ 加载完毕 ------
联系需求方端客服