Jay的案例列表
医疗信息查询agent开发
基于LangChain构建了一套医生问诊功能的Doctor agent和协助医生进行深入分析的multi-Agents系统。采用Redis缓存对话、PostgreSQL作为持久化记忆储存库、FastAPI提供接口服务、Streamlit作为前端交互。 Doctor agent：用户以自然语言描述症状（如"头痛怎么办"），Agent按固定问诊框架逐步追问搜集关键信息，后端集成三种医学知识库辅助鉴别诊断，快速生成候选诊断列表（鉴别疾病概率排序和一线用药）。 SubAgent：基于langgraph构建的多Agent协作系统：用来协助医生处理关于本地医疗数据库和文献的查询分析
机器狗端侧YOLO目标检测
机器狗Yolo视觉处理（目标检测+深度）: 在机器狗处理器rk3588端侧上部署yolo11n作为目标检测模型，yolo26作为深度估计模型，目标检测模型经过上万真实数据集微调后（使用5090训练），在自定义的18类标签上mAP50从39.3涨到78.4，在特别关注的人，垃圾，井盖，路障，电动车等标签上精确率与召回率分别能达到90%以上，经过量化压缩为8bit的rknn版本后，精确率与召回率平均只掉10个点，依然处于商业高可用单帧F和P中。深度模型经过校准后误差低于0.3m,保持高可用。双模型在rk3588端侧NPU上并行推理，单帧处理速度均值为100ms左右，最大可支持10FPS推理，CP
案例判断参考
Jay的案例列表
医疗信息查询agent开发
基于LangChain构建了一套医生问诊功能的Doctor agent和协助医生进行深入分析的multi-Agents系统。采用Redis缓存对话、PostgreSQL作为持久化记忆储存库、FastAPI提供接口服务、Streamlit作为前端交互。 Doctor agent：用户以自然语言描述症状（如"头痛怎么办"），Agent按固定问诊框架逐步追问搜集关键信息，后端集成三种医学知识库辅助鉴别诊断，快速生成候选诊断列表（鉴别疾病概率排序和一线用药）。 SubAgent：基于langgraph构建的多Agent协作系统：用来协助医生处理关于本地医疗数据库和文献的查询分析...
机器狗端侧YOLO目标检测
机器狗Yolo视觉处理（目标检测+深度）: 在机器狗处理器rk3588端侧上部署yolo11n作为目标检测模型，yolo26作为深度估计模型，目标检测模型经过上万真实数据集微调后（使用5090训练），在自定义的18类标签上mAP50从39.3涨到78.4，在特别关注的人，垃圾，井盖，路障，电动车等标签上精确率与召回率分别能达到90%以上，经过量化压缩为8bit的rknn版本后，精确率与召回率平均只掉10个点，依然处于商业高可用单帧F和P中。深度模型经过校准后误差低于0.3m,保持高可用。双模型在rk3588端侧NPU上并行推理，单帧处理速度均值为100ms左右，最大可支持10FPS推理，CP...
