赵钧全

pywebviewでローカルウィンドウの実行環境を構成し、Vue + SQLite + プラグインシステムでデスクトップAIワークベンチを実現します。

• pywebviewデスクトップ層とPythonバックエンドは同一プロセスで動作。フロントエンドはbridge.js経由でLLMEngine / PluginHostを呼び出し、ストリームイベントとプラグイン状態を受信します。
• context_ledgerは生の履歴を流す代わりに、会話要約を構造化ノードとして追加。長い会話の圧縮やGraphとしての理解に向けた入口を設けています。
• bridge.jsがストリーミング応答、思考過程の配信、プラグインイベントを統一し、フロントエンドは常に標準化されたイベント形式を扱います。
• 5層の組み立て方式で依存方向をStorage → Gateway → Engine → PluginHost → Front Bridgeに制約し、暗黙の結合を減らします。
• SQLiteがsessions、messages、presets、context_ledgerを管理し、ローカルデータは外部サービスに依存しません。

2層Agentルーティング：main Agentは軽い検索と実行、web-researcher Sub-Agentは深い調査を担当します。

• main Agentは質疑応答、コード操作、計画、軽い検索を担当。Sub-Agentは検索・検証・推論・要約のみを行い、ローカル実行には関与しません。
• presetで許可・拒否リストとツール呼び出し方針を宣言し、主Agentによる高コスト調査ツールの乱用を防ぎます。
• 通常の質問はDuckDuckGoの軽量検索を標準とし、深い調査、複数ソースの照合、構成判断が必要な場合のみPerplexity MCPへルーティングします。
• 検証スクリプト、インストールスクリプト、2言語READMEを添え、移植可能なAgentツール統制テンプレートにしています。

Python MCP SDKをMCP Serverとして包み、text-only Agentが必要に応じて視覚機能を接続します。

• MCP Serverはプロトコル宣言、ツール登録、Stdio/SSEトランスポート層の適合を担当します。
• MiMo API Adapterはローカルファイル/URL画像のエンコード、APIリクエスト、テキスト結果の正規化を担います。
• image_path（必須）+ prompt（任意）の2引数インターフェースを備え、Claude Desktop、Cursor、Cline、OpenClawなどのMCPクライアントに対応します。
• API Keyはリポジトリに含めず、環境変数で安全に設定します。

単一HTML / Vanilla JS / CSSで、生成・解析・装飾・一括処理をすべてブラウザー内のローカル処理で完結します。

• UI層はテキスト入力、ドラッグ＆ドロップ、スタイル調整、プレビューを担当。解析層にjsQRを組み込み、ブラウザー内で画像中のQRコードを認識します。
• 描画層はQRCode.jsまたは独自SVGロジックでPNG / SVGを出力します。
• DOM Drag & Drop APIで複数ファイルを一括処理。SVG出力により印刷や二次デザインでも鮮明さを保ちます。
• すべての処理がバックエンドを経由せず、データ送信のリスクがありません。HTMLファイルを直接共有して使う用途にも適しています。

FastAPI + Jinja2 partial + SQLAlchemy + MySQLで、公開SSR、管理用JSON API、AI対話、メディア管理、安全対策を支えます。

• フロントエンドSSR層は10個のJinja2 partialでホームを構成し、StreamingResponseと遅延読み込みでファーストビューの表示を改善します。
• FastAPIルートとサービス層が、コンテンツ読み込み、メッセージ、AI対話、メディア管理、管理操作を担います。
• データ層は14個のMySQLテーブルで、プロフィール、プロジェクト、写真、メディア、メッセージ、アクセスログ、安全ログなどの関係を管理します。
• 安全層：TrafficGuardMiddleware + CSRF + Session Token + IP単位の頻度制限 + Nginx制限 + fail2banを連動させます。
• Tailwind CSSをCDN実行時コンパイルから静的コンパイルへ変更し、初期表示のブロック要因をゼロに。TTFBを262msから約20msへ短縮しました。

Hugging Faceエコシステムを用い、T4 2枚で8BモデルのSFT / QLoRA微調整を検証しました。

• 中国語のinstruction/input/outputデータを構築し、自己紹介Q&A、技術説明、商品コピー、顧客対応をカバーします。
• Transformers + Datasets + PEFT + TRL + bitsandbytesで学習全体を構成し、ChatMLテンプレートで会話形式を統一します。
• BitsAndBytesConfigで4bit NF4 + double quantizationを使用してGPUメモリー負荷を軽減。LoRAをq_proj、k_proj、v_proj、o_proj、gate_proj、up_proj、down_projなどの主要モジュールに注入します。
• paged_adamw_8bitオプティマイザー、gradient accumulation、k-bit学習で低コストGPU実験環境に適応します。
• Adapterの保存、圧縮、再読み込み、推論検証まで一連の工程を完結します。

FastAPIでrobots.txt、sitemap.xml、llms.txt、JSON-LDを動的生成し、公開知識ノードを検索・AIエコシステムへ接続します。

• ルート層に/robots.txt、/sitemap.xml、/llms.txtなどを公開。sitemapはホーム、写真一覧、進捗ページ、公開写真の詳細を自動出力します。
• robots.txtでGoogle、Bing、Baidu、Sogou、360、Shenmaなどの検索エンジン、およびOpenAI、Perplexity、Applebot、Google-Extended、CCBotなどのAI crawlerを明示的に許可します。
• 同時に/admin、/api、/passport、/partial、/uploadsなどの非公開パスをブロックします。
• llms.txtにサイトの位置付け、主題、代表プロジェクト、AI学習・引用方針をMarkdownで記述します。
• JSON-LDでSchema.orgのPerson、WebSite、ProfilePage、CollectionPage、CreativeWork、ItemListなどを使い、エンティティの関係を構築します。
• pytestでrobots、sitemap、llms.txtと、ホーム・写真・進捗ページの構造化データ出力を検証します。

Pandas + Scikit-learn + XGBoostで、データ洗浄から分類結果の説明までを一貫したパーソナリティ予測パイプラインにします。

• データ層で欠損値処理、外れ値除外、特徴量エンコード、標準化を行います。
• XGBoost + Scikit-learn Pipelineで学習と検証を構成し、GridSearchCVでパラメーター探索と交差検証を行います。
• 標準化とワンホットエンコードをパイプライン内に置き、前処理によるデータ漏洩リスクを抑えます。
• モデル結果を、CRMラベル付け、A/Bテスト、個別アプローチの議論に使える形へ読み替えます。

requests + asyncio + rvestで非同期の複数ソース収集を構成し、構造化された研究素材を出力します。

• asyncioの並列プールで複数ページの取得効率を高め、ランダム遅延、User-Agent切り替え、Cookieセッション維持で安定性を向上します。
• 洗浄層で項目抽出、重複排除、形式統一、異常値除外を担当。出力項目と洗浄基準は事前に標準化します。
• 最終出力はCSV / 表計算ファイルとし、感情分析や政策研究で再利用しやすくします。