Zhao Junquan

Plataforma de ferramentas gerais (AiNative-Tools)

Projeto Principal Desenvolvimento Iterativo AI -Estúdio Nativo Fluxo de trabalho estilo LangChain DEMO

Contexto

O AiNative-Tools destina-se à produção de conteúdos para comércio eletrónico transfronteiriço, à modificação automática de produtos, ao tratamento de imagens e à entrega em lote. Reúne num Studio local a recolha de produtos, a orquestração de Prompt, a redação com IA, imagens de fundo branco, cenários, pacotes de entrega e observação das execuções. Contratos de diretório, filas de tarefas, manifestos de plugins e fluxos de estado organizam seleção, publicação, geração de materiais e entrega numa cadeia configurável, retomável e rastreável, adequada a lotes longos com vários produtos, línguas e recursos visuais. A arquitetura segue um LangChain Workflow construído em torno da operação comercial: cada lote percorre entradas estáveis, orquestração de Prompt, chamadas de modelos, análise estruturada e ferramentas de imagem e entrega.

O meu papel

Transformei em produto os processos de recolha, modificação de produtos, tradução, geração de imagens e entrega para o comércio eletrónico transfronteiriço. Conduzi o percurso desde a decomposição dos processos de negócio e a definição dos limites das ferramentas até à implementação do Studio local. O foco é tornar ações repetitivas configuráveis, rastreáveis e recuperáveis, assegurando eficiência de entrega, estabilidade dos fluxos e capacidade de expansão.

Solução técnica

Um plano de controlo de três camadas — FastAPI + TaskManager + Manifest — conduz tarefas em lote, da recolha à entrega, com sincronização de estado em tempo real por WebSocket.

O frontend Studio Shell gere filas de tarefas, operações em lote e pontos de entrada de ferramentas em Vanilla JS; o back-end lida com canais de tarefas nativos/nuvem/AI por meio de rotas assíncronas FastAPI.
A camada Manifest verifica automaticamente scripts de ferramentas SUM locais e registra recursos de processamento, empacotamento e aprimoramento de imagens como formulários de ferramentas configuráveis.
Cadeia de produção principal: URL do produto/entrada Excel → Scraper → PromptComposer → AIClient → JSON Parser → entrega Painter / PackTool.
O AIClient normaliza diferenças entre protocolos, incluindo Gemini / OpenAI-Compatible; o Structured Output Parser limita as respostas dos modelos a JSON utilizável pelas ferramentas de imagem seguintes.
O Registo Prompt suporta substituição de linguagem de mercado, fatiamento de estágio e empacotamento em formato sanduíche para que diferentes lotes de produtos sejam executados de forma estável no mesmo pipeline.
Key Pool , instantâneos de estado e diretórios em lote juntos fornecem limites de recuperação para novas tentativas, imagens ausentes, nova tradução e reempacotamento.

Resultados e destaques

O projeto atualiza ferramentas de operação dispersas em um plano de controlo visual, enfileirado e recuperável do Studio. Ele suporta um loop completo desde URL do produto/entrada do Excel até recolha de texto de imagem, análise AI, pré-processamento de fundo branco, geração de imagem de cena em lote e montagem de pacote de entrega, enquanto melhora a estabilidade de lote longo por meio de contratos de diretório, instantâneos de estado, agendamento Key Pool e repetição de log. Pastas de lote atuam como esquema de entrada estável, o TaskStateStore autoconstruído funciona como Checkpoint, SharedGroupManager fornece Memory-like State e scripts de imagem/empacotamento juntam-se ao fluxo de trabalho como componentes Tool Layer, preservando caminhos de recuperação claros para execuções com falha, reexecuções, suplementação de imagem, suplementação de tradução e reembalagem.

FastAPI Python 3.12 Pydantic JS nativo Studio Shell Fluxo de estado WebSocket Sistema de plug-in Manifest TaskManager Multifila API Gemini/OpenAI Compositor Prompt Agendamento Key Pool Selênio / Firefox Travesseiro / OpenCV Ingestão de dados XLSX/CSV Ficheiro e recuperação em lote Registo Prompt Sequência executável Structured Output Parser State Store Memory-like State LangChain

Diário de desenvolvimento

Cliente Lite Studio

Cliente de área de trabalho Manutenção contínua

Contexto

À medida que a complexidade da chamada de ferramenta LLM continua crescendo, os scripts ad-hoc não podem mais sustentar fluxos de trabalho AI de alta frequência, multivoltas e entre cadeias de ferramentas. O Lite Studio substitui utilitários dispersos por uma estação de trabalho AI local persistente, rastreável e extensível – consolidando o estado da conversação, configuração do modelo, compactação de contexto e orquestração de plug-ins em um sistema de manutenção de longo prazo.

O meu papel

Conduzi a evolução do Lite Studio de um conjunto disperso de ferramentas de IA para uma bancada de trabalho local, definindo os limites da gestão de sessões, configuração de modelos, compressão de contexto, chamada de plugins e exportação. Organizei documentação de engenharia, contratos de interface e fluxos centrais, dando às iterações seguintes uma referência comum, registos rastreáveis e um ritmo de entrega estável.

Solução técnica

pywebview hospeda o tempo de execução da área de trabalho local; Vue + SQLite + sistema de plug-in da estação de trabalho desktop AI.

A camada de desktop pywebview partilha um processo com o backend Python; o frontend chama LLMEngine/PluginHost via bridge.js, recebendo eventos de streaming e estado do plugin.
context_ledger anexa resumos de conversas como nós estruturados em vez de empilhamento de histórico bruto, fornecendo um ponto de entrada estruturado para compactação de conversas longas e compreensão baseada em gráficos.
bridge.js unifica respostas de streaming, push de cadeia de pensamento e eventos de plug-in em um formato de evento padrão para o frontend.
Um modelo de montagem de cinco camadas limita a direção das dependências: Storage → Gateway → Engine → PluginHost → Front Bridge, reduzindo o acoplamento implícito.
SQLite gere sessões, mensagens, predefinições e context_ledger; todos os dados locais são independentes, sem serviços externos.

Resultados e destaques

A documentação do projeto tornou-se a referência de engenharia unificada da equipa, abrangendo contratos 80+ API e fluxos de trabalho principais 12. context_ledger transforma a gestão de longas conversas de truncamento rígido em compactação estruturada por meio de acréscimo incremental de nó de resumo. Uma página de demonstração da Web independente foi construída na parte superior, recriando a interação completa – colapso da barra lateral, troca de modelo, visualização do processo de pensamento, arquivamento de memória e exportação multiformato – em um sistema de design vintage, sem necessidade de back-end para mostrar a experiência completa do produto.

Python 3.8+ pywebview SQLite Vento de cauda / Vue Memory Livro razão de contexto Graph

Diário de desenvolvimento

Sentinela OpenClaw

Multi-Agent MIT License GitHub Repo

Proteção de roteamento de agentes + orquestração de subagentes do WebSearch

Contexto

Em fluxos de trabalho de agentes com múltiplas ferramentas, se o agente principal possuir todas as ferramentas de busca, pesquisa e execução por padrão, APIs de alto custo serão facilmente usadas em excesso e tarefas leves serão misturadas com pesquisas profundas em um contexto, causando desperdício de custos, limites confusos e risco de segurança.

O meu papel

Propriedade independente da definição e entrega do OpenClaw Sentinel, abstraindo custos de pesquisa, permissões de ferramentas e limites de execução em fluxos de trabalho de agentes multiferramentas em um padrão de governança de roteamento reutilizável. Liderei o design de limite de comportamento, política de chamada de ferramenta, fluxo de validação e lançamento de código aberto para que uma integração MCP se tornasse uma solução portátil de governança de agente.

Solução técnica

Um modelo de roteamento de Agente de camada dupla: o Agente principal lida com pesquisa e execução leves; um subagente pesquisador da web lida com pesquisas profundas.

O Agente principal é responsável por Q e A, operações de código, planeamento de tarefas e recuperação leve; o Subagente realiza apenas pesquisa/verificação/raciocínio/resumo e não executa localmente.
As predefinições declaram listas de permissão/negação e políticas de chamada de ferramentas, evitando que o Agente principal use excessivamente ferramentas de pesquisa de alto custo.
As perguntas gerais são padronizadas para a pesquisa leve do DuckDuckGo; apenas pesquisas complexas, verificação de múltiplas fontes, julgamento de arquitetura ou solicitações explícitas de utilizadores são encaminhadas para o Perplexity MCP .
A solução é fornecida com scripts de verificação, scripts de instalação e README bilíngue, formando um modelo portátil de governança de ferramenta de agente.

Resultados e destaques

Oferece pesquisa em níveis de custo versus pesquisa profunda, isolamento claro de responsabilidade de execução versus pesquisa e limites de segurança rígidos: sem segredos no repositório, sem exposição de chave de API, sem uploads de configuração reais. O projeto vem com licença MIT, README bilíngue, presets, script de instalação e script de validação para evolução da comunidade.

OpenClaw MCP Sub-Agent Orquestração de Agentes API de perplexidade DuckDuckGo Roteamento de Agente Limite da ferramenta

Diário de desenvolvimento

MiMo Visão MCP

Vision Plug-in MCP MIT License GitHub Repo

MCP Vision Bridge para agentes LLM somente texto

Contexto

LLMs somente texto ( DeepSeek , Qwen , etc.) são excelentes em raciocínio e codificação, mas carecem de visão nativa. Este projeto envolve o Xiaomi MiMo v2.5 como um servidor MCP padrão, fornecendo compreensão de imagem aos agentes somente texto por meio da ferramenta mimo_image_analyze - os principais motivos do modelo, MiMo percebe.

O meu papel

Possuiu de forma independente o design e a entrega de uma solução de ponte de visão para agentes somente texto, transformando a compreensão de imagens de uma única chamada de modelo em uma ferramenta MCP instalável, configurável e reutilizável. Defini cenários de uso, limites de chamada, configuração segura e entrega de código aberto para que OpenClaw, Claude Desktop, Cursor e clientes agentes semelhantes pudessem anexar o recurso de maneira fiável.

Solução técnica

Um servidor MCP baseado no SDK MCP para Python permite aos agentes apenas de texto ativar capacidades visuais quando necessário.

O servidor MCP lida com declaração de protocolo, registo de ferramenta e adaptação de transporte Stdio/SSE.
O adaptador de API MiMo lida com codificação de imagem de ficheiro local/URL, solicitações de API e normalização de resultados de texto.
Suporta uma interface de parâmetro duplo: image_path (obrigatório) + prompt (opcional), compatível com Claude Desktop, Cursor, Cline, OpenClaw e outros clientes MCP.
As chaves de API são mantidas fora da base de código e configuradas de forma segura por meio de variáveis de ambiente.

Resultados e destaques

Implementou uma ponte de visão MCP completa em um único server.py, preenchendo a lacuna de visão na cadeia de ferramentas do Agente. Ele suporta depuração de capturas de ecrã, análise de UI, extração OCR, interpretação de gráficos e análise de documentos. O design é fracamente acoplado, substituível e fácil de orquestrar: o modelo principal permanece separado da lógica de visão, enquanto a visão é anexada a pedido. Ele foi executado de forma estável em um ambiente do Agente OpenClaw.

MCP MiMo v2.5 Vision AI Python Somente texto LLM Análise de imagem OCR Ferramenta Agente

Diário de desenvolvimento

Kit de ferramentas QCode (código QR SVG)

Ferramenta somente front-end Ficheiro único, sem necessidade de compilação Experimente on-line

Contexto

Como os fluxos de trabalho diários geralmente exigem geração e decodificação de códigos QR em lote, enquanto muitas ferramentas existentes são pesadas em anúncios, pagas ou dependentes da rede, este projeto cria um utilitário de código QR sem instalação, sem backend e somente frontend.

O meu papel

Planeamento de produto, design de interação e entrega de lançamento do QCode Toolkit de propriedade independente, definindo os limites da ferramenta em torno da geração de código QR, estilo, processamento em lote e download de SVG. O foco era fechar o ciclo inteiramente no navegador, sem dependência de back-end, ao mesmo tempo em que equilibrava usabilidade, partilha e custo de manutenção a longo prazo.

Solução técnica

HTML/Vanilla JS/CSS de ficheiro único — gere, analise, estilize e processe códigos QR em lote inteiramente no navegador, sem necessidade de back-end.

A camada UI lida com entrada de texto, arrastar e soltar, ajustes de estilo e visualização; a camada de análise integra jsQR para reconhecer códigos QR de imagens no navegador.
A camada de renderização usa QRCode.js ou lógica SVG personalizada para produzir saída PNG/SVG.
A API DOM Drag & Drop oferece suporte ao processamento em lote de vários ficheiros; A exportação SVG garante clareza em cenários de impressão e design secundário.
Todo o pipeline nunca chega a um back-end — sem risco de upload de dados, adequado para partilha como um ficheiro HTML independente.

Resultados e destaques

Forneceu um verdadeiro utilitário pronto para navegador que abrange geração de QR, redesenho de estilo após decodificação e reconhecimento de lote, mantendo os dados locais, privados e portáteis entre plataformas.

Vanilla JS HTML5 / CSS3 Aplicação de ficheiro único Processamento em lote Exportação SVG API de arrastar e soltar

Repo Diário de desenvolvimento

QuanWen.art

Site Fullstack Centro de conteúdo AI -Nativo Bilíngue

Contexto

QuanWen.art é um hub de conteúdo digital pessoal autoconstruído, projetado como um sistema Web fullstack operável de longo prazo. Ele integra vitrines de projetos, ensaios fotográficos, atualizações de progresso, conversa AI, mensagens de contato e gestão administrativo em uma arquitetura, oferecendo publicação de conteúdo de site pessoal, manutenção de dados, proteção de acesso e recursos de crescimento escalonáveis.

O meu papel

Como proprietário independente de produto e engenharia da QuanWen.Art, fui responsável por todo o planeamento e entrega do posicionamento do site, estrutura de conteúdo, apresentação pública, operação de back-end e manutenção de segurança. Integrei projetos, ensaios fotográficos, registos de progresso, conversa AI, mensagens de contato e gestão administrativo em um hub de conteúdo digital de longa duração, mantendo sua capacidade de atualização, acessibilidade e limites de segurança.

Solução técnica

FastAPI + Jinja2 parciais + SQLAlchemy + MySQL , cobrindo renderização SSR pública, APIs JSON administrativas, conversa AI, gestão de multimédia e reforço de segurança.

A camada SSR frontend usa módulos parciais 10 Jinja2 para organizar a renderização da página inicial, otimizando a visibilidade acima da dobra por meio de StreamingResponse e estratégias de carregamento lento.
A camada de serviço e roteamento FastAPI de back-end lida com leituras de conteúdo, livro de visitas, conversa AI, gestão de multimédia e operações administrativas.
A camada de dados usa tabelas 14 MySQL para gerir entidades para perfis, projetos, fotos, multimédia, mensagens, logs de acesso e logs de segurança.
Camada de segurança: TrafficGuardMiddleware + CSRF + Token de sessão + limitação de taxa de IP + limitação de taxa Nginx + fail2ban formam um sistema de defesa profunda.
Tailwind CSS migrou da compilação em tempo de execução do CDN para a compilação estática, eliminando todos os recursos de bloqueio de renderização; TTFB reduzido de 262ms para ~20ms.

Resultados e destaques

Forneceu de forma independente um sistema Web fullstack autoconstruído, atualizando o QuanWen.Art de uma página de portfólio estático para um hub de conteúdo digital operável. O frontend usa StreamingResponse para renderização de streaming em partes, com módulos parciais permitindo visibilidade antecipada na primeiro ecrã e transformando a página inicial de um modelo monolítico em uma estrutura modular sustentável. O back-end conecta APIs públicas, gestão administrativo, conversa AI, uploads de multimédia, registo de visitas e serviços de conteúdo por meio de FastAPI, formando um ciclo completo da apresentação à operação. A camada de dados usa tabelas 14 MySQL para oferecer suporte a perfis, projetos, fotos, mensagens, multimédia, visitas e registos de limite de taxa, com uma estratégia de base de dados primeiro/fallback estático para melhor disponibilidade. A camada de segurança cobre proteção de login, CSRF, token de sessão, limitação de taxa de IP, controlo de nível de tráfego, bloqueio de solicitações anormais e coordenação Nginx /fail2ban, dando ao projeto a integridade de engenharia necessária para uma implantação de produção real.

AI-NATIVE Transmissão FastAPI Jinja2 SQLAlchemy MySQL i18n Bilíngue Centro de conteúdo Parciais Modulares Otimização de desempenho 2026

Diário de desenvolvimento

Ajuste fino do agente de suporte chinês Qwen3-8B

LLM Ajuste fino QLoRA Agente de suporte Kaggle T4

Contexto

Este projeto tem como alvo o cenário de agente de suporte do site QuanWen.Art e explora o ajuste fino com eficiência de parâmetros para um LLM de código aberto de 8B sob as restrições de recursos Tesla T4 duplas do Kaggle. Usando Qwen /Qwen3-8B como modelo base, ele injeta dados de instruções chineses cobrindo perguntas e respostas de identidade, explicações técnicas, geração de cópia de produto e respostas de suporte, completando um loop de engenharia desde a construção de dados, conversão de modelo ChatML, carregamento quantizado de bits 4, ajuste fino de SFT, gravação de adaptador, para validação de inferência baseada em recarga.

O meu papel

Como proprietário independente do projeto, projetei e conduzi a validação de ajuste fino vertical para um modelo de código aberto 8B em torno do cenário do agente de suporte QuanWen.Art. Defini a meta de treino, analisei o suporte chinês e os dados de controlo de qualidade de identidade, planeei o caminho do experimento de GPU de baixo custo e concluí o ciclo de viabilidade desde a validação do treino até a integração futura com o corpus de suporte do site.

Solução técnica

Ecossistema Hugging Face em GPUs T4 duplas – validação de ajuste fino SFT / QLoRA para um modelo 8B.

A camada de dados cria amostras de instrução/entrada/saída em chinês cobrindo identidade Q e A, explicação técnica, redação de produtos e respostas de atendimento ao cliente.
Transformadores + conjuntos de dados + PEFT + TRL + bits e bytes formam o pipeline completo de ajuste fino; O modelo ChatML unifica o formato da conversa.
BitsAndBytesConfig usa quantização dupla NF4 + de 4 bits para reduzir a pressão VRAM; LoRA é injetado nos módulos q_proj, k_proj, v_proj, o_proj, gate_proj, up_proj, down_proj.
O otimizador paged_adamw_8bit, o acúmulo de gradiente e o treino de k bits se adaptam a ambientes de experimentação de GPU de baixo custo.
Guardar, compactar, recarregar e validação de inferência do adaptador formam um loop fechado completo.

Resultados e destaques

Completei, para o Qwen3-8B, o ciclo de ajuste fino Train -> Save -> Package -> Reload -> Inference num ambiente GPU na nuvem de baixo custo, consolidando uma base de engenharia SFT / QLoRA reutilizável para modelos 8B. O projeto validou a viabilidade da adaptação a cenários verticais em chinês com memória gráfica limitada e prepara a futura integração do corpus de apoio QuanWen.Art, a expansão de perguntas sobre conhecimento privado e um agente de apoio específico do site.

Qwen3-8B SFT QLoRA PEFT Hugging Face BitsAndBytes ChatML Agente de suporte

Kaggle

Infraestrutura de legibilidade GEO / SEO - Pesquisa AI e indexação estruturada

GEO SEO llms.txt Dados Estruturados

Contexto

Um site pessoal não deve ser apenas uma página visual para visitantes humanos; ele também deve se tornar um nó de conteúdo público que os mecanismos de pesquisa, os sistemas de pesquisa AI e os rastreadores de treino de modelo possam entender de maneira fiável. Este projeto atualiza o QuanWen.Art da apresentação em nível de página para um site legível por máquina com robots.txt, sitemap.xml, llms.txt e dados estruturados JSON-LD.

O meu papel

Possuía a governança geral da capacidade de descoberta externa e legibilidade da máquina do QuanWen.Art, definindo os limites entre conteúdo público, caminhos privados, rastreamento do mecanismo de pesquisa e acesso do rastreador AI. Liderei o ciclo desde o design da política e organização semântica do conteúdo até a verificação da produção, atualizando o site de um portfólio voltado para o visitante para um nó de conhecimento público que mecanismos de pesquisa, mecanismos de resposta e sistemas LLM podem entender de forma consistente.

Solução técnica

FastAPI gera dinamicamente robots.txt, sitemap.xml, llms.txt e JSON-LD, alinhando nós de conhecimento público com a pesquisa e o ecossistema AI.

A camada de rota fornece /robots.txt, /sitemap.xml, /llms.txt e outros pontos de entrada públicos; o sitemap gera automaticamente a página inicial, a lista de fotos, as páginas de progresso e as páginas de detalhes das fotos publicadas.
robots.txt permite explicitamente os mecanismos de pesquisa Google, Bing, Baidu, Sogou, 360, Shenma, além de rastreadores AI: OpenAI, Perplexity, Applebot, Google-Extended, CCBot.
Bloqueia simultaneamente /admin, /api, /passport, /partial, /uploads para evitar indexação acidental de caminhos privados.
llms.txt descreve a identidade do site, o escopo do tema, os projetos representativos e a política de treino/citação AI no Markdown.
JSON-LD usa Person, WebSite, ProfilePage, CollectionPage, CreativeWork e ItemList de Schema.org para estabelecer relacionamentos de entidades.
pytest cobre robôs, mapa do site, llms.txt e saída de dados estruturados para páginas iniciais/fotos/páginas de progresso.

Resultados e destaques

Esta atualização transforma o QuanWen.Art de uma superfície de portfólio em um nó de conhecimento público que as máquinas podem interpretar. Os mecanismos de pesquisa podem seguir a descoberta orientada pelo mapa do site; Os sistemas AI podem usar llms.txt para entender o escopo do tópico e os limites de autorização; os dados estruturados ajudam os mecanismos de pesquisa e resposta a conectar o autor, o site, os projetos e as coleções de conteúdo. A verificação abrange robôs, mapa do site, llms.txt e JSON-LD, com endpoints de produção retornando HTTP 200 após a reinicialização do serviço.

FastAPI robots.txt sitemap.xml llms.txt JSON-LD Schema.org AI Crawler pytest

Diário de desenvolvimento llms.txt sitemap.xml

Previsão de personalidade e percepções de comportamento do utilizador

Ciência de dados Acadêmico

Contexto

Construí um fluxo de aprendizagem automática para analisar o comportamento dos utilizadores e verificar a utilidade da previsão da personalidade na segmentação e no apoio à estratégia operacional.

O meu papel

Possuiu a tradução de uma questão de previsão de personalidade de estilo de pesquisa em uma tarefa verificável de análise de dados, definindo o escopo para processamento de dados, interpretação de recursos, comparação de modelos e comunicação de resultados. Concentrei-me em transformar os resultados do modelo em segmentação de utilizadores legíveis pelos negócios e insights comportamentais para marcação CRM posterior, testes A/B e discussão de divulgação personalizada.

Solução técnica

Pandas + Scikit-learn + XGBoost criam um pipeline de análise de previsão de personalidade, desde a limpeza de dados até a classificação e interpretação.

A camada de dados lida com tratamento de valores ausentes, filtragem de valores discrepantes, codificação de recursos e padronização.
Pipeline XGBoost + Scikit-learn organiza treino e validação; GridSearchCV realiza pesquisa de hiperparâmetros e validação cruzada k-fold.
A padronização e a codificação one-hot são colocadas dentro do pipeline para reduzir o risco de vazamento de pré-processamento de dados.
Os resultados do modelo são traduzidos em bases de discussão para marcação CRM, testes A/B e divulgação personalizada.

Resultados e destaques

O resultado é um processo completo, dos dados brutos a resultados de modelos interpretáveis, que pode apoiar discussões sobre etiquetagem CRM, testes A/B e estratégias de contacto personalizado.

Pandas / Numpy XGBoost Scikit-learn Visualização de dados

Diário de desenvolvimento

Coleção da Web de múltiplas fontes e mecanismo de sentimento público

Engenheiro de dados Pipeline Escalável

Contexto

Construiu um mecanismo de recolha para comentários em vídeo e notícias especializadas, coletando, limpando e produzindo continuamente resultados estruturados para pesquisa de políticas e monitoramento do sentimento público.

O meu papel

Responsável pela conversão de necessidades dispersas de web, comentários e dados de notícias em uma tarefa reutilizável de recolha de dados, definindo escopo de recolha, campos, regras de limpeza e formato de entrega. O objetivo era transformar a recolha manual única em um fluxo de trabalho sustentável de engenharia de dados para pesquisa de políticas, observação da opinião pública e posterior análise de sentimento.

Solução técnica

requests + asyncio + rvest constroem um pipeline de recolha assíncrona de várias fontes, produzindo materiais de pesquisa estruturados.

pools de simultaneidade assíncrona melhoram o rendimento da recolha de várias páginas; atrasos aleatórios, rotação User-Agent e manutenção de sessão Cookie melhoram a estabilidade de raspagem.
A camada de limpeza lida com extração de campo, desduplicação, padronização de formato e filtragem de anomalias; campos de saída e especificações de limpeza são padronizados antecipadamente.
O resultado final é estruturado como ficheiros CSV/tabela prontos para análise de sentimento downstream e reutilização de pesquisa política.

Resultados e destaques

Criou um fluxo de trabalho completo, desde a raspagem e limpeza até o gravação de resultados estruturados, reduzindo a organização manual de conteúdo bruto da web e deixando uma base extensível para análise de sentimentos e monitoramento de concorrentes.

Python / assíncrono rvest Contramedidas anti-raspagem Pipeline de dados

Diário de desenvolvimento

Yingdao RPA Automação

Automação RPA Produtividade

Contexto

Introduziu a automação RPA para reduzir o esforço manual em fluxos de trabalho frequentes, repetitivos e propensos a erros em Zhiying EPR.

O meu papel

Responsável pelo redesenho da automação de fluxos de trabalho repetitivos de back-office em operações de ERP, identificando etapas manuais de alta frequência e reorganizando cliques, manutenção de formulários e verificações de resultados em nós de negócios automatizáveis. Concentrei-me na padronização de processos, no mapeamento de cenários de exceção e na validação de usabilidade do lado das operações para que o fluxo RPA pudesse servir ao trabalho diário em vez de permanecer uma demonstração de script.

Solução técnica

Yingdao RPA divide operações repetitivas de backend em nós de automação reutilizáveis, com tratamento de fallback para exceções.

A camada de fluxo decompõe login, navegação no menu, entrada de formulário e confirmação de resultados em nós de ação padrão, evitando scripts únicos e insustentáveis.
A camada de execução usa simulação de teclado/rato e gatilhos condicionais para concluir operações de back-end; a camada de fallback de exceção lida com pop-ups, tempos limite e novas tentativas.
Os pontos de verificação de confirmação manual são preservados em nós críticos para evitar que erros de automação aumentem o risco.

Resultados e destaques

Transformou ações repetitivas de back-office em fluxos de trabalho de automação reutilizáveis, reduzindo a variabilidade de execução de cliques manuais e erros para uso contínuo em processos de negócios estáveis.

Yingdao RPA Clique automático EPR Orquestração de fluxo de trabalho Tentar novamente o tratamento

Lista profunda da Amazon US FBM

Operações de estratégia Produção ao vivo

Contexto

Para listagens com curadoria Amazon US FBM, o objetivo é fornecer à descoberta de novos produtos, à preparação de ativos e à cadência de listagem uma base mais firme, em vez de depender de listagens em massa baseadas na experiência.

O meu papel

Julgamento de seleção de produtos próprio, cadência de listagem e coordenação de preparação de ativos para o trabalho de listagem profunda do Amazon US FBM, transformando a listagem orientada pela experiência em um fluxo de trabalho orientado por dados mais revisável. Conectei tendências de mercado, julgamento de palavras-chave, qualidade de ativos e ritmo de listagem para que a estratégia de operações e o conjunto de ferramentas visuais AI pudessem cooperar de forma mais constante.

Solução técnica

SellerSprite + Google Trends + AI conjunto de ferramentas visuais formam um ciclo fechado para decisões de sourcing, preparação de ativos e revisão de cadência de listagem.

A camada de julgamento de dados concentra-se no calor das palavras-chave, na intensidade da concorrência e no potencial de margem; dados de tendências e palavras-chave restringem as prioridades de fornecimento.
A camada de produção de ativos encadeia a otimização da imagem do produto com a geração de cena AI; o conjunto de ferramentas visuais AI melhora a consistência da produção de imagens.
A camada de revisão de operações rastreia a cadência de listagem, a qualidade dos ativos e o desempenho downstream, refinando continuamente as regras de fornecimento e os padrões de ativos.

Resultados e destaques

Desenvolvemos gradualmente ritmos de seleção e lançamento de produtos mais estáveis, com foco na qualidade da listagem, apresentação consistente e preparação eficiente de ativos para melhorias contínuas de longo prazo.

SellerSprite Tendências do Google Listagem profunda FBM Ativos originais com fundo branco

Painter-Harness

A base de geração em lote e edição multivoltas para modelos de imagem

Projeto Principal Desenvolvimento Iterativo Harness

Modelo de imagem Harness Edição multivoltas de nível Harness Amigável ao cache de prefixo

Contexto

Os modelos de imagem não têm estado: uma chamada produz uma imagem, sem memória do progresso do lote, sem conhecimento do motivo da falha da imagem anterior e sem garantia de consistência com as referências. A produção de imagens detalhadas do produto, no entanto, é uma tarefa de longa duração, com várias etapas e entre sessões.

Painter-Harness fornece a camada fora do modelo. Contratos de composição, estrutura de restrição, roteamento de modelo, estado externalizado e recuperação de falhas são tratados pelo tempo de execução; o modelo só pinta.

Suporta nativamente geração de imagens com IA e edição por vários turnos de conversa, graças à camada Harness e sem depender da memória de sessão do modelo. Qualquer imagem gerada pode servir de base para continuar o diálogo, acrescentar referências e criar variantes, mantendo estáveis, durante toda a sessão, a ancoragem do produto e as restrições sobre o texto.

Sob a definição comum Agent = Model + Harness, este projeto constrói a segunda metade para modelos de imagem.

O meu papel

Desenhei e implementei esta camada de execução. O foco não é a afinação de Prompt, mas a definição de contratos, a persistência do estado, a recuperação de falhas e os limites de permissões. Inclui consistência das imagens, compatibilidade dos protocolos, gestão de quotas e reprodução do histórico.

Solução técnica

Uma estrutura de quatro camadas com chamadas de modelo delimitadas por código determinístico.

Scaffold

Ancoragem de produtos, listas de permissões de cópias visíveis, regras de não renderização de metadados e fidelidade de cores são codificadas como restrições estruturadas e montadas em cada chamada sem depender do contexto acumulado. A composição é contratada como nós, com cada nó se tornando uma tarefa independente.

Runtime

Verifica diretórios, cria tarefas, monta solicitações, despacha modelos, recolha saídas e as arquiva em disco. As diferenças entre famílias de modelos são absorvidas por uma camada adaptadora: a geração e a edição partilham a mesma abstração de tarefa, enquanto os parâmetros opcionais não suportados são degradados passo a passo sem interromper o lote. Simultaneidade, espaçamento, tempos limite e cotas são agendados centralmente pelo tempo de execução.

Capacidades Harness

A edição multivoltas não depende da retenção de sessão do modelo nativo; o tempo de execução é o proprietário. Cada imagem carrega uma sessão, enquanto o estado da sessão, as referências e a linhagem variante persistem fora do modelo. Cada turno é reconstruído como uma solicitação independente da imagem de linha de base, das referências adicionadas e da instrução atual. Modelos com APIs de giro único ganham, portanto, edição multivoltas; as variantes resultantes são armazenadas, podem se tornar a imagem atual e permanecer recuperáveis entre as sessões.

A ordem de montagem é fixada como prefixo de restrição estável → nó variável e instrução. Os modelos que suportam cache de prefixo podem atingir o cache diretamente, amortizando entradas repetidas de restrições e reduzindo materialmente o custo de geração em lotes longos e edições multivoltas.

State

O progresso vive fora do tempo de execução. Os pontos de verificação em lote ignoram os nós concluídos nas execuções; turn archives permitem que adições, edições e comparações de variantes continuem sem executar novamente o lote inteiro.

Guardrail

Fluxo de estado e registos em tempo real. As falhas retêm a classe de erro, a origem da cota e o histórico de novas tentativas, e as tarefas podem ser canceladas a qualquer momento. A geração de alto custo está excluída do catálogo de ferramentas de automação. O upscaling e a convergência de tamanho estão disponíveis como estágios opcionais de pós-processamento.

Resultados e destaques

O modelo permanece o mesmo; o determinismo de entrega vem do tempo de execução. Os contratos de diretório tornam as entradas previsíveis, o andaime mantém as saídas consistentes, os pontos de verificação contêm falhas em um nó e o estado da sessão preserva o contexto durante o refinamento.

Uma vez que a edição multivoltas se torna um recurso do Harness, a escolha do modelo não é mais limitada pelo suporte de sessão nativa: modelos de volta única podem entrar na cadeia de edição. A montagem de prefixo estável permite que modelos com reconhecimento de cache amortizem ainda mais as restrições repetidas. Um conjunto de nós estruturados pode gerar variantes multilíngues, enquanto a geração em lote e a edição multivoltas de uma única imagem são executadas na mesma camada de ferramentas.

Python 3.12 · FastAPI · Pydantic · Plano de controlo JS nativo

Agendamento de ferramentas · Orquestração de simultaneidade · Pool de cotas · Novas tentativas e degradação Roteamento Multifamiliar · Geração/Edição de Canais · Compatibilidade de Parâmetros Andaime de restrição · Contratos de nós estruturados · Análise e validação de saída Edição multivoltas de nível Harness · Linhagem de variantes · Sessões de referência Montagem de prefixo estável · Ocorrências de cache de prefixo · Compatibilidade de modelo de giro único · Amortização de custos Estado externalizado · Pontos de verificação em lote · Memory-like State Fluxo de log observável · Tarefas canceláveis · Convergência de permissões

AI Design em lote para comércio internacional: gerador de fluxo de trabalho JSON

Gere metadados JSON de renderização de imagem automatizada SD/Midjourney padrão e altamente controláveis com um clique

Estilo de direção artística

Principais produtos de exportação

O meu papel

Possuiu a produção de uma demonstração de fluxo de trabalho de prompt de imagem AI, transformando estilo, produto, composição e parâmetros de renderização para imagens de produtos de comércio exterior em JSON Prompt configurável. O foco foi mover a geração de imagens de instruções escritas à mão para uma interface estruturada, reutilizável e demonstrável para compreender a produção visual parametrizada.

Solução técnica

Abstrai a geração de imagens de detalhes do produto de comércio exterior em um JSON Prompt estruturado, tornando o estilo, os atributos do produto, a composição e os parâmetros de renderização configuráveis, visualizáveis e reutilizáveis.

A camada de parâmetros gere tipo de produto, estilo visual, argumentos de venda, plano de fundo, câmera/lente e especificações de saída.
Os parâmetros do formulário são montados em JSON Prompt estruturado; a saída preserva as restrições de campo para integração posterior com ComfyUI , Flux ou outros fluxos de trabalho de geração de imagens.
A visualização instantânea fortalece a compreensão de “alteração de parâmetros → mudança de intenção visual”, reduzindo o custo de reutilização e modificação de prompts escritos à mão.

Blueprint copiado para a área de transferência! Pronto para difusão estável/automação no meio da jornada.

Generating JSON system blueprint...

Sobre mim — entre a narrativa e a ciência

Mapa de competências

01. Pesquisa comercial e operações de plataforma

02. Engenharia Full-Stack e Arquitetura Web

03. Hub de engenharia e desenvolvimento de agentes

04. Estética de código aberto e front-end

Projetos em destaque e oficina criativa

Plataforma de ferramentas gerais (AiNative-Tools)

Contexto

O meu papel

Solução técnica

Resultados e destaques

Cliente Lite Studio

Contexto

O meu papel

Solução técnica

Resultados e destaques

Sentinela OpenClaw

Contexto

O meu papel

Solução técnica

Resultados e destaques

MiMo Visão MCP

Contexto

O meu papel

Solução técnica

Resultados e destaques

Kit de ferramentas QCode (código QR SVG)

Contexto

O meu papel

Solução técnica

Resultados e destaques

QuanWen.art

Contexto

O meu papel

Solução técnica

Resultados e destaques

Ajuste fino do agente de suporte chinês Qwen3-8B

Contexto

O meu papel

Solução técnica

Resultados e destaques

Infraestrutura de legibilidade GEO / SEO - Pesquisa AI e indexação estruturada

Contexto

O meu papel

Solução técnica

Resultados e destaques

Previsão de personalidade e percepções de comportamento do utilizador

Contexto

O meu papel

Solução técnica

Resultados e destaques

Coleção da Web de múltiplas fontes e mecanismo de sentimento público

Contexto

O meu papel

Solução técnica

Resultados e destaques

Yingdao RPA Automação

Contexto

O meu papel

Solução técnica

Resultados e destaques

Lista profunda da Amazon US FBM

Contexto

O meu papel

Solução técnica

Resultados e destaques

Painter-Harness

Contexto

O meu papel

Solução técnica

Scaffold

Runtime

Capacidades Harness

State

Guardrail

Resultados e destaques

AI Design em lote para comércio internacional: gerador de fluxo de trabalho JSON

O meu papel