四类场景各落地一个：知识库 RAG、多 Agent 协同助手、合同智能审核、车牌实时识别。架构设计、编码、容器化部署与 CI/CD 流水线均由我个人独立完成——每个项目都开源在 GitHub，也都能点开线上直接使用。
chunk 512 / 重叠 64）→ 表格线性化bge-m3 Embedding → Milvus（HNSW + cosine）bge-reranker 重排 → Top-5Qwen2.5-72B（硅基流动）→ 置信度拒答 → RAGAS 评估闭环pdfplumber（文本层）· OCRProvider → RapidOCR（扫描件）· 条款锚点切分rules.yaml 红线（账期≤60天、违约金≤20%…）· 通用比对器/contracts/review · 人工复核修正 → SQLite 沉淀 → LoRA 实验DSHOW 首帧 118ms · 只认能读到帧的设备）· RTSP / RTMP · 本地视频 · 网页视频链接（yt-dlp 解析直链）· 首帧看门狗YOLOv8s 车辆检测 → 车牌定位 → 透视矫正 → 暗光/反光增强 → 车牌小图裁剪LPRNet（CTC，自研级联）· hyperlpr3（ONNX 兜底）→ 省份简称纠错 → 置信度过滤 → 三层标注（车牌 / 车辆行人 / 疑似车牌）3s 时间窗去重（上报置信度最高帧）→ 事件 CSV / JSONL + 标注视频 + 车牌截图 → MJPEG 推流回浏览器 · 60s 无人消费自动停不是四个散落的 Demo —— 从数据底座到业务应用，再往文档纵深与实时视觉延伸，四个项目串起了 AI 应用工程的完整链路
第一个项目解决「信息检索」——把散落的制度 / 产品 / 合同文档变成可语义问答的知识资产。
第二个项目解决「任务执行」——多 Agent 打通 ERP / 仓储 / 物流，一句话跨系统查数、分析、出报告。
→第三个项目往「文档理解」纵深走——OCR + 结构化抽取 + 规则引擎，把合同审核从 40 分钟压到 3 分钟。
→第四个项目把 AI 从「会读」推到「会看」——接上摄像头，视频流边播边识别，车辆进出直接落成结构化事件。