diff --git a/docs/index.md b/docs/index.md index 8b3b446..a624170 100644 --- a/docs/index.md +++ b/docs/index.md @@ -37,7 +37,6 @@ - 📧 邮箱：hezhaohui0807@163.com - 🧐 意向：后端开发（Java/Go）- 日常实习 - 🔗 仓库：http://47.121.181.112:3000/wonder -- 💬 微信：_wonder77 ## 二、教育经历 @@ -78,7 +77,7 @@ --- -1. 基于 Lark SDK 与 Gitea Webhooks 构建端到端自动化工作流，如仓库代码变更时自动推送 AI 摘要。 +1. 构建团队化开发⼯具，基于 Lark SDK 与 Gitea Webhooks 构建⻜书推送服务，仓库代码变更时⾃动推送 AI 摘要。 > [📦 lark-webhook-sender](http://47.121.181.112:3000/wonder/lark-webhook-sender) @@ -104,7 +103,7 @@ **[OpenBI 智能数据分析](#7/1)** -**[FastPush 消息推送平台](#7/6)** +**[ThumbUP 高并发点赞系统](#7/6)** --- @@ -112,48 +111,49 @@ OpenBI 智能数据分析 > 2025-08 ~ 2025-09 -*基于 Spring Boot + Spring AI Alibaba + RabbitMq + LLM + React 的智能数据分析平台。用户只需要导入原始数据集、并输入分析诉求，就能自动生成可视化图表以及分析结论，提供高效的数据分析能力。* +*基于 Spring AI + MySQL + Redis(Redission) + RabbitMQ + PostgreSQL(PgVector) 的智能数据分析平台。⽤⼾只需要导⼊原始数据集和分析规则集，并输⼊分析诉求，就能⾃动⽣成可视化图表以及分析⻅解报告，提供⾼效数据分析能⼒。* --- -1. 设计 Prompt 模板封装用户请求，借助 @Tool 注解实现工具调用，利用结构化输出返回 JSON 供前端渲染。 +1. 为提升输出可靠性，设计 Multi-Agent 解耦业务，ChartAgent 负责图表JSON⽣成，InsightAgent 负责⻅解报告。 + +![](http://47.121.181.112:3000/wonder/draw-io-files/raw/commit/f9d083f1484066221f16d275b185990b0e7baf72/multi-agent.png) --- -2. 考虑到 LLM token 用量，使用 Easy Excel 解析用户上传 XLSX 表格数据文件并压缩为 CSV，成本降低约 20%。 +2. 为实现扩展性，⽀持⽤⼾⾃定义 rule-set 分析规则，⽀持 RAG 召回参考上下⽂，⽀持⼯具调⽤获取接⼝实时数据。 + +![](http://47.121.181.112:3000/wonder/draw-io-files/raw/commit/f9d083f1484066221f16d275b185990b0e7baf72/rule-set.png) + --- -3. 支持 JWT 用户访问控制，基于 Redission 的 RateLimeter 实现令牌桶算法限流，避免恶意占用系统资源。 +3. 在限流⽅案的选择上，对⽐计数器、漏桶、窗⼝等多种限流机制，选⽤ Redission 实现分布式的令牌桶算法限流。 --- -4. 针对 LLM 响应时间长的问题，实现自定义 IO 密集型线程池，实现模型调用的并发执行和异步化。 +4. 针对 LLM 请求耗时⻓特性，设计⾃定义 IO密集型线程池 和 RabbitMQ 消息队列，实现模型调⽤并发化和异步化。 --- -5. 基于 RabbitMq 接收并持久化任务消息，通过 Direct 交换机转发给 AI 生成模块，解决本地队列重启丢失的问题。 +ThumbUP ⾼并发点赞系统 + +> 2025-10 ~ 2025-11 + +*基于 Spring Boot + Redis + Caffeine + HeavyKeeper + Grafana 的⾼并发点赞系统。* --- -FastPush 消息推送平台 - -> 2025-01 ~ 2025-05 - -*基于 Spring Boot + Kafka + Flink 的高性能实时消息追踪平台。平台提供对多类型消息（短信、邮件、推送等）的全链路追踪能力，支持实时查询消息状态，并具备消息资源隔离和动态调控功能。* +1. 基于 Caffeine + Redis 实现⼆级缓存结构，有效缓解数据库压⼒，提供⾼效率的数据访问响应。 --- -1. 采用分层架构设计，支持校验去重、定时任务、夜间屏蔽等业务逻辑。 +2. 针对 Redis 数据池，借助 Lua 脚本保证操作原⼦性，通过定时任务实现数据同步，使⽤补偿任务机制保证⼀致性。 --- -2. 针对埋点数据，基于 Kafka + Flink 实现数据流实时分析，支持核心指标（如消息到达率）聚合统计。 +3. 对于超级热点数据，基于 HeavyKeeper 算法实现数据的探测，封装基于 Caffeine 的⼯具类读取到本地缓存。 --- -3. 针对埋点数据，基于 Kafka + Flink 实现数据流实时分析，支持核心指标（如消息到达率）聚合统计。 - ---- - -4. 针对管理后台，基于 Prometheus+Granfa 构建监控看板，支持异常告警与数据分析，实现消息的全链路追踪。 \ No newline at end of file +4. 根据字符串常量池的特性，在部分需要锁的场景下，使⽤业务前缀词和⽤⼾ID的组合字符串对象作为锁。 \ No newline at end of file