102400202 高娅婷 软件工程实践第二次作业

G_bamboopole 2026-09-24 22:54:52
这个作业属于哪个课程https://bbs.csdn.net/forums/2601_CS_SE_FZU?category=0
这个作业要求在哪里https://bbs.csdn.net/topics/620526318
这个作业的目标与AI结对开发一个CV顶会论文热词统计平台，实现论文爬取、列表管理、Top10热门方向、关键词图谱、热度走势动图5个功能，部署到华为云公网可访问
其他参考文献《构建之法》第3、4、8章；华为云CodeArts文档；ECharts官方文档

目录

  • 一、git仓库链接、代码规范链接和AI工具说明
  • 1.1仓库信息
  • 1.2 AI工具说明 项目使用 “豆包”作为结对编程伙伴，全程辅助开发
  • 二、PSP表格
  • 三、NABCD需求分析
  • 3.1N (Need) — 需求
  • 3.2 A (Approach) — 方法
  • 3.3 B (Benefit) — 收益
  • 3.4 C (Competitors) — 竞争
  • 3.5 D (Delivery) — 交付
  • 四、原型设计与原型链接
  • 4.1原型链接：
  • 4.2原型设计
  • 4.2.1原型工具：墨刀
  • 4.2.2与AI协作设计的方式：
  • 4.3 页面设计说明（7个页面）
  • 五、成品展示
  • 5.1在线地址 ：http://1.92.92.244
  • 5.2 截图展示
  • 六、结对（人机）讨论过程描述
  • 6.1AI结对协作记录
  • 6.1.1 AI 辅助需求分析、技术选型与页面架构设计
  • 6.1.2 AI 辅助编码实现与爬虫 Bug 排查
  • 6.1.3 调试 Bug，发现并纠正 AI 给出的 Nginx 配置错误
  • 七、设计实现过程
  • 7.1 数据库设计
  • 7.2 后端架构
  • 7.3 前端架构
  • 7.3.1页面组件
  • 7.3.2工具模块
  • 7.4 部署架构
  • 八、代码说明
  • 8.1 CVF顶会爬虫
  • 8.2 关键词提取与共现
  • 8.3 FastAPI后端接口
  • 8.4 前端ECharts热力图
  • 8.5代码总结
  • 九、心路历程、收获
  • 9.1心路历程
  • 9.2收获
  • 十、对AI结对伙伴的评价
  • 10.1与传统人人结对的对比
  • 10.2 AI结对伙伴的优点
  • 10.3 AI结对伙伴的不足
  • 10.4总结

一、git仓库链接、代码规范链接和AI工具说明

1.1仓库信息

仓库地址https://codehub.devcloud.cn-north-4.huaweicloud.com/54f16b72b07a45c9b2f0ddc5c083b8c5/cv-paper-radar
代码规范https://codehub.devcloud.cn-north-4.huaweicloud.com/54f16b72b07a45c9b2f0ddc5c083b8c5/cv-paper-radar/blob/master/codestyle.md
commit 次数21 次

img

1.2 AI工具说明 项目使用 “豆包”作为结对编程伙伴，全程辅助开发

技术选型咨询：Vue3/FastAPI/数据库选型
代码生成：爬虫脚本、后端接口、前端页面框架

  • 所有代码均已人工理解

Bug排查：arXiv 406错误、vite原生模块bug、Nginx配置

二、PSP表格

阶段任务计划时间实际时间偏差偏差原因
1需求分析+技术选型4h3h-1h有AI辅助，技术选型比预估快1小时
2数据库设计+后端骨架6h5h-1hFastAPI+SQLAlchemy脚手架代码生成快
3arXiv爬虫开发4h5h+1harXiv API 406错误和URL编码问题排查
4CVF爬虫开发6h7h+1h页面结构适配和lxml依赖问题
5前端7个页面开发12h13h+1hECharts配置和响应式布局调试
6前后端联调4h4h0hFastAPI自动文档，接口对齐顺利
7华为云ECS部署5h7h+2hECS库存不足、vite原生模块bug、安全组和Nginx配置调试
8数据爬取+测试3h3h0h数据量1050篇，测试顺利
9实验报告撰写5h5h0h文档结构清晰
合计49h52h+3h偏差约6%，主要来自部署环境和爬虫调试

总结：预估时间整体偏差在合理范围内，实际比预估多3小时。偏差主要来自：①云服务器部署的环境兼容性问题（库存、依赖、网络配置）；②爬虫调试中的API和解析错误；③ECharts图表配置。实际开发中应预留20%的部署和调试时间。

三、NABCD需求分析

3.1N (Need) — 需求

计算机视觉领域论文数量爆炸式增长，研究者难以快速把握顶会（CVPR/ICCV/ECCV）的研究热点和趋势。本平台解决三个核心问题：

  1. 论文分散：CVF Open Access和arXiv数据分散在不同网站，缺乏统一检索入口
  2. 热点难捕捉：人工翻阅上千篇论文标题效率极低，无法量化统计热门方向
  3. 趋势不可视：缺乏跨年度的关键词热度对比和可视化工具

3.2 A (Approach) — 方法

  • 前端：Vue3 + Vite + TypeScript + Element Plus + ECharts
  • 后端：FastAPI + SQLAlchemy + SQLite
  • 爬虫：httpx + BeautifulSoup4，支持arXiv API和CVF Open Access两个数据源
  • 部署：华为云ECS + Nginx反向代理

3.3 B (Benefit) — 收益

  • 一键爬取整届会议论文（500+篇），自动提取关键词
  • Top10热门方向、关键词共现图谱、热度走势动图一目了然
  • 部署在公网，随时可访问

3.4 C (Competitors) — 竞争

  • 现有工具如PapersWithCode只提供论文列表，无热词统计和可视化
  • Google Scholar Trends需要手动输入关键词，无法自动发现热点
  • 本平台优势：自动爬取+自动关键词提取+多种可视化图表，开箱即用

3.5 D (Delivery) — 交付

  • 代码托管在华为云CodeArts，Git管理（dev/main分支、v1.0.0 tag）
  • 部署在华为云ECS，公网IP可直接访问

img

四、原型设计与原型链接

4.1原型链接：https://modao.cc/ai/share/6ab4c14875d0275ef6fd0e61

4.2原型设计

4.2.1原型工具：墨刀

4.2.2与AI协作设计的方式：

步骤内容说明
1. 需求输入将功能需求告诉豆包AI列出页面结构和信息架构建议
2. AI生成原型在墨刀AI输入"CV论文热词统计平台，包含首页、论文列表、爬取、热门方向、关键词图谱、热度走势"自动生成7个页面原型初稿
3. 人工优化配色将默认蓝色改为科技深蓝符合学术平台风格
4. 人工优化布局左侧导航栏+右侧内容区统一所有页面布局
5. 人工优化交互补充搜索框、分页器、图表联动逻辑完善交互细节
迭代V1AI自动生成只有基本框架
迭代V2人工添加ECharts图表占位、搜索框、表格
迭代V3人工统一导航栏配色和间距，补充页面跳转关系

4.3 页面设计说明（7个页面）

页面功能布局设计与需求对应
首页Dashboard数据总览顶部4个统计卡片+下方热门方向柱状图功能3：热门方向
论文列表论文管理搜索框+表格+分页器+删除按钮功能2：列表管理
论文爬取触发爬取两个按钮（arXiv/CVF）+爬取任务列表功能1：论文爬取
热门方向Top10柱状图ECharts柱状图，点击柱子跳转论文列表功能3：Top10分析
关键词图谱共现力导向图ECharts力导向图，节点大小=词频功能4：关键词图谱
热度走势多年对比热力图ECharts热力图，行=关键词，列=年份功能5：热度走势动图
年度热词年度演变年份切换+Top10榜单扩展功能

五、成品展示

5.1在线地址 ：http://1.92.92.244/

5.2 截图展示

图一：首页

img

图二：论文列表

img


tushan

图三：删除论文

img

图四：论文爬取

img

图五：批量爬取最新论文

img

图六：按届爬取论文

img

图七：热门方向

img

图八：关键词图谱

img

图九：热度走势

img

图十：年度热词

img

六、结对（人机）讨论过程描述

6.1AI结对协作记录

6.1.1 AI 辅助需求分析、技术选型与页面架构设计

img

img

我的处理: 大部分内容采纳,技术栈FastAPI+SQLite+Vue3+Element‑Plus+ECharts完全适配课程作业，7 个页面完整覆盖 5 个作业强制功能；把论文详情做成弹窗的设计，可以简化原型交互

6.1.2 AI 辅助编码实现与爬虫 Bug 排查

img

img

我的处理：采纳大部分分析，增加User‑Agent请求头、URL 编码、timeout 超时、请求休眠间隔、异常捕获逻辑。

6.1.3 调试 Bug，发现并纠正 AI 给出的 Nginx 配置错误

img

img

我的处理： 采纳部分建议。核对服务器 dist 目录路径，确认打包后的静态文件完整上传；检查华为云安全组，确认 80 端口入方向已经开放；修改 vite 配置：base: "./"，将资源改为相对路径，解决部分静态文件路径错误。

七、设计实现过程

7.1 数据库设计

项目选用轻量级嵌入式数据库 SQLite，搭配 SQLAlchemy ORM 做对象关系映射，不需要额外安装独立数据库服务，降低华为云ECS部署难度。项目设计两张核心数据表：papers论文主表、crawl_tasks爬虫任务记录表。

papers 论文信息表，存储CVPR/ICCV/ECCV、arXiv爬取的论文元数据

字段说明
id自增主键，论文唯一标识
title论文标题，用于精确/模糊检索
authors论文作者列表
abstract论文摘要，用于关键词提取、文本分析
year发表年份，用于热度走势筛选统计
conference会议来源，取值CVPR/ICCV/ECCV/arXiv
pdf_urlPDF原文下载链接
paper_url论文网页访问地址
keywords提取出的关键词，用于热词统计、关键词图谱

crawl_tasks 爬虫任务表，记录每一次爬取任务运行状态，区分单篇、批量爬取任务

字段说明
id任务主键ID
type任务类型：single单篇爬取 / batch批量导入爬取
target爬取目标，单篇存论文标题，批量存批次标识
status任务状态：pending等待、running执行中、success成功、fail失败
result_count本次任务成功入库论文数量
error_msg任务失败记录错误信息，便于排查异常
created_at任务创建时间戳

设计说明：爬虫属于耗时IO操作，独立任务表可以实现异步爬取，前端可查看任务状态，避免批量爬取导致接口超时。

7.2 后端架构

后端基于 FastAPI + Python 开发，采用模块化拆分，业务解耦，方便迭代维护。

  • main.py：项目入口，定义全部API接口。包含论文CRUD、爬虫任务触发、热门方向统计、关键词共现、热度走势统计接口；FastAPI自带交互式接口文档，方便前后端联调。
  • crawlers/arxiv.py：arXiv数据源爬虫，调用公开Atom XML接口解析论文元数据，添加请求头、访问间隔，处理编码异常。
  • crawlers/cvf.py：CVF-OpenAccess爬虫，专门解析CVPR/ICCV/ECCV网页HTML，提取摘要、作者、pdf链接；两套爬虫完全隔离，适配不同网站页面结构。
  • analysis.py：文本分析模块，实现英文停用词过滤、TF-IDF关键词抽取；统计词频生成Top10热门方向；计算关键词共现节点与边数据；按会议、年份计算热词热度，输出统计JSON。
  • models.py：SQLAlchemy ORM实体模型，定义Paper、CrawlTask数据类，与数据库表一一映射。
  • database.py：SQLite数据库引擎初始化、数据库会话管理，提供会话获取工具函数。

后端业务执行流程

  1. 前端提交爬取请求 → 后端写入crawl_tasks任务记录
  2. 调用对应爬虫模块获取原始论文数据
  3. 完成数据清洗、去重，写入papers数据表
  4. 调用文本分析模块提取论文关键词
  5. 统计接口读取数据库运算，将JSON结果返回前端

7.3 前端架构

前端技术栈：Vue3 + <script setup>组合式API + Element-Plus + Axios + ECharts，一共7个页面组件，覆盖全部业务与可视化需求。

7.3.1页面组件

  • Home.vue 首页（热门方向总览）：展示Top10热门方向柱状图、关键词力导向图谱
  • CrawlImport.vue 论文爬取导入页：支持单篇标题输入、CSV批量导入，提交爬虫任务并展示任务状态
  • PaperList.vue 论文列表管理页：论文表格展示，实现增删改；支持精确、模糊查询；数据库无结果则自动请求后端在线爬取；点击行弹窗展示论文详情
  • KeywordGraph.vue 关键词图谱页：ECharts力导向图渲染关键词共现网络；点击关键词节点筛选展示关联论文
  • TrendChart.vue 热度走势对比页：下拉选择顶会、统计年份区间，渲染热词走势动画图表，可录屏导出GIF动图
  • About.vue 了解更多页面：介绍CVPR/ICCV/ECCV三大顶会，说明项目数据来源、关键词统计口径
  • Layout.vue 公共布局组件：封装侧边导航栏与头部，所有业务页面复用布局

7.3.2工具模块

  1. Axios封装：统一封装HTTP请求，配置请求、响应拦截器，统一处理后端错误提示，封装API调用函数，减少重复代码。
  2. ECharts图表
    • 柱状图：Top10热门研究方向展示
    • 力导向网络图：关键词共现图谱，支持节点交互
    • 折线图：多年份多会议热词热度走势对比，提供动画效果，满足作业动图需求

前端逻辑：业务数据全部由后端接口返回，前端只负责交互和渲染，不在前端写死业务数据。

7.4 部署架构

项目部署于华为云ECS服务器，Nginx作为静态web服务与反向代理，前后端分离部署。

浏览器客户端 
    ↓ HTTP 80端口请求
Nginx(80端口)
    ├─静态资源：直接返回Vue打包dist目录下html/js/css静态文件
    └─匹配 /api 请求 → 反向代理转发
        ↓
uvicorn(8000端口) 运行FastAPI后端服务
    ↓
SQLite 本地数据库文件，存储论文、爬虫任务全部业务数据

部署说明：

  1. Vue项目执行vite build打包生成dist静态资源文件夹，上传至ECS；
  2. Nginx配置：静态资源指向dist目录，配置try_files解决Vue history路由刷新404；/api请求转发到本机uvicorn服务；
  3. FastAPI后端通过uvicorn监听127.0.0.1:8000，仅本机可访问，不直接暴露公网；
  4. 华为云安全组开放80端口，外部通过ECS公网IP访问系统。

部署优势：Nginx负责静态资源分发与代理，性能更好；后端服务不直接暴露公网，提升服务安全性，满足课程作业部署要求。

八、代码说明

8.1 CVF顶会爬虫

import httpx
from bs4 import BeautifulSoup

CONF_URLS = {
    "cvpr2024": "https://openaccess.thecvf.com/CVPR2024?day=all",
    "iccv2023": "https://openaccess.thecvf.com/ICCV2023?day=all",
    "eccv2024": "https://openaccess.thecvf.com/ECCV2024?day=all",
}

def fetch_conference(conf: str, max_papers: int = 500):
    """爬取某一届顶会的论文列表"""
    url = CONF_URLS.get(conf.lower())
    if not url:
        return []
    # 超时和重定向，防止请求卡死
    resp = httpx.get(url, timeout=30, follow_redirects=True)
    resp.raise_for_status()
    soup = BeautifulSoup(resp.text, "lxml")
    papers = []
    for dt in soup.select("dt.ptitle")[:max_papers]:
        paper_url = "https://openaccess.thecvf.com" + dt.a["href"]
        title = dt.a.text.strip()
        dd = dt.find_next("dd")
        authors = [a.text.strip() for a in dd.select("a")] if dd else []
        papers.append({
            "title": title, "authors": authors,
            "year": int(conf[-4:]), "conference": conf[:4].upper(),
            "paper_url": paper_url,
            "pdf_url": paper_url.replace("/html/", "/papers/").replace(".html", ".pdf"),
        })
    return papers

设计思路：AI初版只写了基础请求和选择器，人工补充了超时、异常处理、PDF链接拼接（根据URL规律推导）和去重逻辑。

8.2 关键词提取与共现

import re
from collections import Counter

STOP_WORDS = {"using","based","via","for","model","image","video",
              "data","method","approach","results","show","used"}

def extract_keywords(papers: list, top_n: int = 50):
    counter = Counter()
    for p in papers:
        words = re.findall(r"[a-z]{4,}", p["title"].lower())
        for w in words:
            if w not in STOP_WORDS:
                counter[w] += 1
    return counter.most_common(top_n)

def keyword_cooccurrence(papers: list, top_words: list):
    edges = []
    for p in papers:
        words = set(re.findall(r"[a-z]{4,}", p["title"].lower()))
        words = [w for w in words if w in dict(top_words)]
        for i in range(len(words)):
            for j in range(i+1, len(words)):
                edges.append((words[i], words[j]))
    return edges

设计思路：英文论文直接用正则分词，不用jieba。停用词表人工逐步扩充。共现关系：同一篇论文中出现的关键词两两连边。

8.3 FastAPI后端接口

from fastapi import FastAPI, Depends
from fastapi.middleware.cors import CORSMiddleware
from pydantic import BaseModel

app = FastAPI(title="CV Paper Radar API")
app.add_middleware(CORSMiddleware, allow_origins=["*"],
                   allow_methods=["*"], allow_headers=["*"])

class CrawlRequest(BaseModel):
    type: str
    conference: str = None

@app.get("/api/papers")
def list_papers(page: int = 1, page_size: int = 20,
                keyword: str = None, db: Session = Depends(get_db)):
    query = db.query(Paper)
    if keyword:  # 模糊搜索
        query = query.filter(Paper.title.contains(keyword))
    total = query.count()
    items = query.order_by(Paper.year.desc())\
              .offset((page-1)*page_size).limit(page_size).all()
    return {"total": total, "page": page, "items": items}

@app.post("/api/crawl/cvf")
def crawl_cvf(req: CrawlRequest, db: Session = Depends(get_db)):
    papers = cvf_crawler.fetch_conference(req.conference, max_papers=500)
    count = 0
    for p in papers:
        # 去重
        exists = db.query(Paper).filter(Paper.title == p["title"]).first()
        if exists:
            continue
        db.add(Paper(**p))
        count += 1
    db.commit()
    return {"crawled": count}

@app.get("/api/keywords/top10")
def top10(db: Session = Depends(get_db)):
    papers = db.query(Paper).all()
    kw = extract_keywords([{"title": p.title} for p in papers], top_n=10)
    return {"words": [k[0] for k in kw], "counts": [k[1] for k in kw]}

设计思路：AI初版只有基础CRUD，人工补充了模糊搜索和入库前去重逻辑。

8.4 前端ECharts热力图

<template>
  <div>
    <h2>热度走势对比</h2>
    <div id="heatmap" style="width:100%;height:500px"></div>
  </div>
</template>

<script setup lang="ts">
import { onMounted } from 'vue'
import * as echarts from 'echarts'
import api from '../api'

onMounted(async () => {
  const res = await api.get('/keywords/heatmap')
  const chart = echarts.init(document.getElementById('heatmap')!)
  chart.setOption({
    tooltip: { position: 'top' },
    xAxis: { type: 'category', data: res.years },
    yAxis: { type: 'category', data: res.words },
    visualMap: { min: 0, max: res.max, orient: 'horizontal',
                 left: 'center', bottom: '0%' },
    series: [{ type: 'heatmap', data: res.values, label: { show: true } }]
  })
  // 窗口变化时自适应
  window.onresize = () => chart.resize()
})
</script>

设计思路：AI生成基础图表配置，人工补充了窗口自适应resize。

8.5代码总结

模块行数AI生成人工补充
CVF爬虫60请求和选择器超时、异常、PDF链接、去重
关键词提取50Counter统计停用词表、共现计算
FastAPI接口80CRUD框架模糊搜索、去重
前端ECharts60图表配置自适应resize
合计250行

九、心路历程、收获

9.1心路历程

拿到作业题目的时候其实挺慌的——要爬取CVPR/ICCV/ECCV论文、做关键词统计和可视化、还要部署到华为云，对我一个没怎么接触过全栈开发的人来说感觉难度很大。一开始甚至不知道该先写前端还是先写后端，是AI帮我理清了顺序：先定技术栈、再画原型、然后搭数据库和后端接口、最后做前端页面。

第一步用墨刀AI生成原型的时候，感觉整个项目的轮廓一下子就清晰了——7个页面，每个页面干什么，都在原型里能看到。然后开始写后端，FastAPI的脚手架是AI生成的，跑起来很快。真正遇到困难是写arXiv爬虫的时候，一直返回406错误，AI一开始建议我加User-Agent，试了还是不行，后来我自己看请求URL才发现是urlencode把参数编码错了。这个过程让我意识到：AI不是万能的，它的建议也可能是错的，自己要懂原理才能判断。

最折磨人的是华为云部署阶段。从买ECS、绑公网IP、配安全组，到服务器上装Python/Node/Nginx，再到前端build失败、Nginx反向代理404，每一步都踩了坑。特别是vite 8在Linux上的原生模块bug，完全没想到Windows本地能跑的代码到服务器上会build失败。好在AI一步步引导我降级vite版本，最后终于跑通了。

当浏览器输入公网IP看到首页图表正常渲染出来的时候，真的很有成就感。这个项目从一个想法到一个能公网访问的网站，前前后后花了52个小时，虽然大部分代码是AI辅助生成的，但每一行我都能解释它在干什么，这才是真正学会了。

9.2收获

  1. 全栈开发能力：从前端Vue3+Element Plus到后端FastAPI+SQLite，再到Linux服务器部署，完整走了一遍Web项目从开发到上线的全流程
  2. 爬虫实战经验：学会了用httpx+BeautifulSoup爬取真实学术网站，处理了406错误、编码问题、页面解析等实际问题
  3. 云服务部署：掌握了华为云ECS购买、EIP绑定、安全组配置、Nginx反向代理、systemd服务管理
  4. Git标准工作流：理解了dev分支开发→合并main→打v1.0.0 tag的完整流程
  5. 问题排查能力：学会了看后端日志、看浏览器控制台报错、一步步定位问题
  6. 人机协作思维：知道了什么时候该听AI的、什么时候要自己判断，不会盲目复制AI生成的代码

十、对AI结对伙伴的评价

10.1与传统人人结对的对比

结合《构建之法》第4章"两人合作"，对比人机结对和传统人人结对：

对比维度传统人人结对人机结对
知识广度两人各有擅长，可能有盲区AI知识面广，前后端运维都懂
响应速度同伴要查资料、思考AI秒回，效率高
耐心人会累、会有情绪AI永远耐心
理解上下文同伴了解项目前因后果AI上下文有限，需重复说明
主观判断同伴会从产品角度给建议AI只给技术方案，不替你决策
代码审查同伴会指出逻辑错误AI也会犯错，需自己审查

10.2 AI结对伙伴的优点

  • 效率极高：技术选型、代码脚手架、bug排查都很快，以前翻半天文档的事，问AI一分钟就有答案
  • 知识面广：从Vue3语法到FastAPI路由到Nginx配置到systemd，不管问什么都能给出方案
  • 耐心十足：遇到vite build失败、Nginx 404反复调试，一步步引导定位，从不嫌烦
  • 代码规范：生成的代码结构清晰、有注释，符合PEP8和ESLint规范
  • 不知疲倦：随时问随时答，不会因为累了就敷衍

10.3 AI结对伙伴的不足

  • 会一本正经地胡说：arXiv 406问题，AI一开始建议加User-Agent，实际是URL编码问题。它的建议不一定对，必须自己验证
  • 环境差异意识弱：Windows本地能跑的代码，到Linux可能有兼容问题（如vite原生模块bug），AI不会主动提醒
  • 缺乏全局视角：局部问题的方案可能和整体架构冲突，需要自己把控
  • 上下文记忆有限：对话长了会忘记之前的项目背景，需要重新解释
  • 过度生成：简单问题也写一大段代码，需要自己精简

10.4总结

豆包作为结对编程伙伴非常高效，特别是在脚手架代码生成、技术问题排查、配置文件编写这些重复性工作上，能节省大量时间。但关键技术决策、架构设计、最终验证必须由人来把控。人机结对最大的价值不是"AI帮你写代码"，而是"AI帮你快速试错，你负责判断和决策"。

这个作业让我深刻体会到《构建之法》里说的：结对编程不是两个人互相帮忙写代码，而是互相审查、互相补充。人机结对也是一样——AI负责快速生成方案，人负责审查、验证、修正，这才是高效的协作方式。

...全文
37 回复 打赏 收藏 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
Qt插件机制示例V3 plugin
Qt插件机制示例V3 plugin
央企如何利用外部创新资源提升核心竞争力？.docx
科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。
高校如何利用数据服务加速技术转移转化效率？.docx
科易网基于40亿+科创知识图谱数据库，深度探索AI技术在技术转移、成果转化、技术经纪、知识产权、产业创新、科技招商等垂直领域的多样化应用场景，研究科技创新领域的AI+数智化解决方案，推动科技创新与产业创新智能化发展。
基于SpringBoot的考试报名网站设计与实现，完整资源包，包括系统代码、论文、开题报告、答辩PPT、设计源文件、视频教程
「基于SpringBoot的考试报名网站」计算机毕业设计完整材料包。 本系统采用 Java 与 Spring Boot 框架搭建后端，Vue.js 构建前端，MySQL 存储数据，B/S 架构。系统设置考生、教师、管理员三类角色，涵盖考生管理、教师管理、考试报名管理、考试信息管理、准考证管理、考试成绩管理、新闻资讯管理等七大模块，覆盖考试报名、准考证发放、成绩查询的全流程。 材料包含：完整的系统源码（Spring Boot 后端 + Vue 前端，含数据库脚本）；毕业论文含 13 张设计图（用例图、B/S 架构图、功能模块图、实体属性图）与 8 张数据表；汇报 PPT；开题报告；设计图源文件（Visio 格式）与 xmind 功能模块图；完整使用教程。 另配套视频教程约 57 分钟，覆盖 Java 与 MySQL 环境安装、Spring Boot 项目部署与代码讲解、毕设答辩讲解，零基础照着操作即可完成环境搭建、项目运行与答辩准备。
LSI阵列卡windows系统管理软件
已经博主授权,源码转载自 https://pan.quark.cn/s/f519b08fa202 用于管理 LSI 阵列卡的 Windows 系统管理软件，即 Windows_LSI-MegaRAID_Storage_Manager，用于管理 LSI 阵列卡的 Windows 系统管理软件，即 Windows_LSI-MegaRAID_Storage_Manager，用于管理 LSI 阵列卡的 Windows 系统管理软件，即 Windows_LSI-MegaRAID_Storage_Manager，用于管理 LSI 阵列卡的 Windows 系统管理软件，即 Windows_LSI-MegaRAID_Storage_Manager，用于管理 LSI 阵列卡的 Windows 系统管理软件，即 Windows_LSI-MegaRAID_Storage_Manager，用于管理 LSI 阵列卡的 Windows 系统管理软件，即 Windows_LSI-MegaRAID_Storage_Manager，用于管理 LSI 阵列卡的 Windows 系统管理软件，即 Windows_LSI-MegaRAID_Storage_Manager，用于管理 LSI 阵列卡的 Windows 系统管理软件，即 Windows_LSI-MegaRAID_Storage_Manager
2601_FZU_SE

88

社区成员

149

社区内容

发帖
与我相关
我的任务
社区描述
计算机-软件工程
软件工程 高校 福建省·福州市
社区管理员
  • FZU_SE_LQF
  • *奈落*
  • 助教李烨
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章