项目介绍与验证方式

这里按项目概括业务任务、负责内容、工程实现、技术方案与验证结果。

Primary case · Paid delivery

企业年报文本情感分析交付

有偿外部委托｜2025.05–08｜独立设计与交付

业务问题: 客户需要从若干上市公司年报中筛选指定主题语句并识别情感态度。原流程依赖人工逐份查阅，非技术用户也无法直接运行模型脚本。
需求与迭代: 我将模糊需求拆成文本处理、主题语句筛选、句级情感分类、结果校验和结构化导出；先完成单企业版本，再按实际使用需求扩展多企业批处理和 XLSX 字段。
交付形态: 将基于 BERT 的句级情感分析流程封装为 Windows GUI，支持拖拽上传年报或 ZIP 批量处理，并导出 Excel / CSV。
运行与交接: 针对客户环境缺少依赖、GUI 无法启动、批量运行慢和网络等问题重新封装环境，并补充演示与操作指南。
完成结果: 客户能够按指南独立完成批量处理和结构化导出，项目随后完成验收并付款。
项目定位: 工具用于投研信息整理与辅助判断，最终投资判断由使用者完成。

客户资料按保密要求管理；项目说明聚焦需求拆解、运行适配与验收过程。

Java Agent implementation

个人工程实践｜JDK 21 + Maven｜6/6 测试通过

项目内容: 我用 Java 21 / Spring Boot 3 实现 Agent Chat API、有界 Agent Loop、白名单 Tool Registry、JSON Schema 参数校验、工具 trace、会话存储和最小 RAG。
工具管理: 注册 knowledge_search 与结构化 read_only_query；通过白名单、JSON Schema、超时与有限重试控制执行。
验证结果: 在 JDK 21.0.12 与 Maven 3.9.16 环境完成编译，4 个测试类共 6 项测试通过；测试覆盖工具执行、RAG 切分/召回和应用层 Agent Loop。
运行方式: mvn test；默认使用 H2 与 memory adapter，MySQL / Redis / OpenAI-compatible 模型通过环境变量切换。
扩展接口: 默认 HashEmbeddingPort 完成服务链路验证；EmbeddingPort 保留替换接口，便于结合具体数据评估召回质量。

这个项目重点展示 Java / Spring Boot 服务端表达、工具管理、异常处理和可测试的 Agent 执行链路。

Primary implementation

公开 Skill｜中文 v0.4.3 · 英文 v0.1.1

公开来源: ClawHub：中文版本、英文版本。
项目内容: 我实现了七模块协作状态卡片和确定性处理层：来源记录、PII 脱敏、跨轮聚合、Schema 校验、冲突检测，以及 CSV、飞书多维表格和 Notion 字段映射导出。
自测范围: 代码中包含 CSV 公式注入 E4、SVG XSS T5、Markdown 表格注入 M1–M5，以及坏 JSON、类型不符和缺文件的对抗输入处理。
实现方式: 通过固定 Schema、确定性处理和 selftest，将会议纪要、群聊记录等材料整理为结构化状态卡片。
适用范围: 适合协作材料整理、状态汇总和结构化导出场景。

热度榜第 1 · Top 1/1851 · 待公示
协作雷达 Skill｜科大讯飞 Skill 比赛（智能办公协同助理方向）；最终结果以官方公示为准。

Open source repository

GitHub 开源｜用户自行配置 API Key

ClawHub 下载量采用平台公开累计下载量口径；查看 Skill 与当前数据。

External task records

模型任务评测｜覆盖 5 个代号模型、3 类任务

Controlled workflow

个人工程项目｜Text2SQL Agent

Implementation record

双框架 RAG｜MCP 协议与工具调用已测试

项目内容: 我用 LangChain 与 LlamaIndex 分别实现一套 RAG 管线，对照切分、Dense + BM25 多路召回与 RRF 重排，并以 Chroma 持久化检索数据。
MCP 验证: 使用 Python 标准库实现 JSON-RPC 2.0 over stdio 的最小 MCP server，注册 2 个工具；自建 client 已完成 initialize、tools/list 与两个 tools/call 冒烟测试。
工程判断: 双框架对照用于验证“框架负责管线封装，检索质量取决于切分、召回与重排策略”；MCP 验证工具协议，权限、审计和人工确认由应用层负责。
测试记录: 覆盖协议握手、工具发现，以及自建 client 对 2 个工具的调用链路。

AI workflow decision

证据预检｜30 条样本评测｜人工复核

问题范围: 聚焦报销材料在进入费用规则审核前的证据完整性检查。附件缺失、票面与字段冲突或特批证据不足时转 FLAG 并给出人工补证 / 核实建议；最终审批仍由人工负责。
一次纠偏: 规则复核发现，早期规则曾把“附件缺失”与已证实制度违规一起归入 REJECT。修正后，证据不足统一保留为待核验信号；T10 验证“附件缺失不自动驳回”。
验证范围: 12/12 条分流测试通过；30 条标注样本的决策准确率为 63.33%，低于预设 80% 门槛，当前范围保留人工复核。
可证明能力: 主动收窄高风险范围、区分证据缺失与制度违规、用评测门槛决定是否扩围，并为人工复核保留可执行的下一步。

完成内容包括证据完整性检查、FLAG 分流、12/12 条测试与 30 条样本评测。

Public release

公开发布｜平台数据可点击核验