团队作业4--项目冲刺7
|这个作业属于哪个课程 | https://edu.cnblogs.com/campus/gdgy/CSGrade22-34 |
|作业要求 | https://edu.cnblogs.com/campus/gdgy/CSGrade22-34/homework/13234 |
|作业目标| 对团队进行最终冲刺，并进行汇总。|
|队名 | 白蓝昏紫队 |
团队简介
队名：白蓝昏紫队
队员
姓名 学号
许億驰 3122004883(组长)
陈文杰 3122004858
沈思敏 3122004877
王峥 3122004881
郑灿嘉 3122004887
黄梓洋 3122004481
阿卜杜扎伊尔·艾孜则 3122004855
站立式会议合照
各个成员的最终完成任务汇总
| 工作 | 负责人 | 内容 |
|---|---|---|
| 前端开发 | 许億驰、陈文杰 | 初始化登录模块以及视频聊天模块等，根据需求调整计划并不断完善 |
| 后端设计 | 沈思敏、王峥 | 初始化用户设置模块、根据需求再次进行调整，完善数据库以及语音聊天等模块，优化全局架构 |
| 测试 | 郑灿嘉、黄梓洋 | 进行模块测试，跟进每部分的单元测试，根据需求不断调整测试策略 |
| 需求分析与跟进反馈 | 阿卜杜扎伊尔·艾孜则 | 与测试一起，对已有功能进行分析，与用户对接，挖掘新需求，维护需求文档和项目管理方案 |
发布项目燃尽图
最终结果
亮点和难点
1.ChatGenius得益于openEuler对内核的深度优化，对虚拟化调度更加积极，并且内存使用有明显降低，能效比更加出色。
2.Function Calling 允许模型在回答用户问题时，动态调用特定的函数或API。这使得LLM 在一些场景中能够拓展仅基于语言生成的回答，而是借助外部工具来完成更复杂或精确的任务。例如，帮助用户发送信息。
3.RAG技术通过在生成内容前检索外部信息，使模型能够基于现有的、可靠的文档或知识库生成回答，从而有效减少幻觉问题的发生。与仅依赖于模型预训练数据不同，RAG提供了一个“事实检查”机制，通过实时检索相关信息作为依据，确保生成的内容有据可依。
4.使用COT推理:有效提升LLM在复杂任务中的推理能力，在提示中明确引导模型一步步推理，分析聊天记录，分解出关键点，再基于这些点生成问题。
5.上下文窗口优化:读取上下文文本的特点，根据聊天记录智能过滤信息，将重点内容放在上下文的最前端，提高生成问题的精准性和相关性。
每日每人总结
以下是每个人的简单实验总结：
许億驰的总结：
完善登录模块等模块，根据需求以及调整方案确保用户认证和会话管理的安全性和稳定性。
陈文杰的总结：
完善聊天模块等模块，确保了消息传输的时实性以及存储的可靠性，通过反馈改进用户体验。
沈思敏的总结：
完善了用户设置等模块，优化了个人资料编辑和密码更改等功能，让操作更加便捷。
王峥的总结：
完善了数据库，根据需求再次进行调整，确保结构合理，性能优化，为项目提供了坚实的数据支持。
郑灿嘉的总结：
调整了测试策略，确保了测试的全面性，保证产品质量。
黄梓洋的总结：
完成剩下各个部分的单元测试，确保产品的安全性和可靠性。
阿卜杜扎伊尔·艾孜则的总结：
与测试一起，对已有功能进行分析，确保了项目管理方案有效。
