# FCat

**Repository Path**: FWorldCodeZ/FCat

## Basic Information

- **Project Name**: FCat
- **Description**: FCat项目是企业级基础功能框架  全栈必备。
- **Primary Language**: Java
- **License**: Apache-2.0
- **Default Branch**: master
- **Homepage**: https://fcat.top
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 322
- **Created**: 2025-10-22
- **Last Updated**: 2025-10-22

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# FCat

## 介绍
FCat项目是企业级AI基础功能框架  全栈必备，翼猫未来工作室出品。

## FCat 软件架构
- **前端框架和技术**：Vue、Spring Boot、Element、JavaScript、Angular、React
- **后端框架和技术**：Spring Cloud、MyBatis、Docker、Kubernetes（k8s）、RabbitMQ、MySQL、Oracle、Netty、WebSocket、Druid
- **数据库和存储**：Redis、MongoDB、Hadoop、FastDFS、Elasticsearch、Milvus
- **消息队列和分布式系统**：Kafka、Nacos、Zookeeper
- **安全和监控**：Security、Docker Compose
- **人工智能和机器学习**：Langchain4j、Spring AI；大模型Qwen3、Deepseek、GLM-4等

## 企业知识库案例
|-----    Langchain4j-knowledgebase

**技术栈**
- 基于SpringBoot3、mybatis-plus 开发
- Langchain4j 作为大模型调用框架
- 本地安装ollama和大模型Qwen3、Deepseek、GLM-4，或者调用在线的大模型
- Mongo 存储对话历史信息
- Mysql 存储结构化信息
- ElasticSearch 存储全文检索信息，作为向量数据库
- Milvus 存储向量信息

## 功能场景  
#### 一、智能办公场景
1. **AI行政助手**
    - **自动会议纪要生成**
        - 通过Ollama调用Qwen3实时转录会议录音→提取关键决策/待办项→结构化存储MySQL
        - 技术实现：`Audio2Text`组件+`MeetingSummaryPrompt`模板
    - **智能预约冲突检测**
        - 结合会议室预约系统，用GLM-4分析自然语言请求（如"明天下午3点10人会议室"）→自动匹配空闲资源

2. **文档智慧化**
    - **合同风险扫描**
        - 上传PDF/Word→ElasticSearch提取关键条款→Deepseek进行合规性检查
        - 数据库设计：Mongo存储修订记录，Milvus存条款向量用于相似案例检索
    - **智能归档**
        - 非结构化文档经GLM-4生成摘要+关键词→ES建立二级索引


#### 二、生产增效场景
3. **制造业知识中枢**
    - **故障知识库**
        - 维修记录存入MySQL→故障现象/解决方案向量化存Milvus
        - 工人拍照上传设备异常→Qwen3多模态识别→返回Top3相似案例
    - **工艺优化建议**
        - 历史生产数据（MySQL）→Deepseek时序分析→给出参数调整建议

4. **智能客服**
    - **多轮工单处理**


### 三、创新应用方向
5. **安全监控增强**
    - **日志异常检测**
        - ES收集系统日志→GLM-4构建`LogPatternAnalyzer`→实时告警异常模式
    - **门禁语音核身**
        - 员工语音请求（"开门，我是张三"）→声纹+语义双验证

6. **HR智能面试**
    - **简历智能初筛**
        - 解析PDF简历→MySQL结构化存储→Milvus计算岗位JD相似度
    - **面试问题生成**
        - 基于岗位要求（ES检索）→Deepseek生成技术题库

---

### 四、技术架构
1. **性能优化**
    - 对Qwen3等大模型做`LoRA微调`适配企业术语
    - Milvus实现`IVF_FLAT`索引加速向量检索
2. **混合部署**
   ```mermaid
   graph LR
   A[用户请求] --> B{敏感数据?}
   B -->|是| C[本地Ollama]
   B -->|否| D[在线API]
   ```
3. **监控指标**
    - 模型响应延迟（Prometheus）
    - 向量检索召回率（Milvus监控）