OpenClaw-AgentOps 是一个面向贵金属交易研究场景的企业级 AI Agent 平台。用户在飞书或微信里发送一句自然语言指令，例如“今日贵金属分析”“今日指标速览”“今日变量评分”“停止分析”，系统会通过 OpenClaw 读取会话消息，自动识别任务意图，并调度多个智能体完成行情数据采集、原始资料归档、RAG 证据检索、六阶段大模型分析、风险审校、报告生成、飞书/微信推送和本地看板沉淀

直接给结论。以下按来估算，实际账单以阿里云/BytePlus/Google/Midjourney 后台为准。现在这套默认链路是：qwen-plus 写方案 -> Wan 2.6 I2V Flash 生成视频 -> CosyVoice 生成中文旁白 -> FFmpeg 本地合成我建议默认继续用，比让视频模型直接带音频更便宜，也更容易修音画同步。如果排队严重，可能到 10 分钟以上。正常情况下，你点

OpenClaw-AgentOps 是一个面向贵金属交易研究场景的企业级 AI Agent 平台。用户在飞书或微信里发送一句自然语言指令，例如“今日贵金属分析”“今日指标速览”“今日变量评分”“停止分析”，系统会通过 OpenClaw 读取会话消息，自动识别任务意图，并调度多个智能体完成行情数据采集、原始资料归档、RAG 证据检索、六阶段大模型分析、风险审校、报告生成、飞书/微信推送和本地看板沉淀

本项目围绕小红书社区搜索相关性审核打标场景，构建了一套基于大模型、多模态理解和 N8N 工作流的智能审核打标 Copilot。系统将人工打标过程拆解为 query 结构化解析、正文/图片/视频匹配、实体和限制条件判断、有效内容等级计算、最终分值映射等环节，实现了从原始数据到 AI 评分建议的自动化闭环。项目重点不在于简单调用大模型，而在于把复杂业务规则工程化、流程化、可解释化。

本项目围绕小红书社区搜索相关性审核打标场景，构建了一套基于大模型、多模态理解和 N8N 工作流的智能审核打标 Copilot。系统将人工打标过程拆解为 query 结构化解析、正文/图片/视频匹配、实体和限制条件判断、有效内容等级计算、最终分值映射等环节，实现了从原始数据到 AI 评分建议的自动化闭环。项目重点不在于简单调用大模型，而在于把复杂业务规则工程化、流程化、可解释化。

AI医疗助手是一个结合了最新人工智能技术的医疗问答系统，旨在为用户提供准确、专业的医疗咨询服务。系统采用前后端分离架构，前端使用React构建友好的用户界面，后端使用FastAPI提供高性能的API服务，并结合LangChain框架和通义千问大语言模型提供智能问答能力。本项目是本人用于学习LangChain框架的练手项目，后续会继续完善。

在进行垃圾分类系统的研究和设计时，选择适当的模型至关重要。本文将总结CNN、ResNet和MobileNet三个模型，并分析后两个模型是如何基于CNN改进的，最后对比它们的优缺点。