传统规则检测速度快、可解释性强，但容易受变形和未知样本影响；单一机器学习模型能够发现统计异常，却难以直接说明异常是否属于 XSS。为解决这一问题，本系统把机器学习异常检测与 XSS 专项规则检测结合起来，同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力，形成从数据、训练、检测、解释到审计的完整闭环。

传统规则检测速度快、可解释性强，但容易受变形和未知样本影响；单一机器学习模型能够发现统计异常，却难以直接说明异常是否属于 XSS。为解决这一问题，本系统把机器学习异常检测与 XSS 专项规则检测结合起来，同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力，形成从数据、训练、检测、解释到审计的完整闭环。

传统规则检测速度快、可解释性强，但容易受变形和未知样本影响；单一机器学习模型能够发现统计异常，却难以直接说明异常是否属于 XSS。为解决这一问题，本系统把机器学习异常检测与 XSS 专项规则检测结合起来，同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力，形成从数据、训练、检测、解释到审计的完整闭环。

传统规则检测速度快、可解释性强，但容易受变形和未知样本影响；单一机器学习模型能够发现统计异常，却难以直接说明异常是否属于 XSS。为解决这一问题，本系统把机器学习异常检测与 XSS 专项规则检测结合起来，同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力，形成从数据、训练、检测、解释到审计的完整闭环。

传统规则检测速度快、可解释性强，但容易受变形和未知样本影响；单一机器学习模型能够发现统计异常，却难以直接说明异常是否属于 XSS。为解决这一问题，本系统把机器学习异常检测与 XSS 专项规则检测结合起来，同时引入可视化交互、模型全生命周期管理和可选的大模型解释能力，形成从数据、训练、检测、解释到审计的完整闭环。

本项目面向航空维修工程师、技术人员和管理者，构建了一套集航空维修资料管理、知识图谱构建、混合检索、多模态问答、维修业务数据管理和可视化分析于一体的智能知识服务平台。系统将维修手册、技术资料、飞机机型档案和历史维修案例统一组织，通过 GraphRAG 将文档证据、图谱关系和结构化业务数据共同提供给大语言模型，从而生成可追溯、可核验的维修辅助回答。

本项目面向航空维修工程师、技术人员和管理者，构建了一套集航空维修资料管理、知识图谱构建、混合检索、多模态问答、维修业务数据管理和可视化分析于一体的智能知识服务平台。系统将维修手册、技术资料、飞机机型档案和历史维修案例统一组织，通过 GraphRAG 将文档证据、图谱关系和结构化业务数据共同提供给大语言模型，从而生成可追溯、可核验的维修辅助回答。

本项目面向航空维修工程师、技术人员和管理者，构建了一套集航空维修资料管理、知识图谱构建、混合检索、多模态问答、维修业务数据管理和可视化分析于一体的智能知识服务平台。系统将维修手册、技术资料、飞机机型档案和历史维修案例统一组织，通过 GraphRAG 将文档证据、图谱关系和结构化业务数据共同提供给大语言模型，从而生成可追溯、可核验的维修辅助回答。

本项目面向航空维修工程师、技术人员和管理者，构建了一套集航空维修资料管理、知识图谱构建、混合检索、多模态问答、维修业务数据管理和可视化分析于一体的智能知识服务平台。系统将维修手册、技术资料、飞机机型档案和历史维修案例统一组织，通过 GraphRAG 将文档证据、图谱关系和结构化业务数据共同提供给大语言模型，从而生成可追溯、可核验的维修辅助回答。

GridSentinel 是一套面向输电线路巡检、故障分析与预警处置的 Windows 桌面应用。系统以 YOLO 目标检测为核心，结合 OpenAI-compatible 多模态模型进行按需复核，覆盖数据集管理、模型训练与发布、图片检测、视频检测、摄像头实时检测、模型评估、预警处置、报告导出和系统管理等业务，形成从“数据准备—模型训练—检测分析—风险预警—人工处置”的完整闭环。