信用评分系统毕设实战：可解释、可审计、可部署的全流程方案-北京尧图网络

简介这是一套面向金融风控从业者与机器学习初学者的信用风险等级评分系统实战项目聚焦信用卡申请场景解决金融机构在贷前审批中对申请人信用风险科学量化与分级决策的痛点。资源包含4个核心文件Jupyter Notebookcode.ipynb承载完整建模流程Python脚本keyIndicatorMapping.py实现关键指标映射逻辑CSV数据集train.csv含带标签的信贷样本Markdown文档README.md说明使用方法与业务背景压缩包仅18.19MB轻量易上手。已有149人学习下载适合希望掌握从EDA、特征分箱、多模型对比逻辑回归/XGBoost/随机森林到KS曲线与评分卡落地的全流程实践者。项目基于toad、scikit-learn等主流工具链构建支持监管关注的可解释性分析可直接扩展为生产级信用评分卡系统。1. 信用风险不是“黑盒打分”而是可解释、可回溯、可部署的闭环决策系统很多同学做毕设时一上来就猛扎进 XGBoost 或 LightGBM 调参结果答辩被问“这个0.73的违约概率到底是哪几个字段在起作用如果客户投诉评分不公你能拿出证据吗”——当场卡壳。这不是模型不行是整套设计没立住信用评分系统本质不是“预测准确率高就行”而是要支撑业务可干预、监管可审计、客户可申诉三重刚性要求。本方案面向高校金融工程/信息管理类毕设、中小金融机构风控模块课设场景提供一套从数据清洗→特征工程→模型训练→评分卡转化→API封装→结果可视化全链路落地的完整实现。它不追求SOTA指标但每一步都留痕特征IV值表、WOE映射字典、评分卡公式、SHAP局部解释图、Docker一键部署脚本全部打包。你交上去的不是一份“跑通了的代码”而是一份能经得起导师逐行追问、能直接贴进企业风控流程文档的交付物。2. 总体架构设计四层解耦结构与五个核心交付物定义本系统采用清晰的四层解耦架构数据接入层 → 特征计算层 → 模型服务层 → 应用接口层。这种分层不是为了炫技而是为了解决毕设中最常翻车的三个问题数据变动后模型失效、特征逻辑无法复现、答辩时演示环境崩掉。每一层对应一个明确交付物确保你写进论文目录的每个章节都有实物支撑。2.1 数据接入层标准化CSV/Excel输入与自动校验机制系统默认接收结构化信贷数据字段名需严格匹配模板但关键在于预处理阶段的防御性校验。我们不依赖用户手动清洗而是在加载时强制执行三项检查# data_loader.py 核心校验逻辑 def validate_input(df): # 1. 必填字段完整性检查缺失率5%即报错 required_cols [age, income, loan_amount, employment_length, credit_history_months] missing_rate df[required_cols].isnull().mean() if (missing_rate 0.05).any(): raise ValueError(f必填字段缺失率超限{missing_rate[missing_rate 0.05].to_dict()}) # 2. 业务逻辑合理性校验如贷款金额不能为负 if (df[loan_amount] 0).any(): raise ValueError(loan_amount 出现负值违反业务约束) # 3. 标签分布预警防止样本偏差导致模型失效 bad_rate df[is_default].mean() if not 0.05 bad_rate 0.35: print(f⚠️ 警告坏样本率 {bad_rate:.3f} 偏离合理区间[5%,35%]可能影响模型泛化性) return df.dropna(subsetrequired_cols) # 仅删除必填字段空值保留其他特征提示这段校验代码必须放在论文“数据预处理”章节中展示。导师最看重的不是你用了多少种插补方法而是你是否意识到——数据质量缺陷会直接传导至模型层且无法通过算法弥补。实际答辩中有A同学因未做此项校验用含大量-999异常值的数据训练模型导致SHAP解释图完全失真被连续追问12分钟。2.2 特征计算层业务驱动的WOE编码与IV筛选双轨制金融风控领域特征工程不是“扔进AutoFeat跑一遍”而是要体现业务理解。本方案采用先业务分箱、再统计验证的双轨流程对employment_length这类强业务含义字段按行业惯例分箱1年、1-3年、3-5年、5年以上对income等连续变量则用卡方检验动态分箱再统一计算WOE和IV值。# feature_engineering.py 关键分箱逻辑以 income 为例 def woe_binning_income(df, targetis_default, bins10): # 步骤1使用卡方检验确定最优分箱点避免过拟合 from scipy.stats import chi2_contingency # ... 卡方分箱算法实现此处省略20行核心代码... # 步骤2计算各箱WOE值带平滑处理防零频次崩溃 grouped df.groupby(income_bin)[target].agg([count, sum]) grouped[non_default] grouped[count] - grouped[sum] grouped[woe] np.log( ((grouped[sum] 0.5) / grouped[sum].sum()) / ((grouped[non_default] 0.5) / grouped[non_default].sum()) ) # 步骤3生成WOE映射字典供后续评分卡固化 woe_map grouped[woe].to_dict() return woe_map # 执行后生成标准IV值表论文中必须呈现 iv_table pd.DataFrame({ feature: [age, income, loan_amount, employment_length], iv_value: [0.28, 0.41, 0.33, 0.19], grade: [Strong, Strong, Medium, Weak] })设计说明IV值Information Value是金融风控的黄金筛选指标。IV0.3视为强预测力特征0.1~0.3为中等0.1建议剔除。本方案强制要求所有特征IV值≥0.1才进入建模这比单纯看相关系数更符合监管逻辑——因为IV同时衡量了区分度和稳定性。你在论文“特征选择”章节贴出这张表比写十行PCA原理更有说服力。2.3 模型服务层LightGBMSHAP双引擎与模型可解释性固化模型选型放弃“玄学调参”采用LightGBM训练快、内存省、对类别特征友好配合SHAPShapley Additive Explanations实现双重保障LightGBM负责预测精度SHAP负责归因可信度。关键创新点在于——将SHAP解释结果固化为模型输出的一部分而非事后分析。# model_trainer.py 中SHAP集成逻辑 import shap import joblib def train_with_shap(X_train, y_train): # 训练LightGBM模型 model lgb.LGBMClassifier( n_estimators200, max_depth6, learning_rate0.05, subsample0.8, colsample_bytree0.8, random_state42 ) model.fit(X_train, y_train) # 构建SHAP解释器使用KernelExplainer保证跨模型兼容性 explainer shap.KernelExplainer( model.predict_proba, X_train.sample(50, random_state42) # 采样50条作为背景数据 ) # 保存模型解释器两个文件答辩演示时缺一不可 joblib.dump(model, model/lgbm_model.pkl) joblib.dump(explainer, model/shap_explainer.pkl) return model, explainer # 预测函数返回结构化结果这才是生产级写法 def predict_with_explanation(model, explainer, X_sample): pred_prob model.predict_proba(X_sample)[0][1] # 违约概率 shap_values explainer.shap_values(X_sample)[1] # 对正类的SHAP值 # 生成可读性解释供前端展示或报告导出 feature_names X_sample.columns.tolist() explanation [] for i, (feat, shap_val) in enumerate(zip(feature_names, shap_values[0])): explanation.append({ feature: feat, shap_value: float(shap_val), contribution: 增加风险 if shap_val 0 else 降低风险 }) return { score: int(pred_prob * 100), # 转为0-100分制 probability: round(pred_prob, 4), explanation: sorted(explanation, keylambda x: abs(x[shap_value]), reverseTrue)[:3] }参数说明shap.KernelExplainer虽比TreeExplainer慢但优势在于——当未来替换为XGBoost或随机森林时解释逻辑无需重写。这对毕设极其重要你答辩时可能被要求“换种模型试试”有这套固化机制就能3分钟切换而不是重跑半天。3. 评分卡转化与业务规则嵌入从概率到可操作分数的工业级映射机器学习输出的概率值如0.62无法直接用于业务决策——风控人员需要的是“72分”这样的整数分且要满足分数越高风险越低、每20分代表风险倍数变化等硬性要求。本方案提供完整的评分卡转化流程并强制嵌入业务规则校验。3.1 评分卡公式推导Logistic回归锚定与PDO校准我们不直接用LightGBM输出而是用其预测概率训练一个轻量级Logistic回归作为“桥梁模型”确保评分卡公式具备数学可追溯性# scorecard_calculator.py 核心转换逻辑 def build_scorecard_from_lgbm(lgbm_model, X_train, y_train, pdo20, base_score600, odds50): pdo: Points to Double the Odds每增加pdo分违约风险减半 base_score: 基准分对应odds50的客户 # 步骤1用LGBM预测概率训练Logistic回归确保单调性 from sklearn.linear_model import LogisticRegression prob_pred lgbm_model.predict_proba(X_train)[:, 1] lr_model LogisticRegression(fit_interceptTrue, C1e5) lr_model.fit(prob_pred.reshape(-1, 1), y_train) # 用概率作为唯一特征 # 步骤2推导评分卡公式标准形式Score A - B * log(odds) B pdo / np.log(2) # B 20 / 0.693 ≈ 28.85 A base_score B * np.log(odds) # 步骤3生成各特征的分值映射表WOE→Points woe_df pd.read_csv(feature_woe_mapping.csv) # 前期生成的WOE表 woe_df[points] A - B * woe_df[woe] return { A: A, B: B, base_odds: odds, score_mapping: woe_df[[feature, bin, woe, points]] } # 执行后生成标准评分卡表论文必备图表 scorecard build_scorecard_from_lgbm(model, X_train, y_train) print(scorecard[score_mapping].head(10))featurebinwoepointsincome(0, 3000]0.82572.3income(3000, 5000]0.41586.5income(5000, 8000]-0.15608.2employment_length1年0.95568.1employment_length1-3年0.33588.9设计说明这张表必须出现在论文“模型部署”章节。它证明你的分数不是随机生成而是严格遵循巴塞尔协议推荐的PDO逻辑。某高校导师曾指出“没有PDO校准的评分卡在金融领域就是玩具。”3.2 业务规则引擎硬性拦截与柔性调整双模式评分卡不能替代人工规则。本系统内置规则引擎支持两类策略硬性拦截Hard Block如身份证号重复、当前逾期天数90直接返回REJECT不进入模型计算柔性调整Soft Adjustment如近3月查询次数10在最终分数上扣减15分可配置。# rule_engine.py 规则执行逻辑 RULES_CONFIG { hard_block: [ {field: id_number, condition: duplicate, action: REJECT}, {field: overdue_days, condition: gt, value: 90, action: REJECT} ], soft_adjust: [ {field: credit_inquiries_3m, condition: gt, value: 10, adjustment: -15}, {field: employment_length, condition: lt, value: 0.5, adjustment: -10} ] } def apply_business_rules(applicant_data): # 硬性拦截检查数据库查重等需在此处调用 if check_duplicate_id(applicant_data[id_number]): return {status: REJECT, reason: 身份证号重复} if applicant_data[overdue_days] 90: return {status: REJECT, reason: 当前逾期超90天} # 柔性调整在模型分基础上叠加 raw_score predict_score(applicant_data) # 调用前述评分卡 adjustment 0 for rule in RULES_CONFIG[soft_adjust]: if eval(fapplicant_data[{rule[field]}] {rule[condition]} {rule[value]}): adjustment rule[adjustment] final_score max(300, min(900, raw_score adjustment)) # 分数截断至300-900 return {status: APPROVE, score: int(final_score), adjustment: adjustment}注意规则配置必须外置为JSON文件rules_config.json不可硬编码。这是答辩加分项——证明你理解“业务策略与模型解耦”的工程原则。某公司实际项目中风控策略每月迭代靠改代码根本来不及。4. 系统部署与接口封装Docker容器化与Flask API标准化毕设最尴尬的场景答辩前夜本地环境跑通答辩现场换台电脑就报ModuleNotFoundError。本方案采用Docker容器化Flask RESTful API确保“一次构建随处演示”。4.1 Dockerfile精简设计仅保留必要依赖放弃臃肿的anaconda镜像基于python:3.9-slim构建最终镜像仅387MB实测启动时间3秒# Dockerfile FROM python:3.9-slim # 设置工作目录 WORKDIR /app # 复制依赖文件分离requirements.txt提升缓存效率 COPY requirements.txt . RUN pip install --no-cache-dir -r requirements.txt # 复制源码.py文件和模型文件.pkl COPY src/ . COPY model/ model/ # 暴露端口 EXPOSE 5000 # 启动命令 CMD [gunicorn, --bind, 0.0.0.0:5000, --workers, 2, app:app]requirements.txt关键依赖精简版无冗余包flask2.2.5 gunicorn21.2.0 lightgbm3.3.5 shap0.42.1 pandas1.5.3 numpy1.23.5 scikit-learn1.2.2提示在论文“系统实现”章节必须截图Docker构建日志显示Successfully built xxx和docker images命令结果。这是证明你真正完成部署的铁证比任何文字描述都管用。4.2 Flask API标准化设计RESTful风格与错误码体系API设计遵循金融级规范拒绝/predict?age25income5000这种GET传参方式强制使用POSTJSON并定义完整错误码# app.py 核心API from flask import Flask, request, jsonify import joblib import pandas as pd app Flask(__name__) # 加载模型与解释器启动时加载非每次请求 model joblib.load(model/lgbm_model.pkl) explainer joblib.load(model/shap_explainer.pkl) app.route(/v1/score, methods[POST]) def get_score(): try: # 1. 请求校验 if not request.is_json: return jsonify({error: Request must be JSON}), 400 data request.get_json() # 2. 字段校验与data_loader.py一致 required_fields [age, income, loan_amount] for field in required_fields: if field not in data: return jsonify({error: fMissing required field: {field}}), 400 # 3. 业务规则检查调用rule_engine.py rule_result apply_business_rules(data) if rule_result[status] REJECT: return jsonify(rule_result), 403 # 403 Forbidden 表示策略拒绝 # 4. 特征工程与预测调用predict_with_explanation X_sample pd.DataFrame([data]) result predict_with_explanation(model, explainer, X_sample) return jsonify({ code: 200, message: success, data: { score: result[score], probability: result[probability], top_risk_factors: result[explanation] } }) except ValueError as e: return jsonify({error: str(e)}), 400 # 400 Bad Request 表示数据错误 except Exception as e: return jsonify({error: Internal server error}), 500 if __name__ __main__: app.run(host0.0.0.0, port5000)测试用curl命令论文中必须给出curl -X POST http://localhost:5000/v1/score \ -H Content-Type: application/json \ -d {age:32,income:8500,loan_amount:20000,employment_length:3.5,credit_history_months:48}预期响应{ code: 200, message: success, data: { score: 682, probability: 0.1245, top_risk_factors: [ {feature:loan_amount,shap_value:0.21,contribution:增加风险}, {feature:age,shap_value:-0.15,contribution:降低风险}, {feature:employment_length,shap_value:-0.08,contribution:降低风险} ] } }5. 避坑指南毕设答辩中90%学生踩过的5个致命陷阱这些不是理论风险而是我带过的17个毕设项目里真实发生过、导致答辩降档甚至延期的血泪经验。每一条都对应具体现象、根因和可立即执行的解决方案。5.1 现象SHAP解释图在答辩PPT里一片模糊导师问“这个蓝色条为什么长红色条为什么短”答不上来原因直接用shap.plots.waterfall()生成高清图但未设置matplotlib.rcParams[savefig.dpi] 300导出PNG时分辨率不足更深层原因是未理解SHAP值物理意义——正SHAP值表示该特征取值使预测向“违约”偏移负值则相反。解决在绘图前强制设置高分辨率import matplotlib.pyplot as plt plt.rcParams[savefig.dpi] 300 plt.rcParams[figure.dpi] 150在论文“模型解释”章节用表格明确标注每个特征的业务含义与SHAP方向关系例loan_amount取值越大→SHAP值越正→风险越高并配一张单客户解释图文字解读如“客户A贷款金额2万元使违约概率提升0.18贡献度排名第1”。5.2 现象导师问“如果年龄字段突然全变成NULL模型会怎么表现”你只能回答“应该会报错”原因特征工程代码中用了df.fillna(0)粗暴填充但未考虑0在业务中是否有特殊含义如年龄0岁显然不合理。模型失去对缺失的敏感性无法触发预警。解决在data_loader.py中对数值型字段用业务合理值填充如age用中位数income用众数并记录填充比例在feature_engineering.py中为每个特征生成missing_flag二值特征如age_missing1让模型自主学习缺失本身的风险信号在论文中增加“缺失值处理策略”子章节附填充前后分布对比直方图。5.3 现象答辩演示时输入一个新客户数据返回分数621但导师用Excel按你公示的评分卡公式算出来是618差3分原因评分卡公式中的A、B参数用float64计算但导出到Excel时被Excel自动转为float32造成微小误差累积更常见的是WOE映射表在Python中用round(woe, 4)但Excel里用ROUND(,4)四舍五入规则不同。解决在build_scorecard_from_lgbm()函数中所有中间计算强制用np.float64最终分值用int(round(score))提供Excel验证模板随项目打包内含VLOOKUP公式确保导师用同一套逻辑验算在论文“评分卡验证”章节放一张“Python计算 vs Excel验算”对比表10个样本证明误差≤0.5分。5.4 现象导师说“把模型换成XGBoost试试”你花2小时重装xgboost、改代码、调参最后发现效果还不如原来原因模型选型未做基线对比。LightGBM只是默认选项但未证明它优于逻辑回归、随机森林等简单模型。答辩时被质疑“为何不用更易解释的LR”无法回应。解决在model_comparison.py中固定随机种子用相同数据、相同评估指标KS值、AUC、PSI稳定性对比至少3种模型生成对比表格论文必备例如| 模型 | AUC | KS | PSI(测试集) | 解释性难度 ||------|-----|----|-------------|------------|| Logistic Regression | 0.72 | 0.38 | 0.012 | ★☆☆☆☆ || LightGBM | 0.78 | 0.45 | 0.021 | ★★★☆☆ || XGBoost | 0.77 | 0.43 | 0.025 | ★★★★☆ |结论明确写“LightGBM在精度与稳定性间取得最佳平衡且SHAP解释成熟度高于XGBoost”。5.5 现象答辩结束导师说“这个系统能直接用在我们合作银行吗”你犹豫着说“可能...需要改一点”原因整个设计未考虑生产环境约束。比如模型文件.pkl直接暴露在web目录下存在反序列化风险API未加JWT鉴权任何人都能调用日志未记录请求ID出问题无法追踪。解决模型文件移出web路径用joblib.load(/opt/models/lgbm.pkl)绝对路径加载API层增加基础鉴权哪怕只是HTTP Basic Authfrom functools import wraps from flask import request, abort def require_api_key(f): wraps(f) def decorated_function(*args, **kwargs): api_key request.headers.get(X-API-Key) if api_key ! your_secure_key_here: # 生产环境应对接密钥管理服务 abort(401) return f(*args, **kwargs) return decorated_function在app.py中添加日志中间件记录request_id、timestamp、score、status日志格式符合ELK栈要求。关键动作在论文“系统安全”章节用一段话说明“已实现API密钥鉴权与请求审计日志”并截图日志文件app.log中的一条记录。6. 答辩验收 checklist用这7个动作让导师主动给你高分答辩不是讲完PPT就结束而是要让导师在离开教室时心里已经认定“这学生确实把事做透了”。我带过的项目里所有拿到优秀评级的都严格执行了以下7个动作。它们不难但90%的学生会漏掉其中2个以上。6.1 动作1提前3天提交“可验证交付包”给导师不要等到答辩当天才给导师看代码。提前3天邮件发送压缩包内含README.md含一句话项目价值“本系统提供可审计的信用评分服务支持实时API调用与单客户风险归因”demo_data.csv10条真实感数据含1条故意设为overdue_days120的拒贷案例test_api.py3行代码调用API并打印结果证明环境可运行scorecard_validation.xlsxExcel验证模板含公式与示例。我的习惯邮件标题写明“【毕设验收】XXX-信用评分系统-可运行验证包”正文只有一句话“张老师您好附件为系统可验证交付包已通过Docker在Ubuntu 22.04/Windows 11双环境测试。您可随时运行python test_api.py查看结果。”——这比写十页技术细节更能建立信任。6.2 动作2答辩PPT第一页必须是“问题-方案-证据”三角结构别用“基于机器学习的信用风险评分系统”这种标题。改成“解决什么问题”传统评分卡无法解释单客户风险成因监管检查时无法溯源“我们的方案”LightGBMSHAP双引擎输出分数TOP3风险因子业务规则拦截“证据在哪”指向论文第3章评分卡表、第4章API响应截图、第5章SHAP解释图。血泪经验某同学第一版PPT标题是“信用评分模型研究”被导师当场打断“你研究的是模型还是解决业务问题重做。”6.3 动作3演示环节只做3件事且严格计时第1分钟打开浏览器输入http://localhost:5000展示Flask默认页证明服务已启动第2分钟执行curl命令提前写在记事本里粘贴JSON请求展示返回的{score:682,probability:0.1245,...}第3分钟打开shap_explanation.html静态HTML文件用shap.save_html()生成滚动到客户A的瀑布图用激光笔圈出loan_amount条形说“这里显示贷款金额是最大风险驱动因素贡献0.21分。”关键细节shap_explanation.html必须提前生成并放入项目根目录绝不现场生成。我见过太多人演示时卡在shap.initjs()加载失败。6.4 动作4准备“三问三答”应答手册覆盖最高频质疑把导师最可能问的3个问题写成标准答案背熟不是念稿是理解逻辑问题标准回答要点“为什么不用深度学习”“深度学习在小样本信贷数据上易过拟合且无法提供SHAP级归因本方案用LightGBM在AUC 0.78与可解释性间取得平衡符合银保监《智能风控指引》对模型可审计的要求。”“特征重要性排序和SHAP解释矛盾怎么办”“特征重要性如gain反映全局贡献SHAP反映单样本局部贡献。例如‘age’全局重要性低但在老年客户身上SHAP值可能很高——这恰恰说明模型捕捉到了年龄的非线性风险正是我们需要的。”“如何应对数据漂移”“系统内置PSI监控模块见论文4.2节当测试集特征分布与训练集PSI0.1时自动邮件告警同时评分卡公式中PDO参数允许业务人员快速重校准无需重训模型。”6.5 动作5论文附录必须包含4份“可审计文档”这4份文档是导师抽查的重点缺一不可feature_iv_report.csv所有特征IV值、分箱逻辑、WOE值model_performance_report.pdf训练/验证/测试集KS、AUC、PSI对比图api_test_cases.xlsx20个测试用例正常、边界、异常含预期响应docker_build_log.txtdocker build完整日志含Successfully tagged行。提示把这些文件放在论文附录但在正文中明确引用如“详见附录A特征IV报告其中income字段IV值0.41符合强预测力标准”。6.6 动作6答辩后24小时内邮件发送“改进承诺书”无论答辩结果如何当天晚上发邮件给导师标题“【改进承诺】XXX-信用评分系统-3项优化计划”。内容只写3条“已确认将评分卡公式中的B参数计算逻辑补充到论文3.1节确保PDO推导过程完整”“将在下周内补充压力测试报告1000QPS并发下API响应时间200ms”“已整理好所有模型文件哈希值SHA256供您随时校验完整性。”为什么有效这向导师传递一个信号——你不是交完作业就结束而是具备工程闭环思维。我带的项目中所有发了此邮件的同学最终成绩都上调了半档。6.7 动作7把“系统”变成“产品”用一句话定义它的用户价值在答辩结尾不要说“我的毕设完成了”而是看着导师眼睛说“张老师这套系统不是一个课程作业而是一个可立即嵌入信贷审批流程的微型风控产品——它让业务人员3秒内看到客户风险分数5秒内理解风险来源10秒内依据规则做出拦截决策。今天您看到的是它最小可行版本MVP。”然后停顿2秒微笑。从那以后我每次带毕设都强制学生在开题报告里写下这句话并反复打磨到能脱口而出。因为答辩的本质不是证明你学了多少而是证明你解决了什么。希望帮到你。本文还有配套的精品资源点击获取

信用评分系统毕设实战：可解释、可审计、可部署的全流程方案

相关推荐

浏览器自动化 MCP 报 401 与 local proxy failed：把 endpoint 改到 TaoToken 的排查清单

Spring Boot多环境配置拆分管理：从Profile机制到生产实践

常微分方程边值问题数值解法：打靶法、有限差分法及避坑指南

更多资讯

批量Excel转CSV工具：pandas+glob+click实战指南

C++状态模式在工业控制系统中的应用与实践

火星全球地形渲染实践：基于四叉树与LOD的精细调度

新骆驼IPTV完美版后端源码部署与二次开发实战指南

Halcon相机标定全流程：标定板选型、内参优化与RMSE排查

制造业桌面云怎么选？4 款主流方案横向对比

今日更新

防关联浏览器哪个好？三款产品实测差异解析

2026钢铁行业AI转型系统选型对比：多基地排产、大宗原燃料采购与质量追溯，六家厂商能力差异在哪里

影刀RPA深度实战：大模型Fine-tuning定制RPA专用Prompt与指令生成

本周精选

交通拥堵预测毕设：基于Python+LSTM的车辆流量预测系统全流程解析

MATLAB/Simulink搭建10机39节点电力系统暂态稳定仿真实战

无人机航拍三维重建全流程：从SfM到网格生成的避坑指南

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？