推荐一个牛逼的企业智能招聘系统

一、项目概述

企业智能招聘系统是一套完整的企业级 AI 智能招聘管理平台。

它采用微服务架构设计，将传统招聘业务（职位发布、简历筛选、面试、Offer、合同、入职）与人工智能深度结合，覆盖从岗位创建、候选人触达到员工入职的全招聘生命周期。

系统内置 AgentScope 多智能体编排、LLM 多模型路由、AI 简历解析与筛选、AI 智能出题与面试评估、Offer/留存预测、AI 人才推荐、数据分析洞察等能力，并提供合同电子签章、消息通知、审计日志、页面水印等企业级功能。

更多项目实战在Java突击队网：susan.net.cn/project

1.1 项目定位

维度	说明
项目类型	企业级 AI 智能招聘管理平台
架构模式	微服务架构（Spring Cloud + Nacos）
后端技术	Spring Boot 4.1 + Java 25 虚拟线程 + Maven
前端技术	Vue 3 + TypeScript + Vite + Element Plus
数据库	MySQL 8.0（7 个业务库）+ Redis
服务注册	Nacos 注册中心 + 配置中心
文件存储	RustFS（S3 兼容对象存储）
搜索引擎	Elasticsearch（人才库语义检索，可选）
AI 能力	LLM 网关 + AgentScope 多智能体编排 + 视觉模型简历解析
大模型	通义千问（qwen3-max / qwen-vl-max）+ DeepSeek

1.2 项目规模

指标	数值
后端微服务	7 个业务服务 + API 网关 + 公共模块
业务数据库	7 个（55 张业务表，数据库-per-服务）
REST 接口	315+ 个（Knife4j 在线调试）
AI Agent	11 个（覆盖 12 类 AI 能力）
多智能体编排	4 个子 Agent 协作 + 简历→Offer 五阶段流水线
前端应用	2 个（招聘管理端 + 招聘官网）
可跟做教程	30+ 篇功能开发文档

1.3 系统架构图

二、后端微服务架构

项目采用 Spring Cloud 微服务架构，共包含 8 个 Maven 模块，通过 Nacos 实现服务注册与配置管理，通过 Spring Cloud Gateway 实现统一 API 网关。

2.1 模块清单

模块	服务名	端口	核心职责
smart-recruit-common	公共模块	-	通用工具类、DTO/VO、异常处理、统一配置
smart-recruit-gateway	API 网关	8080	统一入口、路由转发、JWT 鉴权、限流、CORS
smart-recruit-system	系统服务	8081	用户/角色/权限/部门、认证登录、系统配置、通知、审计日志
smart-recruit-recruitment	招聘服务	8082	职位管理、简历解析与 AI 筛选、候选人中心、官网职位、工作台动态/待办
smart-recruit-interview	面试服务	8083	面试管理、AI 智能出题、面试题库、在线测评、AI 评估报告
smart-recruit-offer	Offer 服务	8084	Offer 审批流、AI 接受度预测、合同管理（电子签章）、入职管理、AI 留任预测
smart-recruit-talent	人才服务	8085	人才库、AI 人才推荐、数据分析（定时快照 + AI 洞察）、工作台聚合
smart-recruit-referral	内推服务	8086	内推计划/职位/记录、内推排行榜、候选人投递
smart-recruit-ai-engine	AI 引擎	8087	LLM 网关（多模型路由）、AgentScope 多智能体、简历视觉解析、Agent 任务/事件/指标监控

2.2 技术选型

技术栈	版本	用途
Spring Boot	4.1.0	应用框架
Spring Cloud	2025.1.2	微服务治理
Spring Cloud Alibaba	2025.1.0.0	Nacos 集成
Java	25	编程语言（虚拟线程）
Maven	3.9+	项目构建
Spring Cloud Gateway	5.0.2	API 网关（WebFlux）
MyBatis-Plus	3.5.16	ORM 框架
MySQL	8.0+	业务数据库
Redis	6.x/7.x	缓存、验证码、限流
Nacos	2.x	注册中心 + 配置中心
LangChain4j	0.29.1	LLM 集成框架
AgentScope	2.0.x	多智能体编排（面试评估/编排）
Knife4j	4.3.0	API 文档
JWT (jjwt)	0.12.6	身份认证
RustFS	S3 兼容	分布式文件存储
Elasticsearch	8.x	人才库向量/语义检索（可选）

2.3 服务间调用关系

服务间通信采用 Spring 原生 @HttpExchange 声明式 HTTP 接口客户端 ，结合 @LoadBalanced RestClient 与 Nacos 实现服务发现与负载均衡，接口即文档、零手写 HTTP 代码。

三、核心功能模块

3.1 工作台

登录后的统一工作台，聚合全流程数据：

每日数据：今日/昨日/本月新增候选人、在招职位数；
流程概览：待面试、待发 Offer、本月入职、平均到岗天数；
招聘漏斗与部门招聘进度图表；
最近动态（活动流）与待办事项（默认各展示最新 20 条，可查看全部）。

3.2 职位管理

职位全生命周期管理：

功能	说明
职位 CRUD	新建/编辑/查看/暂停/关闭职位
草稿与发布	新建默认草稿，发布后进入招聘流程，记录发布人
AI 生成 JD	异步调用大模型生成岗位职责/任职要求/加分项，超时不阻塞页面
职位统计	各状态职位数量与在招统计

3.3 简历筛选

简历处理是系统的核心链路之一：

简历解析支持 Word/PDF/图片（图片与扫描件走视觉大模型），解析失败自动标记人工复核；
AI 筛选开关：上传时可选，开启后异步执行智能筛选，页面实时展示"筛选中→完成"进度与匹配度；
解析结果包含技能、工作经历、项目经历、教育背景、个人优势等结构化字段。

3.4 候选人中心

候选人档案：基本信息、联系方式、技能标签、求职状态、来源渠道；
与简历、职位申请、面试、Offer 全链路关联；
候选人阶段历史追踪。

3.5 面试管理

功能	说明
面试日程	日/周视图日程，安排/取消面试，支持 AI 出题状态列
AI 智能出题	按职位方向（前端/后端/测试/算法等）异步生成题目，支持技术/项目/行为三类与题型分配
面试题库	套题管理（部门+职位联动），题目含题型/选项/答案/解读，支持 AI 智能出题直接填充题目列表
在线测评	新建测评（AI 出题或题库选题），发送候选人邮箱，自动评分
AI 评估报告	AgentScope 多智能体六维度评估（技能/沟通/逻辑/协作/学习/抗压），同步与流式两种方式
面试反馈	面试官反馈录入与汇总

3.6 Offer 管理

Offer 创建、多级审批流（按部门配置审批节点）；
AI 接受度预测：定时任务调用大模型，从薪资竞争力、职位匹配度、市场行情、候选人活跃度、公司品牌 5 个维度预测接受概率并给出建议，已预测的 Offer 不重复调用；
Offer 编号、候选人、薪资结构管理。

3.7 合同管理

从 Offer 一键生成正式录用合同（自动带出公司信息、合同期限、薪资、职级）；
电子签章：候选人手写签名画板 + 候选人/HR 双签署流程，签署后合同生效；
合同作废（填写作废原因）、打印、签署记录；
合同状态彩色标识（草稿/待审批/已发送/已签署/生效中/已作废）。

3.8 入职管理

六步入职流程：资料收集 → 设备发放 → 账号开通 → 欢迎页 → 导师分配 → 入职培训；
员工状态：待入职/试用期/正式/已离职；
文档核验、设备发放记录；
AI 留任预测：定时任务基于候选人画像 + 入职流程完成度 + 历史跳槽情况综合预测 6/12 个月留存风险，流程数据指纹（hash）未变化则跳过重复调用。

3.9 人才库

人才池管理（候选人与岗位匹配入库）；
AI 人才推荐：选择岗位后异步匹配推荐（每次 8 人，支持"换一批"分页），推荐结果 Redis 缓存 15 分钟 + Caffeine 本地缓存 5 分钟双级缓存；
Elasticsearch 语义检索人才（可选）。

3.10 数据分析

定时任务统计：候选人/面试/Offer 日快照由各模块定时任务预聚合，避免实时大查询；
数据看板：候选人漏斗、部门进度、趋势分析；
AI 智能洞察：对统计结果调用大模型生成自然语言洞察。

3.11 内推管理

内推计划、计划职位、分享链接；
内推记录、奖金记录；
内推排行榜：按内推人数/奖金排名；
候选人通过分享页投递。

3.12 招聘官网

官网配置（Hero 区域、统计数据、文化价值观、行动号召、页脚、导航栏）；
热门职位 / 社会招聘 / 校园招聘职位维护（标签、职责、要求、加分项）；
独立官网前端（smart-recruit-careers :3001）。

3.13 系统管理

功能	说明
用户/角色/权限/部门	RBAC 权限模型，菜单-按钮-接口三层权限
审计日志	记录谁在何时做了什么操作（操作人、IP、参数、耗时）
系统设置	公开配置、官网配置、AI 权重配置、公司信息
页面水印	系统设置开关控制，展示当前登录账号、姓名与时间
消息通知	站内信（业务事件自动通知）、未读数角标、消息详情与跳转

3.14 AI 引擎（智能体监控）

四、AI 能力矩阵

AI 能力	业务入口	实现方式	状态
简历解析（文本）	简历筛选 → 上传简历	Tika + LLM 结构化	✅
简历解析（图片/扫描件）	简历筛选 → 上传图片简历	qwen-vl-max 视觉模型	✅
AI 智能筛选	简历筛选 → 开启 AI 筛选	LLM 五维加权评分 + 降级启发式	✅
AI 生成 JD	职位管理 → 新建/编辑 → AI 生成 JD	LLM 异步生成	✅
AI 智能出题	AI 出题页 / 新建套题 → AI 智能出题	LLM 异步任务 + 轮询	✅
AI 面试评估	面试管理 → AI 评估报告	AgentScope HarnessAgent 六维度	✅
Offer 接受度预测	Offer 详情 → AI 接受概率卡片	定时任务 + LLM 五维预测	✅
新员工留任预测	入职详情 → 留存预测	定时任务 + 指纹去重 + LLM	✅
AI 人才推荐	人才库 → 选择岗位匹配	LLM 异步推荐 + 双级缓存	✅
数据分析 AI 洞察	数据分析 → AI 洞察	LLM 生成自然语言洞察	✅
多 Agent 编排	AI 引擎 → 全流程编排	AgentScope 子 Agent 协作	✅
智能体监控	AI 引擎 → 任务队列/事件流/Token	真实任务与指标记录 + SSE	✅

五、数据库设计

系统采用按服务分库 设计，共 7 个 MySQL 业务库、55 张业务表。

5.1 数据库分布

数据库	对应服务	核心表
smart_recruit_system	系统服务	用户、角色、权限、部门、通知、审计日志、系统配置
smart_recruit_recruitment	招聘服务	职位、简历、候选人、申请、活动动态、AI 筛选结果、官网职位
smart_recruit_interview	面试服务	面试、评估、反馈、题库套题/题目、在线测评、AI 出题记录
smart_recruit_offer	Offer 服务	Offer、审批流配置/记录、合同、签署记录、入职/文档/设备
smart_recruit_talent	人才服务	人才池、人才活动、数据分析快照
smart_recruit_referral	内推服务	内推计划/职位/记录、奖金、排行榜、分享令牌
smart_recruit_ai	AI 引擎	Agent 信息/指标/任务/事件日志、AI 解析日志

5.2 设计原则

按服务分库：每个微服务独立数据库，数据层面解耦；
雪花算法主键：全局唯一 Long 型 ID，支持分布式扩展；
逻辑删除 ：核心表统一 deleted 字段软删除；
审计字段 ：create_time / update_time / create_user_id / create_by / update_user_id / update_by 六件套；
索引规范：联合索引覆盖查询、清理前缀冗余单列索引，避免索引冗余；
JSON 扩展：复杂结构（题库题目、AI 结果、审批节点）使用 JSON 列 + TypeHandler。

六、前端架构

6.1 技术栈

技术	版本	用途
Vue	3.5	核心 UI 框架
TypeScript	5.5	类型安全
Vite	6.0	构建工具
Element Plus	2.9	UI 组件库
Vue Router	4.x	客户端路由
Pinia	2.x	状态管理
Axios	1.x	HTTP 客户端
Chart.js	4.x	数据可视化
mammoth	-	DOCX 简历/合同预览

6.2 前端应用

应用	端口	说明
smart-recruit-frontend	3000	招聘管理端（工作台 + 全业务模块）
smart-recruit-careers	3001	招聘官网（职位浏览、投递、合同签署）

6.3 主要页面

分类	页面
认证	登录、注册
工作台	工作台、最近动态、待办事项
招聘	职位管理、简历筛选、候选人中心、面试管理
面试	AI 智能出题、面试题库、在线测评
Offer	Offer 管理、合同管理、入职管理
人才	人才库、数据分析
内推	内推管理、内推排行榜
官网	官网配置、热门职位、社会招聘、校园招聘
系统	用户管理、角色管理、权限管理、部门管理、审计日志、系统设置
AI 引擎	智能体监控
公开	招聘官网、合同签署页

6.4 前端工程亮点

Axios 请求拦截体系：自动注入 Token、401 静默刷新 + 请求队列重放、业务错误统一提示；
路由懒加载 + 权限守卫：未登录跳登录页、无权限拦截；
Element Plus 组件化：树形部门选择、分页表格、进度条、画板签名等企业级交互；
水印组件：可配置开关，全局展示当前用户与时间。

七、系统展示

更多项目实战在Java突击队网：susan.net.cn/project

八、项目亮点

8.1 架构亮点

1. 真正的微服务落地，不是"拆模块改个名"

7 个业务服务独立部署，每个服务拥有自己独立的 MySQL 业务库（7 个数据库、55 张表），通过 Nacos 注册与发现，服务间用声明式客户端互相调用，JWT 认证统一收敛到网关层------有明确的服务边界和调用关系，不是简单的 Maven 多模块。

① 网关统一鉴权，服务层零感知

网关 AuthFilter 在请求进入时就完成 JWT 校验，提取用户信息后通过 X-User-Id / X-Username / X-User-Role Header 向下游透传。下游服务不再重复处理认证逻辑，只需要从 Header 中读取用户身份即可------关注点分离，代码更清爽。

② 声明式 HTTP 客户端，接口即文档

服务间通信采用 Spring 原生 @HttpExchange 声明式调用，用接口 + 注解定义远程调用，完全不写 HTTP 连接代码：

java 复制代码

@HttpExchange("/api/v1/agent-capabilities")
public interface AiAgentCapabilityClient {
    @PostExchange("/interview/questions")
    ApiResponse<List<Map<String, Object>>> generateInterviewQuestions(...);
}

所有服务启动后自动注册到 Nacos，支持健康检查、负载均衡、动态上下线；网关路由全部收敛到 YAML 配置（spring.cloud.gateway.server.webflux.routes），新增服务、新增路径改配置即生效，零代码。

yaml 复制代码

spring:
  cloud:
    gateway:
      server:
        webflux:
          routes:
            - id: smart-recruit-system
              uri: lb://smart-recruit-system
              predicates:
                - Path=/api/v1/auth/**, /api/v1/users/**, /api/v1/configs/**

2. LLM 网关多模型路由 + 自动降级，不是"硬编码接一个模型"

所有 AI 调用统一走 AI 引擎 LLM 网关，按 Agent 路由模型，Qwen / DeepSeek 双厂商主备切换、失败自动降级：

Agent	路由模型
简历视觉解析	qwen-vl-max
AI 筛选 / AI 出题 / JD 生成	qwen3-max
Offer 接受度 / 留任预测	deepseek-v4-flash
人才推荐 / 内推匹配	deepseek-chat

每次调用都真实记录 Token 消耗，喂给「Token 消耗分布（近 24h）」监控；切换模型、调整 Key 都无需改动业务代码。

3. AgentScope 2.0 多智能体编排，不是"单次调用大模型"

面试评估由编排主控调度 4 个子 Agent 通过 agent_spawn 协作完成，支持同步与 SSE 流式两种模式：

子 Agent 通过 SubagentDeclaration 声明，主控 prompt 触发 agent_spawn 调度：

AgentScope 不直连大模型，通过适配器复用 LangChain4j 网关的统一路由、降级与计费，编排层与模型层彻底解耦；
除子 Agent 协作外，还有「简历 → Offer」五阶段全流程流水线（解析 → 筛选 → 人工审核 → 面试评估 → Offer 预测），每个阶段记录真实 Agent 任务，可一键运行、全程可观测。

4. 视觉模型简历解析，不是"只支持文字简历"

文本简历走 Tika 提取 + LLM 结构化；

图片与扫描件简历自动切换视觉大模型（qwen-vl-max），解析失败自动标记人工复核：

简历形态	处理链路	失败兜底
PDF / DOCX / DOC 文本	Tika 提取 → LLM 结构化	记录解析失败原因
图片 / 扫描件 PDF	qwen-vl-max 视觉解析	自动标记人工复核

解析结果包含技能、工作经历、项目经历、教育背景、个人优势等结构化字段，直接驱动后续 AI 筛选与人才入库。

5. 全链路异步化 + 定时预计算，不是"页面卡死等 AI"

AI 出题、简历解析、AI 筛选、JD 生成、人才推荐全部异步任务化：任务队列 + 前端轮询 + 实时进度展示，任何耗时调用都不阻塞页面；再叠加三层成本优化：

手段	说明
定时预测落库	Offer 接受度、留任预测由定时任务预计算，详情页直接读库
SHA-256 指纹去重	留任预测以入职 5 步数据指纹判断，数据未变化不重复调用大模型
双级缓存	人才推荐 Redis 15 分钟 + Caffeine 5 分钟，支持"换一批"分页

留任预测的指纹计算（入职 5 步数据 → SHA-256）。

6. 真实智能体监控，不是"写死的演示数据"

Agent 任务队列、实时事件流（SSE）、Token 消耗分布（近 24h）、成功率与健康度全部来自真实调用记录，每个 Agent 任务都可以追溯到具体业务操作（谁在哪个简历上触发了筛选、哪次面试触发了出题）。

7. 合同电子签章全流程，不是"上传一张图"

候选人手写签名画板 → 邮件签署链接 → 候选人 / HR 双签署 → 合同生效，签署记录、作废原因、打印输出完整留痕，是一套真正闭环的数字化合同流程。

8. 数据分析定时快照 + AI 洞察

候选人 / 面试 / Offer 日快照由各模块定时任务预聚合，接口直接读快照，彻底避免大数据量下的实时统计超时；AI 引擎再基于统计结果生成自然语言洞察与优化建议，大屏与报表既有真实数据又有智能解读。

9. Java 25 虚拟线程，高并发 IO 利器

AI 异步生成、SSE 事件流、邮件发送等高 IO 场景使用虚拟线程，资源占用大幅降低、吞吐量显著提升------每个请求一个虚拟线程，由操作系统级调度，几十万并发也不再是瓶颈。

10. LangChain4j → AgentScope 模型适配，编排与模型层解耦

AgentScope 不直连大模型，通过适配器复用 LangChain4j 网关的统一路由、降级与计费，两个框架各司其职、无缝衔接------编排层只关心"多智能体怎么协作"，模型层只关心"调哪个厂商、怎么降级、花了多少 Token"。

11. 多级降级链，任何故障页面都有数据

面试评估、简历筛选、Offer/留任预测都实现了多级降级，LLM 挂了、Agent 挂了、网络断了，页面依然有数据，异常永远不外露给用户。

场景	降级链
面试评估	多 Agent 编排 → 单 Agent → LLM 直调 → 启发式评分
简历筛选	LLM 智能筛选 → 启发式评分
Offer / 留任预测	LLM → 本地 Agent → 默认值

12. 双级缓存人才推荐，相同岗位秒级返回

AI 人才推荐结果 Redis 15 分钟 + Caffeine 5 分钟双级缓存，支持"换一批"分页，相同岗位再次查询直接命中缓存，不重复消耗 Token、不重复调用大模型。

8.2 工程亮点

分类	亮点数	核心关键词
微服务架构	8	数据库-per-服务、网关鉴权透传、声明式客户端、配置驱动路由、虚拟线程、统一异常、公共收敛、一键初始化
AI / LLM	11	多模型路由降级、AgentScope 多智能体、视觉解析、异步任务、指纹去重、双缓存、多级降级、出题联动、真实监控、AI 洞察
业务与数据	7	简历流水线、电子签章、六步入职预警、消息联动、定时统计、安全审计、数据规范
前端工程	5	Axios 拦截、路由守卫、双前端、类型安全、教程体系

1. 安全与审计一套不缺

JWT 认证 + RBAC 三级权限（菜单 / 按钮 / 接口）+ AOP 操作审计日志（谁在何时、从哪个 IP、做了什么）+ 可配置页面水印（账号 / 姓名 / 时间）+ 网关限流，企业级合规能力齐全。

2. 数据工程规范

雪花 ID、逻辑删除、审计六件套（create/update × 时间 / 人 ID / 用户名）、JSON 扩展列 + TypeHandler、索引前缀冗余清理，表结构规范可审计；init.sql 一键初始化 7 库 55 表 + 基础数据、schema.sql 随时核对结构。

3. 前端基础设施完备

Axios 请求拦截（Token 注入、401 静默刷新 + 请求队列重放、错误统一提示）、路由懒加载 + 权限守卫、双前端架构（管理端 :3000 + 招聘官网 :3001）、TypeScript 类型安全全覆盖。

latex 复制代码

请求 401 ──> 静默刷新 Token ──> 队列中等待的请求批量重放 ──> 用户零感知
刷新失败 ──> 清理登录态 ──> 1.5s 后跳转登录页

8.3 这套源码能带给你什么？

如果你是一个初中级后端开发：

微服务怎么拆、怎么做服务发现、怎么写 @HttpExchange 声明式接口，这项目里全有；
JWT + RBAC 权限模型怎么设计、代码怎么写，直接看 smart-recruit-system；
MyBatis-Plus 高级用法（分页、连表、逻辑删除、JSON 字段 TypeHandler）；
Spring Cloud Gateway 5.x 的路由与鉴权怎么落地（配置驱动、白名单可配）；
AOP 切面实现操作审计日志；
定时任务 + Java 25 虚拟线程异步化，怎么在真实业务里用。

如果你是一个前端开发：

Vue 3 + TypeScript 企业级项目怎么组织目录和代码；
Element Plus 深度使用（树形选择、表格、进度条、手写签名画板）；
Axios 拦截器、Token 刷新、请求队列重放的完整方案；
招聘官网与合同签署这类公开页面的实现思路；
Chart.js 数据可视化封装、Word 简历预览（mammoth）的落地方式。

如果你关注 AI / LLM：

LLM 网关多模型路由 + 自动降级的完整实现；
AgentScope 2.0 HarnessAgent 多智能体编排 + agent_spawn 协作调度；
视觉大模型解析图片 / 扫描件简历的落地方式；
异步出题 + 轮询进度、定时预测 + 指纹去重、双级缓存推荐的工程实践；
LangChain4j 在实际 Spring Boot 项目中的集成方式；
从「提示词设计」到「多级降级」的一整套 AI 工程方法论。

如果你是架构师或技术 Leader：

微服务怎么拆，每个服务的边界如何定义，7 个数据库的归属与理由；
AI 能力如何分层（模型网关 / 编排层 / 业务 Agent），做到可插拔、可降级、可观测；
招聘全流程数据流（简历 → Offer → 入职）怎么建模；
一个「AI 能力真正跑在业务每个环节」的系统长什么样；

更多项目实战在Java突击队网：susan.net.cn/project

总结

企业智能招聘系统是一套功能完整、架构现代、AI 深度赋能的企业级智能招聘管理平台：以 7 个微服务 + 7 个业务库承载招聘全流程，以 11 个 AI Agent 与 AgentScope 2.0 多智能体编排构建 AI 能力层，315+ 个 REST 接口覆盖 55 张业务表，双前端面向 HR 与候选人双向开放。

核心能力总结：

招聘全流程闭环：职位 → 简历 → 筛选 → 面试 → Offer → 合同 → 入职，每个环节都有 AI 赋能；
11 个 AI Agent、12 类 AI 能力：简历解析（文本 + 视觉）、智能筛选、AI 出题、面试评估、JD 生成、Offer/留任预测、人才推荐、内推匹配、数据洞察、多 Agent 编排，全部异步化 + 定时预计算保证性能；
多智能体协作：AgentScope 2.0 HarnessAgent 编排 4 个子 Agent 完成面试评估，简历 → Offer 五阶段流水线可一键运行；
企业级工程能力：数据库-per-服务、网关统一鉴权、统一响应、审计日志、页面水印、合同电子签章，合规与安全能力完备；
可视化运维：Agent 任务队列、SSE 实时事件流、Token 消耗分布、成功率与健康度全部来自真实调用记录；
可跟做、可复制：40+ 篇功能开发教程，从零到完整功能一步不落。

这是一套可以直接用于企业生产环境的智能招聘基础设施，也是一套架构、AI、工程三位一体的高质量参考实现。