在线交互式示例

主要是《图解税收大数据分析》一书的示例，用Shiny APP及Tomcat Web APP封装并在线部署，以便感性体验。
其中墨尔本房价回归模型演示了上面架构图中Java EE集成底层数据分析应用的三条路径：
1、Java EE APP嵌入Shiny APP，即时交互，图文并茂。
2、Java EE APP通过Rserve调用R语言，充分利用R语言的作图能力及Rmarkdown生成分析报告的能力。
3、Java EE APP通过gRPC调用Python，紧耦合的方式适用于比较成熟的数据应用模型，只需要数据结果的场景。
其它示例则演示了连接云数据库、图数据库、GIS、文本数据的应用场景，以及NLP深度学习的落地应用场景。
这是一个完全状态的实验服务器，除了没有GPU，不过演示用途已经足够。另外一个带GPU的实验服务器已经装好，需要时也可以启动演示。

Shiny APP 嵌入示例

sliderInput mtcars示例，简单的Tomcat Web APP中嵌入Shiny APP例子，以便感性了解。
微博词云示例，文本分析例子，wordcloud2生成的词云图是一个htmlwidget，在JavaScript库的支持下有动态交互的能力。
Radiant示例，Radiant是一个运行在Shiny上的R语言可视化机器学习教学软件，各种数据探索与常用机器学习算法都有。小hack一下，增加了从云端加载数据的能力。
发票货劳名称识别示例，这个实例跑在CPU上，使用HanLP NLP深度学习预训练模型，底层是深度学习框架PyTorch或Tensorflow支持。
GIS地理编码服务示例，这个例子在Shiny APP中用IFRAME嵌入各大GIS服务商的JavaScript API地图调起服务。
墨尔本房价回归模型示例(Python模型)，这个实例也可以跑在GPU上，不过跑在CPU上的性能更好一点，可能是数据集的问题，数据太少了；也可能是GBDT回归算法的特点，需要进一步了解。
墨尔本房价回归模型示例(R语言Tidy模型)，这是把上例中底层的Python回归模型用R语言Tidy Models工具套件来实现，从Java->R->Data直通到底，演示性质暂时只有SVM、随机森林、XGB、CatBoost、LightGBM 5种算法。
GPT-4 聊天机器人示例，Python API调用 GPT-4，Shiny APP UI封装。
ChatGPT用户自定义函数 示例，ChatGPT会根据需要自动通过gRPC调用我的服务器上部署的墨尔本市房价异常值查询函数 get_Melbourne_Outliers()，并在对话上下文中使用具体的数据。这是通过大语言模型提供行业专业服务的一种低成本的快捷方式，对用户数据与隐私提供了较强的保护。你可以用“请找出墨尔本市房价异常值的前3条。”这样的对话来激活它。
OpenAI 个人税费AI助手示例，调用OpenAI自定义AI助手根据《自然人税费事项办理指引》回答个人所得税办理的有关问题，快速构建行业AI咨询。
文心一言聊天机器人示例，Python API调用文心一言，Shiny APP UI封装。
讯飞星火聊天机器人示例，Python API调用讯飞星火，Shiny APP UI封装。
通义千问聊天机器人示例，Python API调用通义千问，Shiny APP UI封装。
腾讯混元聊天机器人示例，Python API调用腾讯混元，Shiny APP UI封装。
GraphRAG聊天机器人示例， 这个GraphRAG示例Shiny APP选取了Stackoverflow中“neo4j”标签下的1000条问题和回答建立知识图谱。 如果选择了使用RAG，则在对话中会根据所提的问题在知识图谱中查找最相似的问题，返回余弦相似度>0.7 的前两个问题及其答案，作为附加材料补充进提示词中，然后指示LLM按照提示词中的上下文及附加材料回答， 并在回答的末尾作为可信的信源附上附加材料的原始链接以备查验，从而有效克服了LLM的幻觉和知识截止问题， 更适用于法律、金融、医疗等准确度要求很高的领域。
GraphRAG Agent示例， 这个GraphRAG示例Shiny APP选取了网络小说《悟空传》的前7章建立知识图谱来回答问题。 对话中Agent会根据所提的问题选择是否查询知识图谱，如果是全局性的问题，会使用知识图谱中预先生成的社区摘 要来回答问题；如果是局部性的问题，会在知识图谱中查找最相似的问题，并找到最相关的其它材料来回答问题。用户可以与Agent自由的交流，Agent会在普通对话、全局查询和局部查询之间无缝衔接，并给出知识图谱中的信息来源以供查验。 因为是要求准确的回答，LLM受到指示，如果不知道答案就回答不知道。所以RAG实际上是Prompt Engineering 的一种形式，它有效克服了LLM的幻觉、知识缺失和知识截止的问题，GraphRAG则通过使用知识图谱检索逻辑上深度相关的 附加材料，让LLM的回答更准确更有深度，更符合现实世界的客观事实与逻辑，更适用于法律、金融、医疗、教育等 准确率要求很高的领域。
软件开发文档GraphRAG聊天Agent， 这个GraphRAG示例Shiny APP基于某公司的软件开发文档建立知识图谱来回答问题。 对话中Agent会根据所提的问题决定是否查询知识图谱，以找到最相关的开发文档来回答问题。

Shiny for Python示例

Hello, Shiny for Python，Shiny for Python安装好后的测试例子，演示反应式输入输出。
Shiny for Python 例子2，Shiny for Python安装好后的测试例子，演示交互式作图。
墨尔本房价分布图，墨尔本房价分布的拟合曲线交互式作图演示。
墨尔本房价回归模型(Shiny for Pyton)，纯Python语言实现的墨尔本房价回归模型Shiny APP。

Neo4j 网络分析示例

国内机场航线网络分析示例 2D，浏览器端可视化使用visNetwork。
国内机场航线网络分析示例 3D，浏览器端可视化使用three.js以及3d-force-graph.js。
国内机场航线网络分析示例 环线，这是寻找具有特殊特征子网的分析，使用了我开发的朱刘算法有向图最小树形图插件及用户自定义函数等。
通用网络3D分析Shiny APP示例，输入Cypher语句建立投影子网，再输入Cypher语句选出要分析的子网，然后通过结点列表选定一个源结点，再对子网进行3D可视化分析。Cypher查询语句赋予了该Shiny APP通用性，可以分析任何感兴趣的子网。

Shiny R Markdown动态文档

监控仪表板示例，参数与时间等多维度动态仪表板，可以直接大屏使用，echarts图表应有尽有。这是个完整的框架，按需要选用图表、设置好布局、连接数据即可，具体可参阅我的文章《用R markdown 生成仪表板》及《在Shiny中使用Echarts》，以及echarts的示例和文档。
多种语言混合使用动态文档，在R markdown中混合使用R、Python、SQL、JavaScript、HTML、CSS等6种语言。
IOSlides网页幻灯片, 可以嵌入Shiny的交互式组件，使幻灯片具有动态的交互能力。

Java EE集成Rserve示例

微博热词，返回一个词频统计Excell数据表格，表格的浏览编辑由客户端的Excell等自动打开执行。
微博词云，返回一个词云统计图。在服务器端后台运行headless浏览器，测试与截图WEB应用程序，这是比较有用的自动化测试技术。
墨尔本房价分析报告，选择分析算法与异常值阀值，返回PDF格式的分析报告。调用Python模型生成数据，R markdown生成报告。

Java EE集成Python示例

gRPC Hello World示例，开源远过程调用框架gRPC自带演示例子，从Java端通过SSL+口令验证通道调用服务器端Python程序，跟输入.html的用户名打招呼。
gRPC 墨尔本房价示例，从Java端通过SSL+口令验证通道调用服务器端Python程序，根据用户选择的算法及异常值阀值返回房价异常的房屋列表，并查询显示相应的原始数据。与上面的Shiny APP相比，不需要动态交互，不画拟合图，只需返回数据。

微信集成ChatGPT示例

微信连接ChatGPT并调用用户自定义函数，ChatGPT会根据需要自动通过gRPC调用我的服务器上部署的墨尔本市房价异常值查询函数 get_Melbourne_Outliers()，并在对话上下文中使用具体的数据。这是通过大语言模型提供行业专业服务的一种低成本的快捷方式，对用户数据与隐私提供了较强的保护。在OpenAI Assistant上线后，这个例子已改为调用OpenAI自定义 AI助手根据《自然人税费事项办理指引》回答个人所得税办理的有关问题，您可以试用了解一下怎样快速构建微信上的行业AI咨询。详情请参阅我的知乎文章《OpenAI AI助手API测试》。