此為個人 Side Project，實作一套結合 RAG、LangGraph 與 Web Search API 的 LLM 聊天平台。 前往 GitHub:

• 前端使用 Vue.js 與 TypeScript 建立聊天介面
  • 提供即時聊天介面，支援一般 LLM 與 RAG 回覆模式。
  • 支援 Markdown 與程式碼高亮顯示，提升 AI 回應可讀性。
  • 使用 Pinia 與 Vue Router 管理狀態與頁面流程。
  • 透過 VeeValidate + Yup 進行表單驗證，避免不合法輸入。
  • 使用 Vitest 與 Playwright 進行單元與 E2E 測試。
• 後端使用 FastAPI 建立 LLM 與 RAG API 服務
  • 整合 LangGraph Agent，依照使用者問題動態判斷是否需要進行 Web Search。
  • 串接 Gemini File Search API，實作文件上傳、向量化、語意檢索與 RAG 回覆。
  • 支援多家 LLM Provider（Gemini / OpenAI / Anthropic）。
  • 使用 JWT 與 bcrypt 實作使用者驗證與權限控管。
  • 提供 Email 驗證與忘記密碼流程，透過 Gmail SMTP 發送驗證信與重設連結。
  • 使用 SQLModel + PostgreSQL 建立關聯式資料模型，並透過 Alembic 管理資料庫遷移。
  • 使用 Redis 實作滑動視窗 Rate Limiter，限制使用者請求頻率。
  • 基於 Pydantic 進行型別驗證並自動產生 Swagger API 文件。
  • 使用 pytest 撰寫後端測試，確保核心功能穩定性。
• 系統架構與部署
  • 使用 Docker 與 Docker Compose 建立開發與正式環境。
  • 正式環境透過 Nginx 處理反向代理與靜態資源。
  • 整合 Zeabur CI/CD，GitHub Push 後自動建置與部署。

本專案源自 2025 年臺北市政府與新北市政府合辦之黑客松競賽， 競賽主題為「擴充開源專案－ 臺北城市儀表板 」。參賽過程中，我們依據不同應用場景，進行相關開放資料的蒐集與清理，並同步調整儀表板之前端、後端及資料處理等功能。 本隊伍有幸晉級決賽，惟最終競賽成果未整合至官方專案中。因此，本儀表板為賽後基於原競賽構想，另行獨立製作與整理之成果展示。

• 專案主題：雙北防災資源與人口空間分析系統
  • 結合人口統計資料與空間視覺化，分析防空疏散避難設施、 AED、避難收容處所及警消資源的配置合理性。
• 空間分析與指標設計
  • 設計並實作兩種防災設施離散度指標：
    • 平均兩兩距離（Dispersion）： 計算各設施間的歐氏距離平均，反映地理上分散程度。
    • 空間熵（Spatial Entropy）：透過網格分佈與資訊熵公式，分析設施分布的隨機性與集中性。
  • 透過人口與戶數比值（population / households per resource）， 以需求導向方式衡量防災設施負荷。
• 主題分析模組
  • 區域人口與防災資源比分析：
    • 針對雙北各行政區進行橫向比較， 產出資源數量、人均比例與離散度排序結果。
    • 搭配地圖視覺化與圖表，直觀呈現資源密度差異。
  • 防空疏散避難設施容量分析：
    • 綜合設施面積、可容納人數與人均收容空間， 辨識高壓力與擁擠區域。
  • 旅遊景點周邊防災資源分析：
    • 使用 haversine 距離計算景點 1km / 5km / 10km 內的防災資源覆蓋情形。
    • 評估高人流區域於災害發生時的即時應變能力。
• 資料工程與處理流程
  • 整合多個政府開放資料來源（人口統計、geojson、 AED、防災單位、避難設施、觀光人流）。
  • 建立三階段資料處理流程：
    • 初步清整（clean）：資料清洗與格式統一。
    • 跨資料整合（merge）：合併所有防災資源點位與座標。
    • 主題資料生成：依分析目標產出專用統計表。
• 專案成果與應用價值
  • 建立防災資源公平性與可近性的量化分析基礎。
  • 支援政策制定者進行資源配置優化與防災演練規劃。
  • 提升民眾對居住地與旅遊地防災能力的理解與風險意識。

本專案為一套 No-Code 數據分析與機器學習平台，透過直覺化操作取代繁瑣程式撰寫，快速完成數據探索、視覺化、模型訓練與預測。系統支援多種圖表與 AI 分析能力，並提供自動化機器學習訓練、分析與預測，涵蓋分類、回歸、聚類等多種任務，協助使用者高效做出精準決策。

• 前端使用 Vue.js 建立 RWD 操作介面 (目前支持桌面版本)。:
  • 防範 XSS 攻擊，包含登入憑證使用 Cookie 避免被竊取、使用者輸入欄位消毒檢查等。
  • 支援 i18n 多國語系，網頁可以進行中英文切換。
  • 設計可以模組化使用的 Vue 以及 JS 元件。
  • 使用 Axios 管理 API 配置。
  • 使用 Plotly 進行資料視覺化。
  • 使用 Vitest 撰寫測試。
  • 串接 Payuni 金流。
• 後端使用 Flask 以及 FastAPI 提供 API，包含機器學習、 LLM 圖表分析、RAG 聊天機器人等服務，負責部分程式碼撰寫以及除錯的工作。
• 應用 Docker 於程式開發以及部署。
• 服務部署於 AWS EC2。

Acer FreeSense Ring 智慧戒指 的雲端資料同步服務，用於上傳與查詢用戶的健康資料紀錄，並提供管理者後台監看資料上傳狀況。

• 前端使用 Vue.js 建立後台介面。
  • 設計對使用者友善的操作介面。
  • 防範 XSS 攻擊，包含登入憑證使用 Cookie 儲存避免被竊取。
  • 使用 Gmail SMTP 實作忘記密碼的寄信服務。
• 後端使用 FastAPI、SQLModel、PostgresSQL 等工具建立穩定的 API 服務:
  • 串接 Acer 的 Single Sign-On 註冊服務，並透過 Redis 管理登入 Session。
  • 基於 Pydantic 進行型別驗證、自動產生 Swagger API 文件。
  • 使用 Gunicorn 設定合理的 Uvicorn worker 提高 API 吞吐量、提高服務穩定性(根據 CPU Core 與資料庫連線池)。
  • 透過 Python 的平行任務模組處理 CPU 瓶頸，並善用快取與非同步的機制處理 I/O 瓶頸、避免服務阻塞。
  • 使用 Locust 在開發機進行 API 壓測，在只使用 5 個 Gunicorn worker 的情況下可以達到 226.91 RPS 與不到 0.0008% 的失敗率，且服務全程可用 (模擬最高同時 2000 人持續使用服務 10 分鐘)。
  • 使用 FastAPI Typer 建立用於專案的 CLI 工具。
  • 使用 Pytest 測試後端 API。
• 配置 Nginx 處理靜態資源、SSL 加解密、服務轉發、流量限制等。
• 服務部署於 AWS EC2。

• 研究背景：A/B 染色體區室的識別通常以 PCA 套用於 Hi-C 皮爾森相關矩陣，但其有效性的理論原因鮮少被系統性說明。
• 核心觀察：Hi-C 皮爾森相關矩陣中，第一主成份（PC1）通常具有很高的變異解釋率，且該比例可反映 PC1 與區室結構的匹配程度。
• 方法提出：提出一種啟發式演算法，直接根據 Hi-C 皮爾森相關矩陣的共變異矩陣估計 PC1 型態，無須直接計算 PCA。
• 效能優化：透過隨機抽樣加速計算，並結合 POSSUMM 的設計概念，以稀疏 Hi-C O/E 矩陣作為輸入，降低高解析度下的記憶體需求。
• 實驗結果：相較於 Scikit-learn 與 POSSUMM 所採用的幂迭代法（Power Iteration），在時間或記憶體使用上在一些測試條件下具有更佳表現。
• 準確性：在效能提升的同時，仍能與基準 PC1 保持高度相似性。
• 開源實作：程式碼已公開於 GitHub。