基于YOLOv8/YOLOv10/YOLOv11/YOLOv12与SpringBoot的车辆识别检测系统（DeepSeek智能分析+web交互界面+前后端分离+YOLO数据

本项目旨在设计并实现一个集成了最新YOLO系列模型、SpringBoot后端框架、DeepSeek大模型智能分析与现代化Web交互界面的综合性车辆识别检测系统。系统核心采用前后端分离的架构模式，前端负责用户交互与结果展示，后端则专注于复杂的模型推理与业务逻辑处理，二者通过RESTful API进行通信，确保了系统的可维护性、可扩展性与高性能。在算法层面，系统创新性地整合了YOLOv8、YOLOv1

斌擎人工智能官方账号

1020人浏览 · 2026-02-06 15:02:31

斌擎人工智能官方账号 · 2026-02-06 15:02:31 发布

摘要

随着智慧城市、智能交通系统的飞速发展，对道路场景中车辆目标的实时、精准识别与检测需求日益迫切。深度学习，特别是基于单阶段检测框架的YOLO系列算法，因其卓越的实时性与准确性，已成为该领域的核心技术。然而，YOLO模型的快速迭代（如v8至v12版本）带来了算法性能的差异与选择挑战，同时，一个成熟的检测系统需要稳定高效的后端服务与友好直观的前端交互界面作为支撑。

本项目旨在设计并实现一个集成了最新YOLO系列模型、SpringBoot后端框架、DeepSeek大模型智能分析与现代化Web交互界面的综合性车辆识别检测系统。系统核心采用前后端分离的架构模式，前端负责用户交互与结果展示，后端则专注于复杂的模型推理与业务逻辑处理，二者通过RESTful API进行通信，确保了系统的可维护性、可扩展性与高性能。

在算法层面，系统创新性地整合了YOLOv8、YOLOv10、YOLOv11及YOLOv12四种先进的检测模型，支持用户根据不同的精度与速度需求进行动态切换与对比，为车辆检测任务提供了灵活的解决方案。系统针对公交车、小汽车、摩托车、卡车这四类常见道路车辆（对应nc=4）进行检测，并基于一个包含1000张精心标注图像的数据集（训练集750张、验证集100张、测试集150张）进行模型训练与评估，确保了模型在实际场景中的泛化能力。

在功能层面，系统构建了完整的用户管理体系，实现了基于MySQL数据库的用户注册、登录（含密码安全检测）与权限控制。管理员拥有对系统用户进行增删改查的全局管理能力，而普通用户则可在个人中心修改个人信息、头像及密码。系统的核心检测功能覆盖图像上传检测、视频文件分析以及摄像头实时流媒体检测三种模式，所有检测记录（包括时间、目标类别、置信度、原始文件路径与结果文件路径）均被持久化存储至数据库，便于后续的查询、统计与分析。

此外，系统深度融合了DeepSeek大语言模型的智能分析能力，在完成图片检测后，可对检测结果进行进一步的语义理解与总结，生成描述性文本报告，提升了系统的智能化水平。

本系统的成功实现，不仅验证了最新YOLO算法在车辆检测任务上的有效性与工程实用性，也展示了一套将前沿深度学习模型、企业级Java后端开发、AI大模型融合与现代化前端技术相结合的全栈解决方案，为智能交通监控、车辆统计分析等应用场景提供了具备高可用性、可配置性与智能交互能力的原型平台。

关键词：车辆识别与检测；YOLO系列算法；SpringBoot；前后端分离；DeepSeek大模型；智能交通系统；Web应用；数据可视化

一、引言

1.1 研究背景与意义

在城市化进程不断加速和机动车保有量持续攀升的背景下，交通管理、道路安全、流量监控等领域面临着前所未有的挑战。传统的人工监控与处理方法已难以应对海量、实时的交通视频数据。因此，利用计算机视觉与人工智能技术实现自动化、智能化的车辆感知，成为建设“智慧城市”与“智能交通系统”的关键环节。车辆识别检测作为其中最基础且核心的任务，其目标是从复杂的道路场景图像或视频中，快速并准确地定位并分类出各类车辆。

近年来，卷积神经网络，特别是以YOLO（You Only Look Once）为代表的目标检测算法，因其“端到端”的训练方式和优异的推理速度，在实时检测场景中占据了主导地位。从YOLOv1到最新的YOLOv12，该系列算法在检测精度、速度以及网络架构上持续优化。然而，算法的快速迭代也给工程落地带来了模型选型与集成的问题。同时，一个完整的、可供非专业用户使用的检测系统，绝不能仅仅是一个算法脚本，它必须包含稳定的后端服务、友好的用户界面、可靠的数据管理以及可扩展的业务功能模块。

1.2 国内外研究现状

目前，国内外在车辆检测领域的研究主要集中于两个方向：一是算法模型的改进与创新，如利用更高效的网络主干（如CSPNet、RepVGG）、更先进的损失函数（如CIoU、Focal Loss）以及引入注意力机制（如Transformer）来提升YOLO系列模型的性能；二是系统与应用平台的开发，许多研究开始关注将检测算法封装成服务，并结合云平台、边缘计算等技术，构建一体化的解决方案。然而，大多数现有系统往往绑定单一检测模型，缺乏对不同版本先进模型的横向对比与灵活切换能力；同时，在系统功能上，与大型语言模型结合进行深度语义分析，并提供全面数据可视化与用户交互管理的综合性平台仍较为少见。

1.3 本项目主要内容与贡献

针对上述现状与需求，本项目设计并实现了一个基于多版本YOLO与SpringBoot的智能车辆识别检测系统。本项目的主要工作与创新点如下：

多模型集成与可配置检测引擎：系统同时集成了YOLOv8、YOLOv10、YOLOv11和YOLOv12四种当前主流且先进的检测模型，用户可通过Web界面一键切换，满足了不同场景下对检测精度和速度的权衡需求，为算法评估与应用选型提供了便利工具。
全栈式、前后端分离的系统架构：后端采用SpringBoot框架构建RESTful API服务，负责用户认证、模型加载与推理、数据持久化（MySQL）等核心逻辑；前端采用现代Vue.js技术构建交互界面。该架构清晰解耦，极大地提升了开发效率和系统稳定性。
深度融合AI智能分析：超越传统的“框出物体”，系统在检测完成后，调用DeepSeek大语言模型API对检测结果进行解读，生成包含场景描述、车辆统计、潜在风险提示等内容的智能分析报告，使系统从“感知”走向“认知”。
多功能、模块化的检测与管理：支持图片、视频、实时摄像头三种输入源的检测，覆盖了主要应用场景。所有检测记录均被系统化管理，并设有独立的图片记录、视频记录、摄像头记录管理模块，支持历史查询与结果回溯。
完备的用户体系与数据可视化：实现了从用户注册登录、个人信息管理到管理员后台管控的完整闭环。同时，利用数据可视化技术，将抽象的检测数据转化为直观的图表，辅助用户进行决策分析。

二、系统核心特性概述

功能模块

✅ 用户登录注册：支持密码检测，保存到MySQL数据库。

✅ 支持四种YOLO模型切换，YOLOv8、YOLOv10、YOLOv11、YOLOv12。

✅ 信息可视化，数据可视化。

✅ 图片检测支持AI分析功能，deepseek

✅ 支持图像检测、视频检测和摄像头实时检测，检测结果保存到MySQL数据库。

✅ 图片识别记录管理、视频识别记录管理和摄像头识别记录管理。

✅ 用户管理模块，管理员可以对用户进行增删改查。

✅ 个人中心，可以修改自己的信息，密码姓名头像等等。

登录注册模块

可视化模块

图像检测模块

YOLO模型集成 (v8/v10/v11/v12)
DeepSeek多模态分析
支持格式：JPG/PNG/MP4/RTSP

视频检测模块

实时检测模块

图片识别记录管理

视频识别记录管理

摄像头识别记录管理

用户管理模块

数据管理模块（MySQL表设计）

users - 用户信息表

imgrecords- 图片检测记录表

videorecords- 视频检测记录表

camerarecords- 摄像头检测记录表

模型训练结果

#coding:utf-8
#根据实际情况更换模型
# yolon.yaml (nano)：轻量化模型，适合嵌入式设备，速度快但精度略低。
# yolos.yaml (small)：小模型，适合实时任务。
# yolom.yaml (medium)：中等大小模型，兼顾速度和精度。
# yolob.yaml (base)：基本版模型，适合大部分应用场景。
# yolol.yaml (large)：大型模型，适合对精度要求高的任务。
 
from ultralytics import YOLO
 
model_path = 'pt/yolo12s.pt'
data_path = 'data.yaml'
 
if __name__ == '__main__':
    model = YOLO(model_path)
    results = model.train(data=data_path,
                          epochs=500,
                          batch=64,
                          device='0',
                          workers=0,
                          project='runs',
                          name='exp',
                          )

YOLO概述

YOLOv8

YOLOv8 由 Ultralytics 于 2023 年 1 月 10 日发布，在准确性和速度方面提供了尖端性能。基于先前 YOLO 版本的进步，YOLOv8 引入了新功能和优化，使其成为各种应用中目标检测任务的理想选择。

YOLOv8 的主要特性

高级骨干和颈部架构： YOLOv8 采用最先进的骨干和颈部架构，从而改进了特征提取和目标检测性能。
无锚点分离式 Ultralytics Head： YOLOv8 采用无锚点分离式 Ultralytics head，与基于锚点的方法相比，这有助于提高准确性并提高检测效率。
优化的准确性-速度权衡： YOLOv8 专注于在准确性和速度之间保持最佳平衡，适用于各种应用领域中的实时对象检测任务。
丰富的预训练模型: YOLOv8提供了一系列预训练模型，以满足各种任务和性能要求，使您更容易为特定用例找到合适的模型。

YOLOv10

YOLOv10 由清华大学研究人员基于 Ultralytics Python构建，引入了一种新的实时目标检测方法，解决了先前 YOLO 版本中存在的后处理和模型架构缺陷。通过消除非极大值抑制 (NMS) 并优化各种模型组件，YOLOv10 以显著降低的计算开销实现了最先进的性能。大量实验表明，它在多个模型尺度上都具有卓越的精度-延迟权衡。

概述

实时目标检测旨在以低延迟准确预测图像中的对象类别和位置。YOLO 系列因其在性能和效率之间的平衡而一直处于这项研究的前沿。然而，对 NMS 的依赖和架构效率低下阻碍了最佳性能。YOLOv10 通过引入用于无 NMS 训练的一致双重分配和整体效率-准确性驱动的模型设计策略来解决这些问题。

架构

YOLOv10 的架构建立在之前 YOLO 模型优势的基础上，同时引入了几项关键创新。该模型架构由以下组件组成：

骨干网络：负责特征提取，YOLOv10 中的骨干网络使用增强版的 CSPNet (Cross Stage Partial Network)，以改善梯度流并减少计算冗余。
Neck：Neck 的设计目的是聚合来自不同尺度的特征，并将它们传递到 Head。它包括 PAN（路径聚合网络）层，用于有效的多尺度特征融合。
One-to-Many Head：在训练期间为每个对象生成多个预测，以提供丰富的监督信号并提高学习准确性。
一对一头部：在推理时为每个对象生成一个最佳预测，以消除对NMS的需求，从而降低延迟并提高效率。

主要功能

免NMS训练：利用一致的双重分配来消除对NMS的需求，从而降低推理延迟。
整体模型设计：从效率和准确性的角度对各种组件进行全面优化，包括轻量级分类 Head、空间通道解耦下采样和秩引导块设计。
增强的模型功能: 结合了大内核卷积和部分自注意力模块，以提高性能，而无需显着的计算成本。

YOLOv11

YOLO11 是 Ultralytics YOLO 系列实时目标检测器的最新迭代版本，它以前沿的精度、速度和效率重新定义了可能性。YOLO11 在之前 YOLO 版本的显著进步基础上，在架构和训练方法上进行了重大改进，使其成为各种计算机视觉任务的多功能选择。

主要功能

增强的特征提取: YOLO11 采用改进的 backbone 和 neck 架构，从而增强了特征提取能力，以实现更精确的目标检测和复杂的任务性能。
优化效率和速度： YOLO11 引入了改进的架构设计和优化的训练流程，从而提供更快的处理速度，并在精度和性能之间保持最佳平衡。
更高精度，更少参数： 随着模型设计的进步，YOLO11m 在 COCO 数据集上实现了更高的平均精度均值(mAP)，同时比 YOLOv8m 少用 22% 的参数，在不牺牲精度的情况下提高了计算效率。
跨环境的适应性： YOLO11 可以无缝部署在各种环境中，包括边缘设备、云平台和支持 NVIDIA GPU 的系统，从而确保最大的灵活性。
广泛支持的任务范围： 无论是目标检测、实例分割、图像分类、姿势估计还是旋转框检测 (OBB)，YOLO11 都旨在满足各种计算机视觉挑战。

Ultralytics YOLO11 在其前代产品的基础上进行了多项重大改进。主要改进包括：

增强的特征提取： YOLO11 采用了改进的骨干网络和颈部架构，增强了特征提取能力，从而实现更精确的目标检测。
优化的效率和速度： 改进的架构设计和优化的训练流程提供了更快的处理速度，同时保持了准确性和性能之间的平衡。
更高精度，更少参数： YOLO11m 在 COCO 数据集上实现了更高的平均精度均值 (mAP)，同时比 YOLOv8m 少用 22% 的参数，在不牺牲精度的情况下提高了计算效率。
跨环境的适应性： YOLO11 可以部署在各种环境中，包括边缘设备、云平台和支持 NVIDIA GPU 的系统。
广泛支持的任务范围： YOLO11 支持各种计算机视觉任务，例如目标检测、实例分割、图像分类、姿势估计和旋转框检测 (OBB)。

YOLOv12

YOLO12引入了一种以注意力为中心的架构，它不同于之前YOLO模型中使用的传统基于CNN的方法，但仍保持了许多应用所需的实时推理速度。该模型通过在注意力机制和整体网络架构方面的新颖方法创新，实现了最先进的目标检测精度，同时保持了实时性能。尽管有这些优势，YOLO12仍然是一个社区驱动的版本，由于其沉重的注意力模块，可能表现出训练不稳定、内存消耗增加和CPU吞吐量较慢的问题，因此Ultralytics仍然建议将YOLO11用于大多数生产工作负载。

主要功能

区域注意力机制: 一种新的自注意力方法，可以有效地处理大型感受野。它将特征图分成 l 个大小相等的区域（默认为 4 个），水平或垂直，避免复杂的运算并保持较大的有效感受野。与标准自注意力相比，这大大降低了计算成本。
残差高效层聚合网络（R-ELAN）：一种基于 ELAN 的改进的特征聚合模块，旨在解决优化挑战，尤其是在更大规模的以注意力为中心的模型中。R-ELAN 引入：
- 具有缩放的块级残差连接（类似于层缩放）。
- 一种重新设计的特征聚合方法，创建了一个类似瓶颈的结构。
优化的注意力机制架构：YOLO12 精简了标准注意力机制，以提高效率并与 YOLO 框架兼容。这包括：
- 使用 FlashAttention 来最大限度地减少内存访问开销。
- 移除位置编码，以获得更简洁、更快速的模型。
- 调整 MLP 比率（从典型的 4 调整到 1.2 或 2），以更好地平衡注意力和前馈层之间的计算。
- 减少堆叠块的深度以改进优化。
- 利用卷积运算（在适当的情况下）以提高其计算效率。
- 在注意力机制中添加一个7x7可分离卷积（“位置感知器”），以隐式地编码位置信息。
全面的任务支持: YOLO12 支持一系列核心计算机视觉任务：目标检测、实例分割、图像分类、姿势估计和旋转框检测 (OBB)。
增强的效率: 与许多先前的模型相比，以更少的参数实现了更高的准确率，从而证明了速度和准确率之间更好的平衡。
灵活部署: 专为跨各种平台部署而设计，从边缘设备到云基础设施。

主要改进

增强的特征提取:
- 区域注意力: 有效处理大型感受野，降低计算成本。
- 优化平衡： 改进了注意力和前馈网络计算之间的平衡。
- R-ELAN：使用 R-ELAN 架构增强特征聚合。
优化创新：
- 残差连接：引入具有缩放的残差连接以稳定训练，尤其是在较大的模型中。
- 改进的特征集成：在 R-ELAN 中实现了一种改进的特征集成方法。
- FlashAttention: 整合 FlashAttention 以减少内存访问开销。
架构效率:
- 减少参数：与之前的许多模型相比，在保持或提高准确性的同时，实现了更低的参数计数。
- 简化的注意力机制：使用简化的注意力实现，避免了位置编码。
- 优化的 MLP 比率：调整 MLP 比率以更有效地分配计算资源。

前端代码展示

登录界面一小部分代码：

<template>
	<div class="home-container layout-pd">
		<el-row :gutter="15" class="home-card-two mb15">
			<el-col :xs="24" :sm="14" :md="14" :lg="16" :xl="16">
				<div class="home-card-item">
					<div style="height: 100%" ref="homeLineRef"></div>
				</div>
			</el-col>
			<el-col :xs="24" :sm="10" :md="10" :lg="8" :xl="8" class="home-media">
				<div class="home-card-item">
					<div style="height: 100%" ref="homePieRef"></div>
				</div>
			</el-col>
		</el-row>
		<el-row :gutter="15" class="home-card-three">
			<el-col :xs="24" :sm="14" :md="14" :lg="8" :xl="8" class="home-media">
				<div class="home-card-item">
					<div style="height: 100%" ref="homeradarRef"></div>
				</div>
			</el-col>
			<el-col :xs="24" :sm="10" :md="10" :lg="16" :xl="16">
				<div class="home-card-item">
					<div class="home-card-item-title">实时检测记录</div>
					<div class="home-monitor">
						<div class="flex-warp">
							<el-table :data="state.paginatedData" style="width: 100%" height="360" v-loading="state.loading">
								<el-table-column prop="username" label="操作员" align="center" width="120" />
								<el-table-column prop="label" label="检测结果" align="center" width="120">
									<template #default="scope">
										<el-tag 
											:type="getResultType(scope.row.label)"
											effect="light"
										>
											{{ formatLabel(scope.row.label) }}
										</el-tag>
									</template>
								</el-table-column>
								<el-table-column prop="confidence" label="置信度" align="center" width="120">
									<template #default="scope">
										{{ formatConfidence(scope.row.confidence) }}
									</template>
								</el-table-column>
								<el-table-column prop="weight" label="模型权重" align="center" width="120" />
								<el-table-column prop="conf" label="检测阈值" align="center" width="120" />
								<el-table-column prop="startTime" label="检测时间" align="center" width="180" />
								<el-table-column label="操作" align="center" width="100">
									<template #default="scope">
										<el-button link type="primary" size="small" @click="handleViewDetail(scope.row)">
											详情
										</el-button>
									</template>
								</el-table-column>
							</el-table>
							<div class="pagination-container">
								<el-pagination
									v-model:current-page="state.currentPage"
									v-model:page-size="state.pageSize"
									:page-sizes="[10, 20, 50, 100]"
									:small="true"
									:layout="layout"
									:total="state.total"
									@size-change="handleSizeChange"
									@current-change="handleCurrentChange"
								/>
							</div>
						</div>
					</div>
				</div>
			</el-col>
		</el-row>

		<!-- 详情弹窗 -->
		<el-dialog
			v-model="state.detailDialogVisible"
			:title="`检测记录详情 - ${state.selectedRecord?.username || ''}`"
			width="80%"
			:close-on-click-modal="false"
			:close-on-press-escape="false"
			center
		>
			<div class="detail-container" v-loading="state.detailLoading">
				<el-row :gutter="20">
					<!-- 检测图片 -->
					<el-col :xs="24" :sm="12" :md="12" :lg="12" :xl="12">
						<div class="detail-section">
							<h3 class="detail-title">原始图片</h3>
							<div class="image-container">
								<div class="img-wrapper" @click="previewImage(getImageUrl(state.selectedRecord?.inputImg), '原始图片')">
									<img 
										:src="getImageUrl(state.selectedRecord?.inputImg)" 
										alt="原始图片" 
										class="detection-image"
										v-if="state.selectedRecord?.inputImg"
									/>
									<div class="img-overlay" v-if="state.selectedRecord?.inputImg">
										<el-icon><View /></el-icon>
									</div>
									<div v-else class="image-placeholder">
										<el-icon><Picture /></el-icon>
										<span>暂无原始图片</span>
									</div>
								</div>
							</div>
						</div>
					</el-col>
					
					<!-- 检测信息 -->
					<el-col :xs="24" :sm="12" :md="12" :lg="12" :xl="12">
						<div class="detail-section">
							<h3 class="detail-title">检测信息</h3>
							<el-descriptions :column="1" border>
								<el-descriptions-item label="操作员">
									{{ state.selectedRecord?.username || '未知' }}
								</el-descriptions-item>
								
								<el-descriptions-item label="检测结果">
									<el-tag 
										:type="getResultType(state.selectedRecord?.label || '')"
										effect="light"
									>
										{{ formatLabel(state.selectedRecord?.label || '') }}
									</el-tag>
								</el-descriptions-item>
								
								<el-descriptions-item label="置信度">
									{{ formatConfidence(state.selectedRecord?.confidence || '') }}
								</el-descriptions-item>
								
								<el-descriptions-item label="模型权重">
									{{ state.selectedRecord?.weight || '未知' }}
								</el-descriptions-item>
								
								<el-descriptions-item label="检测阈值">
									{{ state.selectedRecord?.conf || '未知' }}
								</el-descriptions-item>
								
								<el-descriptions-item label="检测时间">
									{{ state.selectedRecord?.startTime || '未知' }}
								</el-descriptions-item>
								
								<el-descriptions-item label="检测详情" v-if="hasDetectionDetails">
									<div class="detection-details">
										<div 
											v-for="(item, index) in getDetectionDetails()" 
											:key="index"
											class="detail-item"
										>
											<span class="detail-label">{{ item.label }}:</span>
											<span class="detail-value">{{ item.confidence }}</span>
										</div>
									</div>
								</el-descriptions-item>
							</el-descriptions>
						</div>
					</el-col>
				</el-row>
				
				<!-- 原图与检测结果对比 -->
				<el-row :gutter="20" v-if="state.selectedRecord?.inputImg || state.selectedRecord?.outImg">
					<el-col :xs="24" :sm="12" :md="12" :lg="12" :xl="12">
						<div class="detail-section">
							<h3 class="detail-title">原始图片</h3>
							<div class="image-container">
								<div class="img-wrapper" @click="previewImage(getImageUrl(state.selectedRecord.inputImg), '原始图片')">
									<img 
										:src="getImageUrl(state.selectedRecord.inputImg)" 
										alt="原始图片" 
										class="detection-image"
										v-if="state.selectedRecord?.inputImg"
									/>
									<div class="img-overlay" v-if="state.selectedRecord?.inputImg">
										<el-icon><View /></el-icon>
									</div>
									<div v-else class="image-placeholder">
										<el-icon><Picture /></el-icon>
										<span>暂无原始图片</span>
									</div>
								</div>
							</div>
						</div>
					</el-col>
					<el-col :xs="24" :sm="12" :md="12" :lg="12" :xl="12">
						<div class="detail-section">
							<h3 class="detail-title">预测图片</h3>
							<div class="image-container">
								<div class="img-wrapper" @click="previewImage(getImageUrl(state.selectedRecord.outImg), '预测图片')">
									<img 
										:src="getImageUrl(state.selectedRecord.outImg)" 
										alt="预测图片" 
										class="detection-image"
										v-if="state.selectedRecord?.outImg"
									/>
									<div class="img-overlay" v-if="state.selectedRecord?.outImg">
										<el-icon><View /></el-icon>
									</div>
									<div v-else class="image-placeholder">
										<el-icon><Picture /></el-icon>
										<span>暂无预测图片</span>
									</div>
								</div>
							</div>
						</div>
					</el-col>
				</el-row>
			</div>
			
			<template #footer>
				<span class="dialog-footer">
					<el-button @click="state.detailDialogVisible = false">关闭</el-button>
					<el-button type="primary" @click="handleDownloadImage" :disabled="!state.selectedRecord?.inputImg">
						<el-icon><Download /></el-icon>
						下载检测图片
					</el-button>
				</span>
			</template>
		</el-dialog>

后端代码展示

2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

冥想盆范式：让大模型学会管理自己的上下文

2048 AI社区

AI原生应用领域链式思考：技术与思维的融合

在当今科技飞速发展的时代，AI原生应用正逐渐改变着我们的生活和工作方式。本文的目的就是要深入探讨在AI原生应用领域中，链式思考这种独特的思维方式是如何与先进的技术相互融合的。我们会涉及到链式思考的原理、相关技术的实现，以及在实际项目中的应用等多个方面，帮助大家全面了解这一领域。接下来，我们会先介绍核心概念，通过有趣的故事引出主题，并详细解释相关概念及其关系。然后会阐述核心算法原理和具体操作步骤，用

2048 AI社区

Trae AI编程实践

本文记录了使用字节跳动开发的AI编程工具Trae进行企业投资图谱应用开发的完整过程。作者从安装配置Trae开始，通过SOLO模式实现需求分析、技术栈选择、前后端代码生成及调试。开发过程中发现AI存在"幻觉"问题，如虚构不存在的企业名称并坚持错误结论。文章展示了AI编程的高效性，同时也指出其精度不足的缺陷，建议在关键场景结合传统开发方式，并强调测试验证的重要性。整个过程体现了AI