第121期方班演武堂成功举办

原广州

2026年06月10日14:00-17:00，第121期方班演武堂在广州大学黄埔校区B2栋博信楼成功举办，绿盟班、海康班、天融信班、安天班、任子行班、启明星辰班和安恒班7个企业冠名教学班的企业导师，以及方班八期全体学生和网安学院部分老师参与了课堂教学。

   本次演武堂课程分为七个教学班。绿盟班（1班）汇报的同学是林子杰、王茂碧、全海淀，来自绿盟科技的张龙、尹培宇和蔡德懿为主点评老师；海康班（2班）的汇报同学是罗凯文、唐铭骏、杨溥坤，来自海康威视的王玉银、陈瑞云和朱德昌为主点评老师；天融信班（3班）汇报的同学是李若涵、胡宏煜、林嘉奕，来自天融信的张新、潘季明和江军为主点评老师；安天班（4班）的汇报同学是周黛、程晋业、庄俊柯，来自安天科技的李林哲为主点评老师；任子行班（5班）的汇报同学是陈默晗、周臻、陈宁宁，来自任子行的潘练、侯晓辰、栾文娟和殷小康为主点评老师；启明星辰班（6班）的汇报同学是金善玮、张衡、黄国迅，来自启明星辰的杨同磊和曹隆翔为主点评老师；安恒班（7班）的汇报同学是李恒坚、黄章杰、李鹏，来自安恒信息技术的陈凯、丁莹和叶方庆为主点评老师。

第一组

第一位报告人：【林子杰】

报告题目：【LLaMA-Factory：LLMs和VLMs的统一高效微调】

点评老师的意见与建议：

1、实验结果部分可以增加准确性、相关性等评估指标，从更多角度体现模型微调后的实际效果。

2、LLaMA-Factory在企业落地时需要将模型导出并部署成 API 服务，再与业务系统进行二次开发对接。

3、微调模型上线前不能只看Loss，还需要结合独立测试集、人工评估、安全合规测试和服务性能等指标综合判断。

第二位报告人：【王茂碧】

报告题目：【TTMs：用于提升多变量时间序列零样本/少样本预测的快速预训练模型】

点评老师的意见与建议：

1、要更多的考虑这个项目在现实落地部署的难点。

2、整体部署过程的难点要做好记录。

第三位报告人：【全海淀】

报告题目：【Darkriscv：用 Verilog 从零开始实现了开源 RISC-V CPU 内核】

点评老师的意见与建议：

1、波形分析专业，建议深化：能从GTKWave中解读取指、访存与流水线标志，基本功扎实。建议后续学习时序约束，分析建立/保持时间。

2、RISC-V理解准确，可以再看看流水线部分内部的细节。

3、对比教学效果好，需补板级验证：RISC/CISC对比图表清晰生动。建议实际下载到FPGA开发板，用串口打印真实数据验证。

4、可靠性提问务实，需补时序分析：无前推流水线在高速时钟下可能因路径延迟导致违例。建议学习静态时序分析（STA）和添加流水线寄存器。

第二组

第一位报告人：【罗凯文】

报告题目：【RAGFlow:一款基于深度文档解析的开源检索增强引擎】

点评老师的意见与建议：

1、内容汇报的很完整，从文件的清理，到检索再到生成都做了比较详细的介绍

2、介绍流程的时候讲的方法非常好，能够听懂

3、缺少竞品分析，缺少流程图（要有完整的输入和输出）

第二位报告人：【唐铭骏】

报告题目：【Agent-SafetyBench】

点评老师的意见与建议：

1、这个评测项目，最后获得的评测结果，难以通过比例去衡量这个被评测的模型的好还，这一部分可能需要进一步思考。

2、企业的Agent更多会关注特定任务的安全，这个项目是关于Agent的通用评测，企业里面可能比较少用。

3、关于项目的核心源码部分，可以尝试进行部分修改，观察评测流程是否会出现预期之外的情况。

第三位报告人：【杨溥坤】

报告题目：【Qwen3Guard:大模型安全护栏】

点评老师的意见与建议：

1.进一步加深对项目核心机制的理解：厘清模型输出中“安全/不安全”与“争议”标签的关系，以及严格/宽松模式对最终判定的影响。

2.完善项目展示的关键内容：建议补充业务或数据流程图，便于清晰展示系统的完整执行过程；同时梳理架构分层设计的合理依据，增强方案的说服力。

3.提升自主调研能力：对行业痛点、技术方案等内容，建议在参考已有报告或AI工具的基础上，进一步消化吸收，用自己的语言组织和表达，突出个人分析与贡献。

第三组

第一位报告人：【李若涵】

报告题目：【用于大模型安全防护的NeMo Guardrails护栏库】

点评老师的意见与建议：

1、代码分析得很细，总结部分的不足用实验来验证值得表扬。

2、背景部分的需求分析可以再具体一点，这个项目具体用在什么场景。

3、代码部分细讲后有点零散，可以讲用来支撑五个护栏的核心底层机制。

第二位报告人：【胡宏煜】

报告题目：【uqlm: 大语言模型的不确定性量化】

点评老师的意见与建议：

1、需求分析的不够到位。

2、没有整个工具底层各个模块之间的调用关系的描述或者图形展示。

第三位报告人：【林嘉奕】

报告题目：【Flower：一个框架无关且高度可定制的联邦学习框架】

点评老师的意见与建议：

1、建议进行实验分析，对于系统鲁棒性，比如模拟节点掉线情况、梯度平均失败的情况进行分析。

2、对分布式训练网络的容量进行实验，测试网络中最大能够容纳多少的训练节点，对梯度聚合后的模型的loss值做一个折线图进行总结。

3、对于PPT侧重需要进行改进，对于分布式深度学习的训练实验方面还需要更多的篇幅进行介绍。

第四组

第一位报告人：【周黛】

报告题目：【面向主机日志的溯源分析与可视化系统】

点评老师的意见与建议：

1、针对低价值事件判定，建议结合木马、挖矿等威胁特征筛选数据，依托告警开展图溯源分析。

2、无需纠结日志底层压缩算法，需结合业务规模，合理规划数据存储结构与数据库选型。

3、建议拓展异常检测维度，利用基线比对、外联陌生地址等特征，丰富异常判定依据。

4、针对数据库的选型，建议根据实际应用来进行适配，比如横向拓展、存储的数据模型、数据规模等来进行考量。

第二位报告人：【程晋业】

报告题目：【Openclaw】

点评老师的意见与建议：

1、能紧扣OpenCrow的工程与抽象核心研究，还动手做了小工具实践，选题踩中行业热点，切入点很扎实。。

2、精准揪出沙箱安全、Skill管理这些行业痛点，能看出你对Agent领域的技术难点有不错的敏感度。

3、对 Skill的理解还偏表面，只当成提示词，没挖到上下文管理的本质，也没触及Skill召回的核心难题。

4.研究视角偏单一，只盯着工程实现，对长期记忆机制优劣、协议接口等维度的分析深度明显不够。

第三位报告人：【庄俊柯】

报告题目：【tiny-gpu】

点评老师的意见与建议：

1、建议使用图形化工具观察模块引脚与连线，替代纯文本编辑器方式，便于理解硬件结构。

2、需关注时钟周期及加减乘除等运算的周期差异（加法短、乘法长），探索流水线优化。

3、当前实现的3D GPU规模较简单，偏教学与仿真；可进一步研究SIMT、专用指令集等现代特性。

4、结合计算机组成原理知识理解底层实现，明确项目以学习为目的，性能有限，重在掌握GPU编程模型。

第五组

第一位报告人：【陈默晗】

报告题目：【MiniMind：从源码理解大语言模型训练全流程】

点评老师的意见与建议：

1、选题具有较强实践意义，能以 MiniMind 项目串联大模型训练全流程。

2、汇报对 Pretrain、SFT、LoRA 等关键环节的理解较清晰，层次较完整。

3、建议进一步结合源码细节说明训练数据、模型结构与能力变化之间的关系。

4、后续可加强实验结果对比分析，突出微调前后模型输出差异及原因。

第二位报告人：【周臻】

报告题目：【Flower】

点评老师的意见与建议：

1、建议进一步结合源码阅读与实验结果，突出 Flower 在真实场景中的适用边界。

2、企业实际落地中较少直接采用联邦学习，可补充其商业价值与部署成本分析。

3、联邦学习已发展多年，建议关注前沿方向，如大模型、隐私计算和端侧智能结合。

第三位报告人：【陈宁宁】

报告题目：【syncLogistics：干支协同调度系统】

点评老师的意见与建议：

1、肯定代码协作与需求管理流程，强调公共模块共建。

2、规则分层标准化可减少冲突、提升效率。

3、全局一体化求解优于局部优化，实现最优。

4、关注司机预测模型数据来源与实用性验证。

第六组

第一位报告人：【金善玮】

报告题目：【入侵检测与防御系统Snort++的复现与分析】

点评老师的意见与建议：

1、企业老师：生产环境需结合业务筛选 Snort 规则，按风险分级管理，自定义规则优先级更高，可通过阈值、白名单与规则调优降低误报。

2、企业老师：可以采用多层多节点部署覆盖南北向与东西向流量，借助自动化工具统管配置，集中汇总告警开展分析。

3、学院老师：部分专业概念区分不清，对 C++ 类与成员函数、检测引擎相关接口及参数的解读存在偏差，需梳理准确。

第二位报告人：【张衡】

报告题目：【Hayabus：一款 Windows 事件日志分析工具】

点评老师的意见与建议：

1、项目架构图跟流程图可以交换下位置讲解效果更好。

2、每一页衔接的时候加入一些引导性词汇。

第三位报告人：【黄国迅】

报告题目：【IdentYwaf：一款功能强大的Web应用防火墙识别与检测工具】

点评老师的意见与建议：

1、目前waf防御是否完善，很难使用工具去做识别。

2、多种防护策略下，不常去判断在一层发生了拦截，为了业务方便常常使用简单的策略。

3、整体逻辑还可以，讲解也很流畅。

第七组

第一位报告人：【黄章杰】

报告题目：【ai应用于钓鱼邮件检测】

点评老师的意见与建议：

1、钓鱼邮件的图片，有伪造logo、公章等情况，可以引入一些图片检测算法来进行检测。

2、对于比较内存大的邮件，可以添加一些校验处理，超过哪个阈值就不进行检测了。

3、提问：本项目是如何做到保护隐私的？

第二位报告人：【李恒坚】

报告题目：【AI 大模型安全测试工具】

点评老师的意见与建议：

1、实际对AI业务的安排评估不会只看模型本身，也要结合项目本身，结合环境也去评估模型。

2、第一步通过红队工具，提示词越狱判断。第二步通过审计的方式判断，然后优化规则库等。第三步通过用户反馈迭代找到问题。

3、这个工具对于不同agent的适配性是怎么样？对agnet的扫描是一次的扫描还是持续扫描。

第三位报告人：【李鹏】

报告题目：【Auto-Deploy：基于LangGraph的智能自动化部署Agent】

点评老师的意见与建议：

1、使用LLM部署项目一般用在测试环境或者靶场环境进行批量部署的场景下，在生产场景中一般不直接使用LLM进行部署，而是使用LLM生产一份指导文件，在文件的指导下进行人工部署项目。

2、现有的LLM Agent功能已经非常完善，完全可以通过编写skills的方式替代新编写一个Agent去对项目进行部署，而且现在harness非常流行，也可以参照harness的方式对LLM的输出进行约束。

3、编写项目的目的是为了能够学习到Agent如何去调用LLM，当遇到LLM上下文爆炸的情况如何去进行处理，当遇到报错时如何去进行解决，要把这些细节讲清楚，而不单单展示一下框架代码。

4、建议编写一个图像化界面让用户看到一个直观的安装过程。

​