pooyaphoenix/RA3G-Agent

策略感知 RAG 多智能体 AI 系统

## 🚀 快速开始 ### 选项 1：Docker（推荐） ``` git clone https://github.com/pooyaphoenix/RA3G-Agent.git cd RA3G-Agent docker compose up --build ``` ### 选项 2：本地安装 ``` git clone https://github.com/pooyaphoenix/RA3G-Agent.git cd RA3G-Agent python3 -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate pip install -r requirements.txt python ra3g.py --api-port 8010 --ui-port 8501 ``` **访问应用程序：** - 🌐 **Web UI**：http://localhost:8501 - 📡 **API 文档**：http://localhost:8010/docs - 🔍 **健康检查**：http://localhost:8010/health ## ✨ 功能 - 🔍 **本地 RAG 系统** - 无需外部 API 即可查询您的文档 - 🛡️ **治理 Agent** - 自动过滤敏感信息 - 🤖 **多 Agent 架构** - 包括 Retriever、Reasoning 和 Governance agent - 💾 **会话记忆** - 记住先前的查询和上下文 - 📊 **实时日志** - 通过实时日志流监控 agent 活动 - 📄 **PDF 文档上传** - 自动上传 PDF 并构建向量存储 - 🎨 **Streamlit UI** - 美观的 Web 界面，便于交互 - 🔌 **REST API** - 通过 FastAPI 提供完整的编程式访问 - ⚙️ **完全可定制** - 通过 `config.yml` 轻松配置 ## 🎬 演示  ## 🏗️ 架构 **Agent 流程：** 1. **Retriever Agent** - 从您的语料库中查找相关段落 2. **Reasoning Agent** - 使用 Ollama LLM 生成答案 3. **Governance Agent** - 根据策略验证并过滤响应 ## 📖 使用示例 ### Web UI 1. 打开 http://localhost:8501 2. 导航至 **Chat** 标签页 3. 输入您的问题并获取即时答案 ### API 请求 ``` curl -X POST 'http://localhost:8010/query' \ -H 'Content-Type: application/json' \ -H 'session-id: my-session' \ -d '{ "query": "What are the benefits of regular hand washing?", "top_k": 5 }' ``` ### API 响应 ``` { "query": "What are the benefits of regular hand washing?", "answer": "Preventing the spread of infections is one of the simplest ways.", "governance": { "approved": true, "reason": "approved" }, "trace": [ { "index": 0, "note": "relevant passage about benefits of hand washing" } ], "retrieved": [ { "id": "corpus_medical_general.txt#p0", "text": "...", "source": "corpus_medical_general.txt", "score": 0.51 } ], "confidence": 0.512, "session_id": "my-session" } ``` ### Python 客户端示例 ``` import requests response = requests.post( 'http://localhost:8010/query', headers={'session-id': 'my-session'}, json={'query': 'What is machine learning?', 'top_k': 5} ) print(response.json()['answer']) ``` ## 🔌 API 端点 | 方法 | 端点 | 描述 | |--------|----------|-------------| | `POST` | `/query` | 通过 RAG 提问 | | `GET` | `/health` | 检查所有 agent 的健康状况 | | `GET` | `/health/{agent}` | 检查特定 agent 的健康状况 | | `GET` | `/trace` | 获取会话查询历史记录 | | `DELETE` | `/memory/clear` | 清除会话记忆 | | `GET` | `/docs` | 交互式 Swagger UI | | `GET` | `/logs/stream/{log_type}` | 实时流式传输日志 (SSE) | **在线体验：** http://localhost:8010/docs ## 🛡️ 治理规则 治理 agent 会根据以下内容自动拦截或批准查询： ❌ **拦截：** - 个人姓名、电话号码、地址 - 医疗记录和患者数据 - 机密企业信息 - 违禁短语（可在 `config.yml` 中配置） ✅ **允许：** - 一般性的医学和科学问题 - 教育内容 - 公开信息 ## 📂 添加文档 1. **将您的文档放入** `data/corpus/` 目录中（支持 `.txt` 或 `.md` 文件） 2. **自动索引** - 系统在启动时会构建 FAISS 索引 3. **手动索引**（可选）： python indexer.py --corpus data/corpus **配置：** 编辑 `config.yml` 以自定义语料库目录和索引行为。 ## ⚙️ 配置 所有设置均位于 `config.yml` 中： ``` # Ollama 配置 OLLAMA_URL: http://localhost:11434/api/generate OLLAMA_MODEL: qwen2.5:7b-instruct # Embedding Model EMBED_MODEL: all-MiniLM-L6-v2 # Confidence 阈值 THRESHOLDS: retriever: 0.72 reasoner: 0.81 # 启动时自动构建 index AUTO_BUILD_FAISS: true CORPUS_DIR: data/corpus # 治理的违禁短语 BANNED_PHRASES: - diagnosis - prescription - classified - confidential ``` ## 🧪 测试 ``` # Health check curl http://localhost:8010/health # 测试 query curl -X POST http://localhost:8010/query \ -H 'Content-Type: application/json' \ -H 'session-id: test' \ -d '{"query": "Hello", "top_k": 3}' ``` ## 📝 环境要求 - Python 3.8+ - Ollama（用于 LLM 推理） - Docker（可选，用于容器化部署） 有关 Python 依赖项，请参阅 `requirements.txt`。 ## 📧 联系方式 **pooyachavoshi@gmail.com** ## 📄 许可证 有关详细信息，请参阅 [LICENSE](LICENSE) 文件。

标签：AI风险缓解, Docker, Kubernetes, Python, RAG, Streamlit, 人工智能, 多智能体, 安全防御评估, 数据合规, 无后门, 用户模式Hook绕过, 网络安全, 网络测绘, 访问控制, 请求拦截, 逆向工具, 隐私保护