joelcedric2/Fors8

# Fors8 — 地缘政治冲突预测引擎 **OSINT 机构对这类分析收取六位数的费用。Fors8 使用 50,000 个 AI agent 免费完成。** 2025 年 3 月 27 日，Fors8 预测美国/以色列与伊朗的冲突将以僵局结束——被设定为西方保全面子的结果——持续 6-9 周。结果完全如预测般上演。 Fors8 构建了地缘政治实体（军队、政府、贸易路线、联盟）的知识图谱，然后在其上部署了具有特定角色的 AI 决策者，他们通过 Monte Carlo 运行来模拟冲突动态。最终输出是一份结构化的预测报告，包含结果概率、参与者层面的分析以及基于数据的置信度评分。 ## 截图 ### 知识图谱 — 612 个实体，1200+ 关系  *交互式 D3.js 知识图谱，展示了地缘政治实体（IRGC、CENTCOM、霍尔木兹海峡、民族国家）及其关系。节点按类型进行颜色编码：军事、政治、经济、地理。* ### 分割视图 — 图谱 + 预测报告  *工作区布局，左侧为知识图谱，右侧为生成的预测报告。分析师可以在阅读模拟输出的同时探索实体关系。* ### 预测报告 — “谁赢了？”分析  *完整的预测报告，包含概率加权结果、升级路径和基于 agent 模拟共识生成的战略评估。* ### 结果概率与参与者结果  *结果概率分布和按参与者划分的结果表，展示了每个国家和组织在不同模拟运行中的表现。* ## 功能 - **知识图谱 (Zep GraphRAG)** — 从 OSINT 来源提取的 612+ 实体和 1,200+ 关系，构成了 agent 推理的结构支柱 - **50K Agent 社会模拟** — 遍布 18 个国家的 agent 在论坛中互动，建立联盟，并根据传入的数据转变立场 - **15 个特定角色的 AI 决策者** — 将军、外交官、能源交易员、国家元首和情报官员，各自具备适合其领域的推理能力 - **Monte Carlo 模拟** — 可配置的运行次数以确保统计置信度；结果在数百次模拟过程中汇总 - **数据基础验证** — 针对已解决的预测进行 Brier score 跟踪，以衡量并改善随时间推移的校准情况 - **实时 OSINT 摄取** — GDELT 事件流、新闻 API 和社交媒体监控将实时数据输入到模拟中 - **市场数据集成** — 通过 yfinance 获取石油期货、国防板块股票、GCC 股票市场和航运费率指数 - **历史基础概率** — 以过去地缘政治事件的经验频率为基准校准预测 - **Polymarket 集成** — 使用预测市场赔率作为校准基线和外部共识基准 - **图谱衍生角色** — 基于图谱结构生成（MiroFish 风格）的 agent 个性与决策框架，而非硬编码 ## 架构 ``` Frontend (Vue 3 + Vite) Backend (Python / Flask) +-----------------------+ +---------------------------+ | D3.js Knowledge Graph |<------>| Flask API | | Prediction Reports | | PostgreSQL (persistence) | | Chat Interface | | Zep Cloud (GraphRAG) | | Settings / GPU Mgmt | | OSINT Scrapers | +-----------------------+ | Agent Simulation Engine | | Market Data Service | +---------------------------+ | v +---------------------------+ | Inference (Ollama) | | Vast.ai GPU Cluster | | 2x A100 recommended | +---------------------------+ ``` | 层级 | 技术栈 | |-----------|-------------------------------------------------| | 前端 | Vue 3, Vite, D3.js | | 后端 | Python, Flask, PostgreSQL, Zep Cloud | | 推理 | Vast.ai GPU 上的 Ollama（推荐 2x A100） | | 数据 | GDELT, yfinance, Polymarket API, 新闻抓取器 | ## 快速开始 ### 后端 ``` cd backend pip install -r requirements.txt cp ../.env.example ../.env # Configure API keys (see below) python run.py ``` ### 前端 ``` cd frontend npm install npm run dev ``` 默认情况下，前端运行在 `http://localhost:5173`，后端 API 运行在 `http://localhost:5000`。 ## 配置 (.env) 以下环境变量是必需的： | 变量 | 描述 | |-----------------|-----------------------------------------------------| | `LLM_API_KEY` | LLM 提供商的 API key | | `LLM_BASE_URL` | LLM endpoint 的 Base URL | | `ZEP_API_KEY` | 用于 GraphRAG 的 Zep Cloud API key | | `VASTAI_API_KEY` | 用于 GPU 配置的 Vast.ai API key | | `VLLM_ENDPOINT` | vLLM / Ollama 推理服务器的 Endpoint URL | | `VLLM_MODEL` | 模型标识符（例如，`qwen2.5:32b`） | **绝不将 API key 提交到版本控制中。** 使用 `.env` 文件并确保 `.env` 已被列入 `.gitignore`。 ## GPU 要求 | 规格 | 详情 | |-------------|--------------------------------------| | 最低要求 | 总计 80 GB+ VRAM 的 2x GPU | | 推荐 | 2x A100 (80 GB) 或 2x A800 | | 模型 | 通过 Ollama 使用 `qwen2.5:32b` | **不要使用单个 GPU。** 长 context 的 agent 模拟会在单张 80 GB 显卡上发生 OOM。系统期望至少有两块 GPU 并使用 tensor 并行。 ## License MIT

标签：AI智能体, AI风险缓解, ESC4, OSINT, 代码示例, 仿真模拟, 地缘政治, 数据分析, 测试用例, 逆向工具, 预测分析