2018 年 8 月，喀拉拉邦的库塔纳德地区经历了一个世纪以来最严重的洪灾。应急指挥中心并非因为缺乏数据而瘫痪，而是因为调度员无法足够快地处理涌入的海量求助 WhatsApp 消息、中断的遥测数据以及相互冲突的报告。 仪表盘可以向你展示医院发电机正在发生故障。但它们无法告诉你，在接下来的十分钟内，该如何重新规划五十艘被困救生艇的路线，才能挽救 ICU 患者的生命。 Yaqzan（阿拉伯语意为“警惕者”）解决了灾难响应中的认知瓶颈问题。这是一个实时的指挥室模拟系统，其中 AI 模型不仅负责传输数据，还能主动进行推理分析。 我们构建 Yaqzan 是为了证明，当您将推理模型（K2 Think V2）与确定性模拟引擎相连接时，您将获得一位能够持续进行高速战术分诊的应急指挥官。 ## 核心架构 Yaqzan 的架构围绕着一个由三部分组成的闭环设计： **1. 模拟引擎** 引擎在本地使用 Python 运行，模拟库塔纳德发生的洪灾事件。它基于图数据集对物理现象进行建模。该图由 `Nodes`（城镇、医院、泵站）和 `Edges`（道路）组成。每隔两秒，模拟系统就会推进一个步长。各节点的水位会上升，边缘的通行能力会下降，基站会离线，同时预定义的场景注入事件（如市民报告或大坝决堤）会被触发并注入系统。 **2. K2 AI 指挥官** 我们没有用非结构化文本来冲击模型，而是将整个城市状态编译成一个紧凑的 JSON payload。K2 会摄取该状态，查看传入的市民报告，并生成实时的推理轨迹。您可以在屏幕上观看它的思考过程：识别被困市民、检查水深、核实医院容量，并起草救援行动。 **3. 真值校验器** 安全是不可妥协的。在任何 AI 指令到达地图之前，都会先经过我们的校验器。AI 模型在严格的“封闭世界”假设下运行。如果 AI 幻觉出一个在状态 payload 中不存在的救生艇，或者试图让卡车通过无法通行的道路，校验器将明确拒绝该指令。它会强制 AI 在下一个周期纠正其错误。 ## 技术实现细节 ### 后端（FastAPI + Asyncio） 后端负责维护模拟状态并处理 WebSocket 流。 * **引擎 (`app.sim.engine`)**：确定性物理模型。它计算水深变化、基础设施故障概率以及单元移动向量。 * **指挥官循环 (`app.commander`)**：与模拟系统并行运行的异步循环。每隔 `N` 个步长，它会序列化 `StateSnapshot`，将其发送给 K2 LLM，并等待 Command Plan 响应。 * **WebSockets (`app.main`)**：以 60Hz 的频率向所有已连接的前端客户端广播 `StateSnapshot` 及任何 AI 推理片段。 ### 前端（React + Vite） 前端是一个 React 应用程序，旨在模拟高风险的应急指挥中心。 * **实时 AI 分诊 (`ReportsDash.tsx`)**：当市民通过公共门户提交事故报告时，它会立即显示在报告仪表盘中。AI 会实时输出其战术思考过程，剥离对话填充词，完全专注于单元调度和生存指令。 * **询问指挥官 AI (`ChatPanel.tsx`)**：调度员可以向 AI 提出复杂的战略问题。例如：“我们只剩下一艘船了，但有两起紧急情况。我们该救谁？”AI 会引用实际水深和单元位置来证明其取舍决策的合理性。 * **地图可视化 (`MapPanel.tsx`)**：一个自定义的 SVG 渲染引擎，用于绘制图节点、道路边缘，并根据 WebSocket payload 实时动态显示单元的移动。 ### 人机协同操作 Yaqzan 只提供建议，从不直接指挥。AI 生成的每项救援操作都会进入队列等待人工批准。系统会生成一个 `RescueOp` JSON 对象，其中包含目标节点、分配的单元以及优先级。在单元于地图上实际移动之前，操作员必须明确点击“批准”。 ## 模组与自定义 ### 创建场景 您可以通过修改 `backend/app/sim/scenarios` 中的 JSON 文件来创建全新的灾难场景。场景文件定义了： * 基础图（节点、边缘、设施）。 * 可用的响应单元（船只、直升机、卡车）。 * `injects` 数组，用于指定要在特定模拟步长触发的准确文本事件和严重程度级别。 ### Prompt 工程 系统 prompt 位于 `backend/app/commander/prompts.py` 中。如果您想改变分诊 AI 的行为方式，或者指挥官 AI 对聊天的响应严格程度，您可以编辑这些文件。这些 prompt 非常敏感，需要明确的负面约束（例如，禁止 AI 输出 XML 标签）。 ## 安装与部署 您可以在本地运行整个模拟系统。 **1. 启动后端** 后端需要 Python 3.11+。 ``` cd backend python -m venv .venv source .venv/bin/activate pip install -r requirements.txt cp ../.env.example .env ``` 如果您拥有 K2 凭证，请将其添加到您的 `.env` 文件中。如果没有，系统将自动回退到确定性的“脚本化”指挥官，这样您仍然可以在没有互联网连接的情况下在本地运行演示。 ``` uvicorn app.main:app --port 8000 ``` **2. 启动前端** 前端使用 React 和 TailwindCSS 构建。 ``` cd frontend npm install npm run dev ``` 指挥室将可通过 `http://localhost:5173` 访问。 ## 演示模式 如果您正在向评审团展示 Yaqzan，请在您的 localhost URL 后附加 `?film=true`。这将启用电影演示模式。它会隐藏开发按钮，并允许您通过按下键盘上的数字键（1、2、3）来按需触发大规模危机注入事件。 ## 测试 模拟系统是完全确定性的。您可以运行测试套件来验证洪水蔓延、校验器拒绝机制以及 JSON 往返解析。 ``` cd backend python -m pytest ``` 专为 MBZUAI/IFM K2 展示而构建。

标签：AI智能体, DLL 劫持, 决策辅助, 大语言模型, 库, 应急响应, 模拟仿真, 灾害管理, 自动化攻击, 计算机取证, 逆向工具