praveen0701X/OrbitVentures

## ✨ 核心功能 创始人或 VC 上传路演文案（PDF、PPTX 或纯文本），选择角色，并在几分钟内收到 一份全面的多维度报告： - **创始人模式** —— 11 个智能体，专注于反馈、红队攻击、改进路线图和 GTM。 - **VC 模式** —— 12 个智能体，专注于投资决策、回报潜力、投资组合匹配度和尽职调查。 每个专业智能体都会针对任务**构建自己的评分标准**，根据实际路演证据对每个指标 进行评分并附带理由，最终得分是加权平均值—— **由代码计算得出，绝非模型凭空捏造的数字。** 随后，元智能体 (meta-agent) 会根据每个 专业智能体的置信度进行加权，并得出最终的判定结果：**INVEST（投资） · CONSIDER（考虑） · PASS（放弃）。** ## 🧠 主要特性 | | | |---|---| | 🧩 **15 个专业智能体** | 特定角色组合（11 个创始人 / 12 个 VC） + 元综合分析 | | 📊 **动态评分标准** | 每个智能体的独立评分标准（指标 · 权重 · 分数 · 理由）；加权平均分由代码计算 | | 🔎 **两轮网络调研** | 针对路演各个领域的精准查询 + 命名实体跟进（DuckDuckGo，无需 API 密钥） | | ⚡ **实时进度** | Server-Sent Events + 轮询兜底；动态智能体网格、百分比环形图、阶段追踪 | | 📈 **评分可视化** | 判定仪表盘、维度雷达图、各维度条形图、记分卡汇总 | | 🆚 **对比分析** | 并排对比两次分析 —— 仪表盘、雷达图叠加、各维度差异表格 | | 📤 **导出** | 下载 Markdown 备忘录或打印为 PDF | | 🌓 **暗黑模式** | 应用级主题切换；极具电影感的暗色“天文台”风格着陆页 | | 🩺 **系统状态** | 在 UI 中实时显示后端 / Ollama / 模型的健康状态 | | 🔐 **Google OAuth** | next-auth v4 登录 + 角色选择 | | 🏠 **100% 本地化** | Ollama 推理，TinyDB 存储 —— 你的路演文案永远不会离开你的设备 | ## 🏗️ 架构 ``` Next.js 14 (port 3000) FastAPI (port 8000) / landing (public) POST /api/analysis/upload → parse → DB → pipeline /auth Google OAuth + role GET /api/analysis/{id}/stream (SSE progress) /dashboard upload + report list GET /api/analysis/{id} (full report / polling) /analysis/[id] live SSE + agent grid GET /api/reports (role-filtered summaries) /compare side-by-side GET /api/info (Ollama + model + roster) │ ▼ Phase 0 Web research (DuckDuckGo, two-pass) Phase 1 Specialist agents (analysis-first JSON, rubric scoring) Phase 2 Meta synthesis (confidence-weighted verdict) Phase 3 Persist + SSE "complete" event ``` ## 🤖 智能体阵容 **核心共享（双角色）：** 市场分析师 · 产品与技术 · 商业模式 · 竞争分析 · 红队测试 · 财务分析师 · 增长动力 · 风险评估 **创始人专属：** 改进策略师 · 故事讲述 · 走向市场 (Go-To-Market) **VC 专属：** 投资决策 · 投资组合匹配 · 回报潜力 · 尽职调查 重推理智能体运行在 **llama3 (8B)** 上；轻量级智能体运行在 **llama3.2 (3.2B)** 上。 ### 关键设计决策 - **动态评分标准** —— 没有固定/默认分数；每个分数均源自针对特定任务的评分标准。 - **细分 TAM 强制计算** —— 市场分析师会拒绝宏观的“XXX 万亿美元行业”数据，并采用自下而上的方法推导 TAM。 - **命名实体锚定** —— 竞争分析智能体必须针对路演中明确指出的公司进行评析。 - **业务类型检测** —— 红队测试会优先使用针对所检测到的业务类型特定的攻击向量。 - **分析优先的 JSON** —— 每个智能体都会在评分前写下其推理过程，从而确保在发生 token 截断之前推理已经完成。 ## 🚀 快速开始 ### 前置条件 - **Python 3.11+** - **Node.js 18+** - **[Ollama](https://ollama.com)** 在本地运行 ``` # 1) Ollama (终端 1) ollama serve ollama pull llama3 # reasoning agents (~4.7 GB) ollama pull llama3.2 # lightweight agents (~2 GB) ``` ``` # 2) Backend (终端 2) → http://localhost:8000 cd backend pip install -r requirements.txt python -m uvicorn main:app --host 0.0.0.0 --port 8000 ``` ``` # 3) Frontend (终端 3) → http://localhost:3000 cd frontend npm install cp .env.local.example .env.local # fill in the values (see below) npm run dev ``` ### 前端环境变量 (`frontend/.env.local`) ``` GOOGLE_CLIENT_ID= GOOGLE_CLIENT_SECRET= NEXTAUTH_SECRET= NEXTAUTH_URL=http://localhost:3000 NEXT_PUBLIC_BACKEND_URL=http://localhost:8000 ``` **Google OAuth 设置：** 在 [Google Cloud Console](https://console.cloud.google.com/apis/credentials) 中创建一个 OAuth 2.0 *Web 应用* 客户端，并 将 `http://localhost:3000/api/auth/callback/google` 添加为授权重定向 URI。 ## 🔌 API 参考 | 方法 | 路径 | 用途 | |--------|------|---------| | `POST` | `/api/analysis/upload` | 上传路演文案（`file` 或 `text`，`role`，`user_email`）；启动 pipeline | | `GET` | `/api/analysis/{id}/stream` | SSE 进度（`start`、`phase`、`research`、`agent_start`、`agent_done`、`complete`/`failed`） | | `GET` | `/api/analysis/{id}` | 完整报告 JSON（轮询兜底） | | `GET` | `/api/reports` | 按角色过滤的报告摘要 | | `DELETE` | `/api/analysis/{id}` | 删除报告 | | `GET` | `/api/info` | 实时 Ollama 状态、模型映射表、各角色智能体阵容 | 交互式文档：**http://localhost:8000/docs** ## 🛠️ 技术栈 **后端：** FastAPI · uvicorn · Ollama · TinyDB · httpx · sse-starlette · pypdf · python-pptx **前端：** Next.js 14 (App Router) · next-auth v4 · Tailwind CSS · Framer Motion · TypeScript 字体：Fraunces（展示） · Hanken Grotesk（UI） · JetBrains Mono（数据）。 ## 📁 项目结构 ``` OrbitVentures/ ├── backend/ │ ├── main.py FastAPI app + CORS │ ├── config.py env-driven configuration │ ├── api/routes.py HTTP + SSE endpoints │ ├── pipeline/ controller (phase orchestration) + progress bus │ ├── agents/ base + 15 specialists + meta + registry │ ├── services/ ollama client · pitch parser · web research │ ├── models/schemas.py Pydantic models (incl. RubricCriterion) │ └── db/database.py TinyDB store └── frontend/ ├── app/ landing · auth · dashboard · analysis · compare ├── components/ AppShell · Navbar · AgentCard · charts · landing · ui └── lib/ api · types · SSE hook · toast · theme · system info ``` ## ⚠️ 已知限制 - **速度：** 设置 `num_predict=1500` 并进行顺序 Ollama 调用时，在普通消费级硬件上完整运行 11–12 个智能体 大约需要 15–25 分钟。根据设计，准确性优先于速度 （可通过调整 `ORBIT_CONCURRENCY` / `ORBIT_NUM_PREDICT` 进行权衡）。 - **内存：** llama3 (8B) 需要约 5 GB；llama3.2 (3.2B) 需要约 2 GB。只要有足够的 RAM，两者均可在 CPU 上运行。 - **网络调研：** DuckDuckGo HTML 抓取可能会受到速率限制；即使没有它，pipeline 也能平稳继续运行。

基于本地多智能体 pipeline 构建 · 无云端 LLM · 无遥测数据

标签：AI风险缓解, AV绕过, FastAPI, LLM评估, Ollama, PyRIT, 人工智能, 多智能体系统, 本地大模型, 用户模式Hook绕过, 自动化攻击, 逆向工具, 风险投资分析