lucasfreitas16/osint-neuro-symbolic-engine
GitHub: lucasfreitas16/osint-neuro-symbolic-engine
结合 RAG、本地 LLM 与 Prolog 逻辑推理的神经符号引擎，从非结构化报告中自动提取金融威胁情报并计算洗钱路径概率。
Stars: 0 | Forks: 0
# 🧠 OSINT 神经符号引擎
## 📌 概述
本项目是一款基于**神经符号**（Neuro-Symbolic）架构的自主 *Threat Intelligence*（威胁情报）与 OSINT（Open-Source Intelligence，开源情报）工具。该系统将 Large Language Models (LLMs) 在自然语言处理方面的统计能力与一阶逻辑（Prolog）严谨的数学和确定性相结合。
该引擎的主要目的是读取非结构化报告（如拦截通信或调查文档），自主提取可疑的行为者和金融交易，并从拓扑结构上计算洗钱路径的概率。
## ⚙️ 系统架构
该项目的 pipeline 构建于 4 个不同的阶段：
1. **RAG (Retrieval-Augmented Generation)：** 使用 LangChain 和 FAISS 对纯文本报告进行分片、向量化处理以及检索相关上下文。
2. **本地 LLM 提取：** 使用在本地运行的 `microsoft/phi-2` 模型处理文本，并将自然语言转换为逻辑原子。双语 prompt 经过了专门设计，采用了限制技术以防止幻觉。
3. **防御性过滤器与 Regex：** 这是一个由 Python 编写的清洗层，利用复杂的正则表达式（Regex）在注入前对 AI 的输出进行净化处理。
4. **推理引擎（Prolog）：** 通过 `PySWIP` 库，将事实注入到 Prolog 的 RAM 内存中。引擎利用回溯和递归规则，计算端到端金融交易链条的总数学概率。
5. **图可视化：** 使用 `NetworkX` 和 `Pyvis` 在交互式 HTML 中渲染连接和财务流向。
## 🛠️ 涉及的技能与技术
* **人工智能与 NLP：** RAG pipeline 的实现、本地开源 LLM 推理以及限制性 prompt 工程。
* **一阶逻辑：** 在 SWI-Prolog 中开发知识库，并使用递归搜索算法进行概率的矩阵式计算。
* **防御性编程（Python）：** 严格的字符串处理，以及原生语言（通过 Prolog 后端的 `C/C++`）与 Python 之间的集成。
* **网络科学（图）：** 拓扑数据建模以及基于权重和边的交互式可视化。
标签：DLL 劫持, ESC4, OSINT, Prolog, UML, 后端开发, 大语言模型, 威胁情报, 开发者工具, 特权检测, 神经符号AI, 逆向工具, 金融风控