ranrango/multi-source-intelligence-rag-agent

# 多源情报 RAG 分析 Agent [](https://github.com/ranrango/multi-source-intelligence-rag-agent/actions/workflows/ci.yml) [](https://www.python.org/) [](https://fastapi.tiangolo.com/) [](LICENSE) 面向安全态势分析的 RAG + Tool Calling Agent。系统从公开新闻、社交媒体、传感器日志、内部通知和分析员简报中检索证据，再调用实体抽取、时间线整理、风险评估和报告生成工具，输出带引用来源的结构化研判报告。 这个项目的目标不是做一个普通聊天机器人，而是展示 Agent 工程中的完整闭环：**检索证据、调用工具、维护状态、记录 trace、输出可审计报告**。 ## 视觉概览   ## 项目亮点 | 能力 | 设计 | |---|---| | 多源 RAG | 将新闻、社媒、雷达日志、内部通知和简报统一切分成 evidence chunk | | Tool Calling | 实体抽取、时间线整理、风险评估、报告生成都是独立工具 | | 可追溯报告 | 每个结论都带证据编号、来源、来源类型和置信度 | | 工程可交付 | 提供 CLI、FastAPI、Docker、测试、API 文档和部署说明 | | 面试可讲 | 文档中包含架构图、项目讲述稿、常见追问回答和可扩展方案 | ## 快速开始 不安装依赖也可以运行 CLI 演示： cd 01_multi_source_intelligence_rag_agent python3 -m src.app.cli --question "北岭港东侧堤坝无人机活动是否异常？请说明证据和风险。" 启动 API： python3 -m venv .venv source .venv/bin/activate pip install -e ".[dev]" uvicorn src.app.main:app --reload --port 8010 打开接口文档： http://127.0.0.1:8010/docs ## API 示例 curl -X POST http://127.0.0.1:8010/ask \ -H "Content-Type: application/json" \ -d '{"question":"北岭港夜间低空目标是否代表安全风险？", "top_k": 6}' ## 一键自检 python3 scripts/smoke_test.py 预期输出会包含： { "service": "multi-source-intelligence-rag-agent", "status": "ok", "evidence_count": 6, "risk_level": "高", "report_contains_citations": true } ## 本地验收 make check 交付前完整验收： make release-check `release-check` 会额外构建 Docker 镜像，需要本机 Docker daemon 已启动；GitHub Actions 会自动执行这条交付验收命令。 只验证容器运行和 `/health`： make container-check 更多请求样例见 [`examples/ask_request.json`](examples/ask_request.json)，报告检查点见 [`examples/expected_report.md`](examples/expected_report.md)。 ## 项目结构 01_multi_source_intelligence_rag_agent/ ├── src/app/ │ ├── main.py # FastAPI 入口 │ ├── cli.py # 命令行演示入口 │ ├── agent.py # Agent 编排流程 │ ├── retriever.py # 关键词/BM25 风格检索 │ └── tools.py # 实体、时间线、风险、报告工具 ├── data/ # 多源模拟情报资料 ├── examples/ # 请求样例和预期报告 ├── scripts/ # smoke test 等工程脚本 ├── docs/ # 架构、API、部署、评估、路线图、面试稿 ├── tests/ # 核心流程测试 ├── Dockerfile ├── docker-compose.yml ├── Makefile ├── pyproject.toml └── RELEASE_CANDIDATE_MANIFEST.md ## 架构图 flowchart TD U[用户问题] --> P[Planner: 判断下一步动作] P --> R[RAG Retriever: 多源证据召回] R --> E[Evidence Store: 新闻/社媒/传感器/通知/简报] R --> T1[Tool: 实体抽取] R --> T2[Tool: 时间线整理] R --> T3[Tool: 风险评估] T1 --> M[Agent State] T2 --> M T3 --> M M --> G[Report Generator] G --> O[带引用的分析报告] P --> L[Trace Logger] ## 已知局限 - 当前默认使用标准库实现轻量检索，便于离线演示；生产版建议替换为 Embedding + FAISS/Chroma + Reranker。 - 当前风险评分是规则模型；真实落地应加入人工复核、冲突证据检测和阈值配置。 - 样例数据为模拟数据，不代表真实安全事件。 ## 评估与路线图 - [`docs/evaluation.md`](docs/evaluation.md)：定义证据召回、引用准确率、风险一致性、不确定性和 trace 完整性指标。 - [`docs/roadmap.md`](docs/roadmap.md)：给出从当前离线 demo 到向量库、LangGraph、权限审计和生产交付的升级路径。 ## 可扩展方向 - 接入网页/文件上传，多源数据自动入库。 - 引入向量库、重排序模型和证据充足性判断。 - 将实体抽取替换为 LLM Function Calling 或 NER 模型。 - 加入 LangSmith/OpenTelemetry trace、评测集和回归测试。

标签：AV绕过, Docker, FastAPI, RAG, 安全防御评估, 工具调用, 态势分析, 请求拦截, 逆向工具