menacing-american-patriot/decision-points

# Decision Points AI 系统  ## 概述 Decision Points 是一个 AI 驱动的系统，旨在协助完成各种业务自动化和分析任务。它提供了一个基于 Web 的仪表板，包含自动化（工作流创建/列表）、分析、洞察、客户和收入等功能页面（后四个页面目前使用占数据）。其核心功能是编排器面板（Orchestrator Panel），允许通过 WebSocket 与 Google Gemini 驱动的代理进行直接交互。该系统采用 Flask 后端、React 前端，并使用 Docker 实现简化的本地开发环境搭建。 ## 核心功能 * **功能完整的仪表板页面：** * **自动化：** 创建和列出自动化工作流。 * **分析、洞察、客户、收入：** 专用页面（目前显示从后端 API 获取的占位数据）。 * **编排器面板：** 通过 WebSocket 连接与 Gemini 驱动的 AI 代理进行实时交互，执行任务并获取实时反馈。 * **工作流管理：** 后端支持定义和管理自动化工作流。 * **API 端点：** 为仪表板数据和编排器任务提供后端 API。 * **Docker 化本地搭建：** 使用 Docker Compose 轻松搭建本地开发环境。 * **自主创收工作流：** 一个集成化工作流，由 `WorkflowManagerAgent` 协调多个专业代理（市场研究、改进、品牌、部署），用于识别、优化、品牌推广和部署简单的数字产品或服务。 ## 技术栈 * **后端：** * 语言：Python 3.9+ * 框架：Flask、Flask-SocketIO（用于 WebSocket 通信） * AI：Google Generative AI（Gemini） * **前端：** * 库：React * 构建工具：Vite * 样式：CSS（可能使用 Tailwind CSS） * **容器化：** Docker、Docker Compose * **通信：** REST API、WebSocket ## 架构概述 该系统采用客户端-服务器架构。React 前端通过 REST 调用与 Flask 后端 API 通信以获取标准数据，并通过 WebSocket 与编排器代理进行实时交互。后端利用 Google Gemini 提供 AI 能力。Docker Compose 用于管理本地开发环境，在前端和后端服务的独立容器中运行。 ## 自主创收工作流 本系统包含一个自主工作流，旨在通过识别市场需求、创建/改进简单的数字产品或服务、品牌推广并部署来产生收入。该工作流由 `WorkflowManagerAgent` 协调，涉及以下专业代理： 1. **市场研究代理：** 扫描网络、分析趋势，识别竞争低且需求高的潜在细分市场或产品创意。 2. **改进代理：** 接收初始创意或现有的简单产品并对其进行优化，可能根据研究结果添加功能、提升代码质量或增强其价值主张。 3. **品牌推广代理：** 开发简单的品牌标识，包括名称建议、Logo（可能是占位/简单生成）以及产品的营销文案。 4. **部署代理：** 接收最终产品和品牌资产，并将其部署到合适的平台（如 Vercel、Netlify、Cloudflare Pages、简单 Web 托管服务）。 `WorkflowManagerAgent` 协调这些代理的执行，在各步骤之间传递上下文和结果。用户可以通过向编排器面板发送特定提示来触发此工作流（例如，"start income workflow"）。 **关于分析的说明：** `CodeGenerationAgent`（被工作流隐式使用）现在在生成的应用程序 `index.html` 中包含了基本的 Google Analytics（GA4）设置。但它使用了占位 Measurement ID（`G-XXXXXXXXXX`）。要使分析跟踪功能正常工作，您**必须**在部署的应用程序代码中将此占位符替换为您实际的 GA4 Measurement ID。 **关于 AdSense 的说明：** 同样，`CodeGenerationAgent` 包含了占位的 Google AdSense 设置（`index.html` 中的脚本和组件中的示例广告单元）。这些使用了占位 ID（`ca-pub-XXXXXXXXXXXXXXXX`、`YYYYYYYYYY`）。要使变现功能正常工作，您**必须**将这些占位符替换为您实际的 Google AdSense Publisher ID 和 Ad Unit Slot ID。您还需要一个活跃且已通过审核的 Google AdSense 账户。 ## 本地搭建（Docker - 推荐方式） 这是本地开发和测试的主要推荐方式。 * **前置条件：** 确保已安装并运行 Docker Desktop（或 Docker Engine + Docker Compose）。 * **环境设置：** * 将根目录的 `.env.example` 文件复制为 `.env`： cp .env.example .env * **关键步骤：编辑新建的 `.env` 文件并填写*所有*必需的值。** 包括： * `SECRET_KEY`：生成一个唯一的密钥（参见 `.env.example` 中的命令）。 * `GEMINI_API_KEY`：您从 Google AI Studio 获取的 API 密钥。 * **运行：** docker compose -f docker-compose.dev.yml up --build -d * 使用 `-d` 在后台（detached 模式）运行。省略此参数可直接查看日志。 * `--build` 标志确保在 Dockerfile 或上下文发生变化时重新构建镜像。建议包含此参数，尤其是在拉取代码变更后。 * **访问：** * 前端：`http://localhost:8000`（由 Vite 开发服务器提供服务，支持热重载） * 后端 API：`http://localhost:5000`（Flask 开发服务器，支持热重载） * **工作原理：** * `docker-compose.dev.yml` 定义了 `frontend` 和 `backend` 服务。 * 它使用了针对开发优化的多阶段 Dockerfile（代码使用卷挂载，使用开发服务器）。 * 服务连接在 Docker 网络上。在您**浏览器**中运行的前端 JavaScript 代码通过主机映射的端口访问 API：`http://localhost:5000`（由 `.env` 文件中的 `VITE_API_BASE_URL` 配置）。 * 根目录的 `.env` 文件为服务提供环境变量。 * **停止：** docker compose -f docker-compose.dev.yml down * *重启：* docker compose -f docker-compose.dev.yml down && docker compose -f docker-compose.dev.yml up -d ## 环境变量 以下环境变量需要在您的 `.env` 文件中配置（从 `.env.example` 复制）： * `SECRET_KEY`：**（必需）** Flask 用于会话安全的强唯一密钥。使用 `python -c "import secrets; print(secrets.token_hex(32))"` 生成。 * `GEMINI_API_KEY`：**（必需）** 您用于 Google Generative AI（Gemini）的 API 密钥，从 Google AI Studio 获取。这对于编排器面板和其他 AI 功能至关重要。 * `ORCHESTRATOR_LLM_MODEL`：**（必需）** 主编排器代理的 Gemini 模型名称（例如 `gemini-1.5-pro-latest`）。该代理处理用户交互，通常受益于更强大的模型。如果未设置，默认为 `gemini-1.5-pro-latest`。 * `SPECIALIZED_AGENT_LLM_MODEL`：**（必需）** 专业代理（如市场研究、品牌推广、代码生成）的默认 Gemini 模型名称。这些代理执行专注的任务，通常可以使用更快/更便宜的模型，如 `gemini-1.5-flash-latest`。如果未设置，默认为 `gemini-1.5-flash-latest`。 * `VITE_API_BASE_URL`：**（必需）** 前端用于访问后端 API 的 URL。对于默认的 Docker 设置，此值**必须**为 `http://localhost:5000`。 * **（可选）** `GCP_PROJECT_ID`：Google Cloud Project ID，可能被 `FreelanceTaskAgent` 等代理使用。 * **（可选）** `BRAVE_API_KEY`：Brave Search 的 API 密钥，由 `WebSearchAgent` 使用。 ### 可选的代理专用 LLM 模型： 您可以通过设置特定的环境变量来为单个代理覆盖 `SPECIALIZED_AGENT_LLM_MODEL`。如果未设置代理专用变量，该代理将使用 `SPECIALIZED_AGENT_LLM_MODEL` 定义的模型。示例包括： * `MARKET_RESEARCH_LLM_MODEL`：市场研究代理的模型。 * `IMPROVEMENT_LLM_MODEL`：改进代理的模型。 * `BRANDING_LLM_MODEL`：品牌推广代理的模型。 * `DEPLOYMENT_LLM_MODEL`：部署代理的模型。 * `CODE_GENERATION_LLM_MODEL`：代码生成代理的模型。 * `CONTENT_GENERATION_LLM_MODEL`：内容生成代理的模型。 * `FREELANCE_TASK_LLM_MODEL`：自由职业任务代理的模型。 * `LEAD_GENERATION_LLM_MODEL`：潜在客户开发代理的模型。 * `MARKET_ANALYSIS_LLM_MODEL`：市场分析代理的模型。 * `MARKETING_LLM_MODEL`：营销代理的模型。 * `WEB_SEARCH_LLM_MODEL`：网络搜索代理的模型。 * `WORKFLOW_MANAGER_LLM_MODEL`：工作流管理代理的模型。 * （根据已实现的代理按需添加其他变量） ### 自主创收工作流变量： * **（可选）** `OPENAI_API_KEY`：可能被 `MarketResearchAgent` 使用。 * `FIRECRAWL_API_KEY`：**（必需）** 由 `MarketResearchAgent` 用于网页抓取。从 [Firecrawl](https://www.firecrawl.dev/) 获取。 * **（可选）** `COMPETITOR_SEARCH_PROVIDER`：竞争对手分析的搜索引擎（例如 'google'）。 * **（条件必需）** `EXA_API_KEY`：在 `MarketResearchAgent` 中使用 Exa Search 时必需。从 [Exa AI](https://exa.ai/) 获取。 * **（条件必需）** `PERPLEXITY_API_KEY`：在 `MarketResearchAgent` 中使用 Perplexity AI 时必需。从 [Perplexity AI](https://docs.perplexity.ai/docs/getting-started) 获取。 * `MARKET_RESEARCH_AGENT_URL`：**（必需）** `WorkflowManagerAgent` 访问 `MarketResearchAgent` 的端点。（示例：`http://localhost:5001`） * `IMPROVEMENT_AGENT_URL`：**（必需）** `WorkflowManagerAgent` 访问 `ImprovementAgent` 的端点。（示例：`http://localhost:5002`） * `BRANDING_AGENT_URL`：**（必需）** `WorkflowManagerAgent` 访问 `BrandingAgent` 的端点。（示例：`http://localhost:5003`） * `DEPLOYMENT_AGENT_URL`：**（必需）** `WorkflowManagerAgent` 访问 `DeploymentAgent` 的端点。（示例：`http://localhost:5004`） * **（可选）** `AGENT_TIMEOUT_SECONDS`：子代理响应的最大等待时间（默认：300）。 * **（条件必需）** 部署提供商密钥（例如 `VERCEL_API_TOKEN`、`CLOUDFLARE_API_TOKEN` 等）：根据所选部署平台，`DeploymentAgent` 需要这些密钥。添加您的设置所需的具体密钥。 ## API 端点 后端提供多个 API 端点，包括： * `/api/workflows`：管理工作流自动化（GET、POST）。 * `/api/analytics`：获取分析仪表板数据（GET）。 * `/api/insights`：获取洞察仪表板数据（GET）。 * `/api/customers`：获取客户仪表板数据（GET）。 * `/api/revenue`：获取收入仪表板数据（GET）。 * `/api/orchestrator/tasks`：与编排器任务相关的端点（详情可能有所不同）。 * WebSocket 端点（通常为 `/ws` 或类似路径，由 Flask-SocketIO 处理）：用于与编排器面板进行实时通信。 *（注意：此列表可能不完整。完整详情请参阅后端路由定义。）* ## 开发状态 * **阶段：** 积极开发中 / 功能原型 * **核心功能：** 仪表板页面（自动化、分析等）、编排器面板（Gemini/WebSocket）、工作流后端。 * **数据：** 分析、洞察、客户、收入页面目前使用来自各自 API 端点的占位数据。 * **搭建：** Docker Compose 是标准的本地开发环境。 * **已知问题：** （在此列出任何已知问题，例如"占位数据需要替换为真实逻辑。"） * **路线图：** （概述未来计划，例如"为仪表板页面实现真实数据获取"、"扩展工作流功能。"） ## 贡献指南 欢迎贡献。请建立贡献指南（例如在 `CONTRIBUTING.md` 文件中），涵盖编码规范、分支策略和 Pull Request 流程。 ## 许可证 Apache License 2.0（基于先前上下文假设 - 请核实 LICENSE 文件）

标签：AI代理, API, Docker, Flask, Flask-SocketIO, Gemini LLM, HTML/CSS, Python, React, REST API, SaaS, Syscalls, Vite, WebSocket, 业务流程自动化, 产品经理工具, 人工智能, 代码示例, 依赖分析, 决策支持系统, 可视化仪表板, 品牌生成, 商业智能, 安全防御评估, 实时通信, 容器化部署, 市场分析, 收入自动化, 数字产品开发, 数据分析, 无后门, 本地开发环境, 版权保护, 生产力工具, 用户模式Hook绕过, 自主任务编排, 请求拦截, 逆向工具