目录
main
分支1
标签0
+ 疑修
Web IDE
盛鑫
V2.2.0: External Trace + 项目清理


External Trace — 推理链推断:


    

  • trace_reasoning(): 短语级拆分 → 推理链推断 → 诚实双重标注
    • 

  • ReasoningStep/ReasoningChain 数据模型
    • 

  • CLI –trace-type external –model-name 参数
    • 

  • HTML 推理路径可折叠面板, 可靠性颜色条
    • 

  • 16 个新测试
    • 



修复:


    

  • package-data 缺失 3 个 YAML 配置文件 (attack/conscience)
    • 

  • 用户 pip install 后 attack 和 conscience 功能找不到配置
    • 



项目清理:


    

  • 删除 8 个过时文件 (setup.py/MANIFEST.in/requirements.txt 等)
    • 

  • .gitignore 补全生成文件
    • 

  • CONTRIBUTING.md 安装命令统一
    • 



版本: 0.2.1 → 2.2.0 | 测试: 465 → 481
3天前29次提交
README_CN.md

AI Flow Architect

AI 的输出不可信。让我们审查它。

Python 3.9+ License Tests Playground

为什么 · 快速开始 · HTML 报告 · TrustEngine · 工作原理 · English

让你警觉的那一刻

你让 AI 写一个登录处理函数。它自信地返回了代码：

┌─────────────────────────────────────────────────────┐
│ AI 说："这是一个安全的登录实现。"                    │
│                                                     │
│   def login(username, password):                    │
│       query = "SELECT * FROM users "                │
│       query += "WHERE name='" + username + "'"      │
│       query += " AND password='" + hash(password)   │
│       return db.execute(query)                      │
│                                                     │
│ 看起来没问题，对吧？                                 │
└─────────────────────────────────────────────────────┘

TrustEngine 不这么认为。 两个 AI 模型交叉审查了这段代码。第三个扮演反对者。它们发现了这些问题：

┌──────────────────────────────────────────────────────────┐
│ TrustReport — REJECT（置信度 32/100）                    │
│                                                          │
│ > [CRITICAL] SQL 注入 — username 在第 3 行被直接拼接     │
│   进查询字符串                                           │
│   "攻击者输入 ' OR 1=1 --  即可绕过认证"                 │
│                                                          │
│ > [HIGH] 不安全的哈希 — hash() 不是密码学哈希函数。      │
│   请使用 bcrypt 或 argon2。                              │
│                                                          │
│ > [MEDIUM] 缺少频率限制 — 10 分钟内即可暴力破解。        │
│   添加指数退避机制。                                     │
│                                                          │
│ > [!] UNCERTAIN: 会话续期的竞态条件 —                    │
│   两个审查者意见不一致。建议人工复核。                   │
│                                                          │
│ 审查者：GPT-4o + Claude 3.5 Sonnet + Opponent            │
│ 证据链：a1b2c3...（SHA-256，可验证）                     │
│                                                          │
│ Powered by ai-flow-architect                             │
└──────────────────────────────────────────────────────────┘

我们给 AI 配备了一个对手。 两个大脑从不同角度审查同一份输出。当它们意见不一致时，不确定性会被写入报告——而不是被掩盖。你得到的是一份可验证、可分享的审计报告，而不是一个黑箱答案。

体验交互式 Playground — 查看真实的 AI 输出审计。无需安装，无需 API Key。

快速开始

pip install ai-flow-architect[html]

设置一个 API Key——或两个以实现跨提供商交叉验证（推荐）：

export OPENAI_API_KEY="sk-..."        # 必需
export ANTHROPIC_API_KEY="sk-ant-..."  # 可选，用于更强的审计

一行命令审计任何内容：

# 审计一个文件，指定关注点
ai-flow audit login.py -r "检查 SQL 注入、认证绕过和频率限制"

# 导出为可分享的 HTML 报告
ai-flow audit login.py -r "安全审计" --html -o report.html

# 从其他工具管道输入
cat generated_code.py | ai-flow audit -r "验证正确性"
# 或使用 Python SDK——三行代码
from ai_flow_architect import TrustEngine

engine = TrustEngine()
report = engine.audit(
    requirement="带频率限制的安全用户认证",
    ai_output=ai_generated_code,
)
print(report.summary())  # "REJECT (32/100): 3 findings, 2 uncertain"

HTML 报告

使用 --html 导出自包含的 HTML 报告。发送给你的团队，发布到 Issue 里。每一次分享都是一次 AI 没能逃过的审计。

ai-flow audit contract.pdf -r "检查不公平条款" --html -o contract-audit.html

报告包含彩色编码的发现项、标注模型的审查者投票、可折叠的证据链，以及透明的成本明细。无需外部 CSS、无需 JavaScript 框架、无需服务器——一个文件，随处可用。

TrustReport 示例

TrustEngine

TrustEngine 是独立的审计层。零状态。零交互。纯粹验证。

report.verdict        # "pass" | "review" | "reject"
report.confidence     # 0-100
report.findings       # 具体的发现项，含严重度和证据
report.uncertainty    # 引擎承认无法确认的内容
report.evidence_chain # SHA-256 哈希 + 时间戳，完全可验证

输出格式

格式 命令 使用场景
终端 ai-flow audit ... 交互式，彩色编码
HTML ai-flow audit ... --html -o report.html 分享给团队，发布到 Issue
JSON ai-flow audit ... --json 管道传给其他工具，CI/CD
Markdown ai-flow audit ... --markdown 嵌入文档、PR 评论

集成方式

集成 工作量 指南
CLI 1 行 ai-flow audit ...
Python SDK 3 行 TrustEngine().audit(...)
LangChain 3 行 agent.run() + engine.audit()
CrewAI 4 行 crew.kickoff() + engine.audit()
OpenAI SDK 5 行 client.create() + engine.audit()
GitHub Action YAML 复制 .github/workflows/audit-pr.yml

对比

特性 ai-flow-architect Mira 原始 LLM
开源 ✅ ❌ —
多模型交叉验证 ✅ ✅ ❌
对抗性审查 ✅ ❌ ❌
不确定性透明 ✅ ❌ ❌
可验证证据链 ✅ ❌ ❌
成本 免费软件；你只需支付自己的 API 费用 $X/月订阅 免费（信任风险自负）

工作原理

  你：「这个 AI 输出可信吗？」
         |
         v
+--------------------------+
| Brain #2（主审计）        |  跨模型审查。
| 模型：GPT-4o              |  多个审查者独立投票。
+-----------+--------------+
            |
            v
+--------------------------+
| Opponent Brain            |  5 种对抗性视角从各个角度
| "魔鬼代言人"              |  挑战输出。
+-----------+--------------+
            |
            v
+--------------------------+
| 不确定性计算               |  综合审查者分歧 +
|                           |  对抗性盲区，得出单一分数。
+-----------+--------------+
            |
            v
+--------------------------+
| 证据链                    |  所有发现项哈希 + 时间戳。
| SHA-256，可验证            |  证明发现了什么、何时发现。
+-----------+--------------+
            |
            v
    TrustReport — 不是猜测，是审计。

核心洞察：单个模型无法发现自己的盲区。两个在不同数据上训练的模型，加上一个主动尝试破坏输出的对抗性对手，可以捕捉到任何一个单独会遗漏的问题。

一个 API Key 就够了。 如果你只提供 OPENAI_API_KEY，引擎会自动降级使用 gpt-4o-mini 作为辅助审查者。跨提供商（OpenAI + Anthropic）能给出最强结果，因为两个模型的失败模式不同。

高级：FlowArchitect

TrustEngine 用于审计已有的 AI 输出。FlowArchitect 从一开始就在审计下构建输出。适用于”生成后再审查”还不够的场景——你需要对手在规划阶段就参与进来。

from ai_flow_architect import FlowArchitect

async def main():
    architect = FlowArchitect(config={"brain1": "gpt-4o"})
    result = await architect.run("设计一个用户管理系统")
    # Brain #1 规划 → Opponent 挑战 → 你批准 → Experts 执行 → Brain #2 审计

→ FlowArchitect 完整文档

项目结构

ai-flow-architect/
├── src/ai_flow_architect/
│   ├── engine/                  # TrustEngine — 独立审计层
│   │   ├── trust_engine.py      # 核心审计接口
│   │   ├── trust_report.py      # TrustReport 数据结构 + 序列化（JSON/MD/HTML）
│   │   └── audit_context.py     # 项目元数据的审计上下文
│   ├── brains/
│   │   ├── brain_one.py         # Brain #1：需求分析 + 蓝图生成
│   │   ├── brain_two.py         # Brain #2：质量仲裁（跨模型）
│   │   └── brain_opponent.py    # Opponent Brain：5 种对抗性审查风格
│   ├── core/
│   │   ├── architect.py         # 三阶段编排 + 用户批准循环
│   │   ├── scheduler.py         # 串行执行 + 4 种 token 节省机制
│   │   ├── context.py           # 会话 CRUD + 历史压缩
│   │   └── cache.py             # CRUD + TTL + 命中统计
│   ├── experts/                 # 专家团队：creative, evaluator, programmer, reviewer
│   ├── utils/
│   │   ├── llm_client.py        # 统一 LLM 客户端（8 个提供商）
│   │   ├── token_counter.py     # Token 计数 + 成本估算
│   │   ├── compressor.py        # 上下文压缩（4 种策略）
│   │   └── validator.py         # 输入验证
│   └── templates/
│       └── report.html          # --html 导出的 Jinja2 模板
├── tests/unit/                  # 186 个单元测试
├── docs/
│   ├── flow-architect.md
│   ├── getting_started.md
│   └── sample-report.html       # TrustReport 示例（浏览器打开查看）
├── .env.example
├── pyproject.toml
└── models.yaml                  # 提供商 + 模型配置

路线图

  • GitHub Action — 自动 PR 审查评论，附带 –html 报告链接
  • PyPI 发布 — pip install ai-flow-architect
  • 人格市场 — 社区贡献的对抗性审查风格（/personas）
  • 社区擂台赛 — 「你能打败我们的 Opponent Brain 吗？」挑战
  • HTML 报告导出 — 自包含、可分享的审计报告
  • CLI 接口 — ai-flow audit 支持 --html、--json、--markdown
  • TrustEngine — 多审查者 + 对抗性 + 证据链
  • 模型提供商 — OpenAI + Anthropic 已生产验证，另有 5 家通过兼容协议接入
  • 并行执行 — 独立步骤并发运行
  • 流式输出 — 实时专家输出流式传输

参与贡献

欢迎贡献。如果你用我们兼容列表之外的提供商测试过引擎，仅这一项就是有价值的 PR。

git clone https://github.com/wdnmd1265/ai-flow-architect.git
cd ai-flow-architect
pip install -e ".[html]"
pytest tests/unit/ -v    # 186 个测试

许可证

Apache License 2.0 — 版权所有 2026 盛鑫

AI 生成。AI 挑战。你来决定。这就是我们解决幻觉的方式。

关于

全网首发开源生态，把ai幻觉透明化

python开源agentgitlink
README.md
6.0 MB
邀请码