ContextForge🔬
具有真实MCP通信的隐私保护多代理研究间隙检测器
一个复杂的系统，使用多个人工智能代理来分析研究文件，识别文献中的空白，辩论研究结果，生成新的假设，并制定研究提案，同时保持差异化的隐私。
特性✨
- 🤖 4级多代理管道
- 差距检测器：识别研究差距 - 辩论者：批评和辩论结果 - 假设生成器：创建新的假设 - Evolution Agent：优化提案
- 🔐 隐私保护
- 差分隐私（拉普拉斯机制） - 保护隐私的代理间通信 - Epsilon可配置的隐私级别
- 📨 真正的MCP协议
- 实际代理间消息传递 - 唯一的消息ID和时间戳 - 隐私元数据跟踪
- ⚡ 仅限本地LLM
- Ollama集成（mistral模型） - 不需要API密钥 - 在您的计算机上完全私密
- 🌐 网络界面
- 流线型仪表板 - 文档上传支持 - 交互式结果可视化
快速开始🚀
先决条件
- Python 3.11+
- Ollama已安装并正在运行：
ollama serve - Mistral型号：
ollama pull mistral
设置
# Clone the repository
git clone https://github.com/muhnehh/context-forage.git
cd context-forage
# Create virtual environment
python -m venv .venv
.venv\Scripts\activate # Windows
# or
source .venv/bin/activate # Linux/Mac
# Install dependencies
pip install -r requirements.txt
# Run the app
streamlit run app.py访问： http://127.0.0.1:8501
系统架构
User Upload (PDF/Text)
↓
Document Processor (HuggingFace embeddings)
↓
Stage 1: Gap Detector Agent (CrewAI + Ollama)
↓
Stage 2: Debater Agent (Critique & Analysis)
↓
Stage 3: Hypothesis Generator (Novel Ideas)
↓
Stage 4: Evolution Agent (Refinement)
↓
Results Dashboard (Gaps, Debates, Hypotheses)技术栈
| 组件 | 版本 | 目的 |
|---|---|---|
| CrewAI | 0.28.0+ | 多代理编排 |
| Ollama | 最新消息 | 本地LLM推理 |
| Streamlit | 最新 | Web UI |
| LangChain | 最新 | 文档处理 |
| 拥抱脸 | 最新 | 嵌入 |
| NumPy | 最新 | 隐私计算 |
用法
- 设置标签：配置隐私级别（epsilon）和型号选择
- 上传和分析选项卡：上传研究文档并运行分析
- 结果选项卡：查看已识别的差距、辩论、假设和MCP信息
关键文件
agents.py-四智能体多智能体系统app.py-流线型网络界面mcp_simulator.py-真正的MCP协议实现privacy_layer.py-差异隐私层document_processor.py-文档处理流程
配置
隐私设置
epsilon（默认值：1.0）-隐私预算（较低=更私密）- 更高的epsilon=更少的噪音，更低的隐私
模型选择
- Mistral（默认，更快）
- LLaMA2
- 其他Olama车型
测试
运行测试套件：
python test_real_mcp.py它生成pdf格式的输出： 上下文伪造_分析_20251109_141448.pdf
演出
- 首次运行：约2-3分钟（模型加载）
- 后续运行：约1-2分钟（缓存）
- 间隙检测：约30秒
- 完整的4阶段分析：约1-2分钟
许可证
MIT许可证-有关详细信息，请参阅许可证文件
作者
穆恩 -
贡献
欢迎投稿！请随时提交拉取请求。
状态
✅ 生产就绪
- 所有核心功能均正常工作
- 真实MCP通信已验证
- 隐私层功能
- Web UI可操作
______________________________________________________________________
现在就开始分析研究差距！ 🎉