MCP法医分析仪
协议驱动人工智能审计的参考实现
🗺️ 主权金库之旅
此存储库是 胶水代码结束 博客系列。它展示了 设计安全 敏感数据在由高推理云模型分析之前在本地处理的架构。
新来的？ 从我们的开始 沃克休斯医学博士 查看每篇博客文章如何映射到代码。
🏛️ 设计原则
该项目展示了现代人工智能系统的五种核心模式：
- 当地第一印象： 重视觉处理发生在你的金属上，而不是在云中。
- 标准化工具发现： 代理通过MCP动态发现功能——无需为每个新工具定制“粘合代码”。
- 主权气闸： 一个多层治理门（Redactor+Guardian），控制离开网络的内容。
- 认知预算： 语义路由，为任务使用最具成本效益的模型。
- 可评估情报： 一个“LLM即法官”框架，通过数据而不是“振动”来证明可靠性。
🐍 为什么选择TypeScript+Python？
我们使用a Polyglot建筑 以反映真实的企业环境：
- TypeScript（MCP服务器）： 非常适合定义MCP生命周期、严格类型模式（Zod）和高性能服务器端逻辑。
- Python（编排器）： 代理框架、数据科学和本地SLM交互的行业标准（Ollama/Presidio）。
⚡ 5分钟演示
通过预配置的审核查看“主权保险库”的运行情况：
# Analyze a sample artifact locally using the quick-start script
python examples/quick_start.py --artifact ./test_images/sample.jpg______________________________________________________________________
建筑
graph TB
subgraph Intelligence_Layer [Orchestration & Reasoning]
A[Agent Supervisor]
B[Auditor Persona]
C[The Judge]
end
subgraph Capability_Layer [MCP Tools & Resources]
D[Librarian: Bibliography Lookup]
E[The Eye: Local Vision]
end
subgraph Governance_Layer [The Airlock]
F[Sovereign Redactor]
G[The Guardian: HITL]
H[Final Forensic Report]
end
A --> D
A --> E
D --> B
E --> F
F --> B
B --> G
G --> H
H --> C
style Intelligence_Layer fill:#e3f2fd,stroke:#1565c0
style Capability_Layer fill:#e8f5e9,stroke:#2e7d32
style Governance_Layer fill:#fce4ec,stroke:#c2185b
style G fill:#f06292,stroke:#880e4f,stroke-width:3px______________________________________________________________________
这 MCP法医分析仪 是一个模型上下文协议（MCP）服务器，旨在促进深入的档案审计和元数据协调。作为建筑的基石 胶码系列结束，它展示了如何从脆弱的API集成转变为标准化的、基于发现的人工智能架构。
珍本书认证是我们的主要案例研究，用于演示通用的AI取证架构。
🏛️ 建筑：“零胶水”堆栈
与传统的集成不同，此服务器允许任何兼容MCP的代理（Claude、Oracle 26ai、本地SLM）动态发现取证工具，而无需自定义代码。
该项目遵循企业AI网格模式，将智能（代理）与能力（MCP服务器）解耦。它旨在从本地“法医洁净室”扩展到使用Oracle 26ai进行不可变审计跟踪和行级安全的企业级治理环境。
⚖️ 可靠性和可观察性
我们通过实施 法学硕士作为法官 框架。
- 黄金数据集： 用于评估代理绩效的一组基本事实法医案例。
- 自动评估： 每一个架构更改都由一个推理能力很强的“判断代理”进行审核，以确保取证准确性的零回归。
- 结构化日志记录： 所有提供者错误和推理链都会被捕获以进行事后分析，从而避免无声的失败。
👁️ 局部多模态视觉（3.1后）
分析仪使用 Llama 3.2-愿景 通过Ollama执行本地OCR和物理工件检查。这确保了敏感文档的高分辨率图像永远不会离开您当地的“洁净室”
- 能力： 手写转录、纸张老化分析和标题页布局验证。
- 延迟注意事项： CPU上的本地视觉是资源密集型的。系统默认为 300秒超时 以适应深度法医扫描。
- 配置： 确保Ollama正在运行
llama3.2-vision（或类似的多模式模型）。
🛡️ 红人（后3.2）
🛡️ Redactor（3.2后——PII清理）
这 主权红演员 实施“云不可知”安全气闸。在云出口之前，它会自动从视觉上下文中清除PERSON、LOCATION和ORGANIZATION实体。
- 默认安全： 任何未明确标记为的提供者
LOCAL（例如，Anthropic、OpenAI）会触发强制编辑。 - 精密屏蔽： 使用A 允许列表 （标题、作者、出版商）在隐藏PII的同时保留取证元数据。
- 容错性： 实现基于哨兵的“安全失败”模式——如果NLP引擎无法加载，系统会警告用户，并继续进行未经编辑的审计，而不是崩溃。
设置：
# Uncomment the PII section in examples/requirements.txt, then:
pip install -r examples/requirements.txt
python -m spacy download en_core_web_lg编排者懒洋洋地加载Redactor；如果缺少依赖项，云运行将继续进行，而无需清理PII。请参阅 examples/redactor.py.
🛡️ 循环中的人类（卫报）
编排器实现 治理 对于高风险的发现：
- 触发： 当分析师发现严重程度较高的差异时，报告不会立即定稿。
- 握手： 系统会提示用户： *你授权这项法医调查结果吗？（是/否）*.
- 治理： 如果 *是*，调查结果最终确定。如果 *不*，它已被标记
DISPUTED_BY_HUMAN并移至“需要进一步调查”。 - 使用
--no-guardian跳过CI或非交互式运行（例如评估器）。
💰 认知预算（会计）
为了管理企业规模，我们实施 语义路由:
- 分层智能： 请求按复杂性分类。简单的任务被路由到本地SLM（Phi-4/Llama 3.2），而复杂的取证任务则升级到Claude 3.5。
- 成本优化： 这种方法将推理成本降低了80%，而不会牺牲重要的高端推理。
建筑师摘要： 该实现解决了企业人工智能的三个“最后一英里”问题：标准化（通过MCP）、可靠性（通过自动化的LLM-as-a-Jegister）和可持续性（通过分层智能路由）。它将人工智能从脆弱、高成本的实验转变为受控、成本优化的基础设施。
🛠️ 特性
- 发现第一： 实现完整的MCP生命周期（握手->清单->执行）。
- 归档工具： 元数据交叉引用和水印验证的专用功能。
- Polyglot就绪： 内置TypeScript，旨在由基于Python的代理框架编排。
⚙️ 配置和提示
代理逻辑与执行引擎解耦。系统指令在中管理 config/prompts.yaml，允许对提示版本进行A/B测试和特定于模型的调优，而无需重新部署代码。
🚀 快速开始
安装
npm install
npm run build🏠 Edge AI：使用SLM在本地运行
此分支演示了“法医洁净室”设置，将推理从云端移动到本地计算机。
先决条件
- 奥拉马： 下载并安装Ollama.
- 型号： 拉取默认模型（或您选择的其他模型）：
ollama pull llama3.2编排器默认为 llama3.2；对于其他型号（如phi4），设置 LLM_MODEL （见下文）。
运行本地编排器
要使用本地SLM运行多代理团队，请执行以下操作：
python examples/orchestrator.py --provider ollama要使用其他模型或Ollama主机，请设置环境变量：
LLM_MODEL=phi4 python examples/orchestrator.py --provider ollama
OLLAMA_HOST=http://192.168.1.10:11434 python examples/orchestrator.py --provider ollama环境变量
| 变量 | 描述 | 默认值 |
|---|---|---|
OLLAMA_VISION_TIMEOUT_MS | 局部视觉处理超时 | 300000 （5分钟） |
PII_REDACTION_ENABLED | 切换主权Redactor | true |
注意：SLM需要显式的指令调优。编排器包括一个优化的系统提示，以帮助小型模型有效地处理MCP JSON模式。
运行法官
python examples/evaluator.py与会计师一起运行（语义路由器）
按复杂性路由请求以节省预算——简单的查询使用本地SLM，复杂的取证任务使用云模型：
python examples/router.py --query "Look up The Hobbit" --title "The Hobbit" --author "Tolkien"
python examples/orchestrator.py --use-accountant --query "Compare points of issue and binding across editions" --title "The Great Gatsby"通过配置路由 ACCOUNTANT_MODEL （分类模型）， ACCOUNTANT_CLASSIFICATION_PROVIDER （默认值：ollama；使用 lm_studio 如果只有LM Studio可用）， ACCOUNTANT_LEVEL_1_PROVIDER, ACCOUNTANT_LEVEL_2_PROVIDER.