CausalAgent
Health Gecti
- License — License: NOASSERTION
- Description — Repository has a description
- Active repo — Last push 0 days ago
- Community trust — 32 GitHub stars
Code Gecti
- Code scan — Scanned 12 files during light audit, no dangerous patterns found
Permissions Gecti
- Permissions — No dangerous permissions requested
This tool is a multi-agent system powered by LangGraph designed to perform automated causal analysis on uploaded datasets. It leverages a combination of MCP, RAG, and various analytical algorithms to generate interactive causal graphs and comprehensive analysis reports for the user.
Security Assessment
Overall Risk: Low. The automated code scan of 12 files found no dangerous patterns, no hardcoded secrets, and the project requests no dangerous system permissions. Because it functions as a data analysis agent, it processes user-uploaded datasets (which could be sensitive depending on your use case) and relies on backend tools like Flask, MySQL, and OpenAI APIs, meaning it will make external network requests. However, no hidden shell execution or malicious data exfiltration behaviors were detected.
Quality Assessment
The project is actively maintained, with its most recent push occurring just today. It has gathered 34 GitHub stars, indicating an early but growing level of community interest and trust. It should be noted that the tool is still officially in active development ("In Development") and its license is marked as NOASSERTION, meaning it lacks a clear open-source license for legal distribution and modification.
Verdict
Safe to use, but keep in mind that the tool is still under active development and currently lacks a formal software license.
这是一个由LangGraph协议主导的因果分析Muti-Agent,结合MCP,RAG等多种工具进行辅助进行因果分析,提供给用户一份完善的因果分析的分析报告和因果图
CausalAgent
新一代因果分析智能体
只需上传你的数据集,Causal-Agent 就能以对话的方式,自动帮你选用因果分析算法,并在生成可交互的对话面板和专业的分析报告。
[!IMPORTANT]
项目开发中
目前 CausalAgent 正在进行核心架构升级,我们正在努力完善功能,请点击右上角 Star ⭐ 关注后续更新!
目录
- 目录
- WHAT IS CausalAgent
- WHY CausalAgent
- 技术栈
- 用户功能
- 快速开始 | Quick Start
- 管理员与开发者
- 技术文档
- 贡献
- Star History
- 项目结构
WHAT IS CausalAgent
新一代因果分析智能体: CausalAgent 是一个集成了AGENT的因果分析工具,它能够自动识别因果关系,生成专业的分析报告,并提供可交互的因果图谱。
缩减因果分析门槛:什么是因果?为什么需要因果分析?简单来说,因果分析就是对真实世界数据进行逻辑分析。
WHY CausalAgent
| 特性 | 说明 |
|---|---|
| Agent 驱动 | 基于 LangGraph 父图编排分析节点、工具阶段与子图,自动路由任务。 |
| Deep Agent 分析 | 预处理之后由 Deep Agent 子图自己规划算法调用、检索工具和结果取舍,并用固定预算限制模型与工具调用次数。 |
| 动态图谱 | 摒弃静态图片,生成可交互的 Network 图谱,支持节点拖拽、点击追问。 |
| 论文实时搜索 | SearXNG 实时搜索,获取最新论文与时事。 |
| MCP 架构 | 采用MCP,将核心逻辑与工具解耦,极易扩展新算法。 |
| RAG 增强 | 内置因果推断领域的专业知识库,确保生成的分析报告学术性与严谨性并存,提供个性化的rag评测桌面,定制化rag服务 |
技术栈
| 类别 | 技术组件 |
|---|---|
| Agent 与模型 | LangGraph、Deep Agents、LangChain、MCP |
| RAG 与搜索 | ChromaDB、BM25S、Ragas、SearXNG |
| 后端与数据 | Flask、MySQL、PostgreSQL、Alembic |
| 前端 | Vue 3、TypeScript、Pinia、Vite、vis-network、WebView2 |
| 可观测性 | Grafana Alloy、Loki、Grafana |
| 运行与发布 | Docker Compose、GitHub Actions |
用户功能
用户端展示
核心功能
CausalAgent 的整体因果分析流程可以抽象为:用户上传数据 → 预处理与数据体检 → 因果结构学习 → 后处理与质量提升 → 报告与可视化输出。下面按模块进行说明。
Agent 运行流程
系统不是由多个彼此独立的 Agent 拼接而成,而是由一个 LangGraph 父图编排预处理、Deep Agent 子图、终态校验和报告节点,并由独立 worker 执行 Job:
graph TD;
subgraph "用户入口"
User((用户)) --> UI[Vue 普通端 / Windows 客户端]
end
subgraph "任务与运行时"
UI --> API[Flask API / Analysis Job]
API --> Worker[Job Worker / Slot]
Worker --> Graph[LangGraph 父图]
end
subgraph "分析与工具"
Graph --> DeepAgent[Deep Agent 子图]
DeepAgent --> MCP[MCP: PC / DirectLiNGAM / CDFM]
DeepAgent --> RAG[RAG 知识库]
DeepAgent --> Search[Web Search / SearXNG]
Graph --> Report[后处理与报告]
end
Worker --> Events[(MySQL Job / SSE 事件)]
Graph <--> Checkpoint[(PostgreSQL checkpoint)]
DeepAgent <--> Memory[(PostgreSQL 长期记忆)]
Events --> UI
深度分析 Agent
预处理完成后,由 Deep Agent 子图自己决定调用哪些算法和检索工具,并对结果做出取舍
- 显式状态边界:父图只向子图投影问题、数据画像、分析参数和必要输入消息;子图返回时只带回算法结果、工具调用账本、RAG 与联网搜索证据、结构化决策和报告所需的摘要。完整消息、子图内部字段和中间计划不会回写到父图状态。
- 独立执行身份:父子图共用同一套 PostgreSQL checkpoint,但使用不同的 thread 和 namespace,并额外保存由 Job、attempt、lease 与冻结输入身份组成的执行范围;范围不匹配时从父图的最小输入重新开始,不会复用旧的执行结果。
- 工具编排:模型看到的是由本地 AlgorithmSpec 生成的 function tools,默认启用 PC、DirectLiNGAM 与 CDFM;同一轮响应里的算法调用按
requires/produces分层,互不依赖的调用可以并行,受单 Job 并发和工具总预算约束。运行时不会调用远端list_tools()动态扩展模型工具。 - 长期记忆:用户偏好和研究背景保存在 PostgreSQL Store(与 Job checkpoint 分开),模型只能写
/memories/preferences.md和/memories/research_background.md,其他写入一律拒绝;用户删除后由清理 worker 一并删除对应命名空间。 - 有界预算:模型调用次数、工具调用次数、递归深度、工具节点超时和单 Job 并行工具数都有固定上限,超出后走受控失败路径。
- 终态校验(FinalizationGate):该节点不调用模型,只检查最终决策引用的算法结果是否存在、算法结果与工具调用账本是否一致,以及结果是否属于当前 Job、attempt、lease 和冻结输入。第一次校验失败会把具体违反的引用规则交回子图修正一次,第二次仍失败则降级为只基于已验证输入的报告,不公开未经校验的选择。
- 取消与超时:Job 心跳丢失或收到取消时,worker 停止本地等待,并通过独立的 control lane 发送签名取消,只终止目标算法调用,不影响并行的其他调用。
预处理
进行基本的数据建模,对数据进行可视化分析,并为后续因果分析做「体检与筛选」
- 数据概览:统计数据集的行数、列数和所有字段名,生成统一的表结构摘要,帮助快速理解数据规模与字段含义。
- 列级体检与类型推断:逐列分析缺失率、唯一值、是否常数列,自动识别连续变量、分类变量、时间变量、疑似 ID 等,并给出每一列在因果分析中的适用性评级(如 excellent / good / warning)。
- 质量诊断与因果友好度评估:汇总整体缺失率,标记高缺失列和常数列,识别高基数分类、疑似 ID 等问题字段,并按适用性分组出「优先用于因果分析」的候选变量列表。
- 可视化摘要:通过直方图、箱线图、相关性热力图等可视化方式,辅助发现明显异常值和潜在共线性问题。
因果分析(MCP)
基于 MCP(Model Context Protocol)快速迭代因果算法
- 可插拔算法框架:通过 MCP 将因果发现与估计算法以「工具」形式解耦,便于在不改动 Agent 主逻辑的前提下扩展/更换算法库。
- 当前支持:
- PC 算法(基于条件独立检验的因果结构学习)。
- DirectLiNGAM(面向连续数值数据的线性非高斯无环因果发现,输出因果顺序与带权有向图)。使用结果时需满足误差相互独立、无潜在混杂等模型假设,边权表示模型估计系数,不等同于实验验证。
- CDFM(预训练因果发现基础模型,面向连续数值表格数据做零样本因果图推断,一次调用返回整张候选有向图)。同一个 checkpoint 覆盖线性、非线性、异方差、有序或离散观测、测量误差与潜在混杂等多类机制,机制未知或明显非线性时比依赖单一假设的方法更合适。只向模型公开可选的
threshold,不传时由服务端按模型自带校准器自动决定判决边界;模型路径、运行设备和标准化策略由算法服务固定。缺失值按 NaN/±Inf 掩码规则传递,分类变量不适用。输出只有边及其方向,不包含权重和置信度:方向可能随阈值变化,不可识别场景下方向证据不足,两条相反方向的边也可能对应潜在混杂,结果不构成准确率或生产能力证明。
- 保留但不默认启用:OLC 的实现(算法规格、适配器、执行器与算法代码)仍保留在仓库中,但不进入默认工具面。
- 规划中:
- FCI 等含潜在混杂的结构学习算法;
- 因果效应估计(ATE/CATE)与反事实分析等模块。
知识库(RAG)
通过多模态知识库、混合检索与受控 release,为报告和问答提供专业支撑
- 运行方式:仓库提供受版本控制的正式 active release,生产查询从 release manifest 加载索引与 embedding 身份;部署时仍需配置匹配的 Embedding API。
- 检索能力:使用 ChromaDB 向量检索与 BM25S 稀疏检索,并支持 PDF、文本、表格和图片等多模态摄取。
- 知识来源:使用大量因果推断相关书籍与论文的 PDF / TXT 文档构建,涵盖经典因果图论、干预推断、工具变量、面板因果等主题。
- 典型能力:
- 在生成报告时,自动检索相关理论和方法描述,为结论补充严谨的文献背景;
- 支持面向初学者的「概念解释」,例如“什么是混杂变量”“为什么需要随机试验”等。
- 个性化检索评测
- 进入rag检索评测页面,可以自定义rag检索内容,实现个性化知识库定义。
联网搜索
用户可以在发起分析前开启联网搜索。Web Search 子图通过 SearXNG 聚合 arXiv、Crossref 与 OpenAlex 等学术来源,并把受限数量的引用随报告公开;规划、检索或解析失败时会返回统一降级结果,不阻断主分析流程。
后处理
对因果图进行后处理,包括环路检测、边合理性评估等,提高因果结构的可解释性与可靠性
- 环路检测与修正:检查学习得到的因果图中是否存在违背 DAG(有向无环图)假设的环路;若发现异常,则调用 LLM 辅助判断合理的断边方案,给出修正建议。
- 边评估与置信度分析:对每一条因果边进行强度或置信度评估,结合数据统计特征和领域常识,对明显不合理的边进行标记与修正建议。
- 结构约束与业务先验融合:在后处理阶段支持引入业务先验(如「变量 A 不可能被 B 因果影响」),从而得到更符合领域知识的因果图。
报告生成
根据后处理结果生成面向业务方与研究者的专业报告,并配套交互式可视化
- 自动生成结构化报告:围绕「分析背景 → 数据概况 → 方法说明 → 因果发现 → 结论与建议 → 局限性」等章节自动撰写自然语言报告。
- 结构化报告渲染:模型只产出章节、Markdown 文本和资源引用,图表数据、因果图模型、来源和证据由后端注入并校验;普通端按块类型分别渲染章节、图表和因果图,引用不存在的资源时显示受控提示,不会让整页崩溃。
- 交互式因果图谱:基于 vis-network 等前端组件生成可交互的因果图,支持节点拖拽、缩放、查看变量说明、点击追问等操作。
快速开始 | Quick Start
可访问入口
默认开发 Compose 启动后,可以访问:
| 功能 | 地址 | 说明 |
|---|---|---|
| 官网 | http://127.0.0.1:5001/ | 产品介绍、公开文档、更新日志和登录注册入口 |
| 登录页 | http://127.0.0.1:5001/auth/sign-in | 统一登录入口,按权限回到工作区、评测台或管理后台 |
| 用户工作区 | http://127.0.0.1:5001/dashboard | 登录后上传数据、发起分析和查看报告 |
| RAG 评测台 | http://127.0.0.1:5001/rag-eval | 知识源摄取、staged index、评测与 release 管理,仅管理员可访问 |
| 管理后台 | http://127.0.0.1:5001/admin/database | 管理员登录后的默认入口 |
| Grafana | http://127.0.0.1:3000/grafana/ | 日志查询和仪表盘 |
注:官网、用户工作区、RAG 评测台和管理后台是四个独立构建的前端;RAG 评测台是隔离的知识库构建、评测和发布工作台,只有拥有 rag_eval.access 权限的账号能打开。
最小配置
复制 .env.example 后,至少按启用能力检查以下配置;不要把真实密码或 API key 提交到 Git:
- 基础服务:
SECRET_KEY、MySQL 账号、CHECKPOINT_POSTGRES_PASSWORD。 - Chat 模型:
API_KEY、BASE_URL、MODEL。 - 深度分析 Agent:
DEEP_AGENT_MODEL、DEEP_AGENT_BASE_URL、DEEP_AGENT_API_KEY、DEEP_AGENT_CONTEXT_WINDOW_TOKENS;上下文窗口必须显式设置,不会静默回退。 - 算法服务:
CAUSAL_MCP_SERVICE_TOKEN、CAUSAL_MCP_SIGNING_KEY_CURRENT,轮换期间还要保留CAUSAL_MCP_SIGNING_KEY_PREVIOUS;CDFM 的权重位置可用CDFM_MODEL_PATH指定。 - RAG 查询:
EMBEDDING_API_KEY、EMBEDDING_BASE_URL、EMBEDDING_MODEL,且必须与 active release manifest 匹配。 - 日志界面:
GRAFANA_ADMIN_PASSWORD。 - 联网搜索:Compose 默认使用
WEB_SEARCH_PROVIDER=searxng和内部SEARXNG_URL,通常无需额外修改。
完整配置和运行边界见 Document/development/setup.md 与 Document/development/deployment.md。
Docker部署
当前项目已经提供了完整的多阶段 Dockerfile,会先用 Node 24 分别构建普通端 Vue 和管理员 Vue,再生成仅包含 Python 运行时与静态产物的应用镜像;暂未在公网镜像仓库发布官方镜像。
如果你已安装 Docker,可以在本地根据下面的步骤自行构建并运行镜像。
- 安装docker并且gitclone项目
git clone https://github.com/ArcheCausal/CausalAgent
cd CausalAgent
- 创建并填写.env文件
cp .env.example .env
- 在项目根目录运行docker-compose
docker compose -f docker-compose.yml up -d
docker compose ... up -d 会在 app、worker、monitor 和 cleanup worker 启动前,
自动运行一次性 db-bootstrap。它依次执行 MySQL 建库、Alembic migration 和
LangGraph 官方 PostgreSQL setup。若需要手动重跑该初始化入口,可执行:
docker compose -f docker-compose.yml run --rm db-bootstrap
请先在 .env 设置非空的 CHECKPOINT_POSTGRES_PASSWORD。checkpoint-cleanup 仍是独立的常驻 worker,用于消费跨库清理 outbox。app 负责管理员 checkpoint 摘要读取,monitor 负责 PostgreSQL quick/deep
检查,因此两者也必须取得相同的 CHECKPOINT_POSTGRES_* 配置。生产 Compose
同样包含 PostgreSQL、bootstrap、worker、monitor 和 cleanup 服务。
全新空库不需要运行升级前审计。只有旧库尚未建立目标外键、且即将执行添加这些外键的迁移时,才先运行:
docker compose -f docker-compose.yml run --rm app python Database/audit_before_db_upgrade.py
[!IMPORTANT]
仓库已包含正式 active RAG release,但部署环境仍须提供与 manifest 匹配的 Embedding API 配置。readiness 检查失败时,worker 会继续启动并把 RAG 安全降级为不可用。
管理员与开发者
前面的章节面向普通用户和首次运行;本节集中说明管理员入口、数据库、日志、测试和桌面发布。
管理员端展示
数据库生产化配置
主从开发:
如果你已经启动过 mysql-primary 或 mysql-replica,修复后要使用新的空 volume 重建;否则 /docker-entrypoint-initdb.d 初始化脚本不会重新执行。
主从模式下数据库账号按职责拆分:
- 写账号:
MYSQL_WRITE_USER/MYSQL_WRITE_PASSWORD,用于应用写主库、Alembic 迁移和启动就绪检查;缺失时兼容回退到MYSQL_USER/MYSQL_PASSWORD。 - 读账号:
MYSQL_READ_USER/MYSQL_READ_PASSWORD,用于get_read_connection()的主库强一致读和从库弱一致读;除业务库SELECT外,仅额外授予performance_schema.events_statements_summary_by_digest的表级SELECT,供高负载 SQL digest 摘要使用;缺失时兼容回退到MYSQL_USER/MYSQL_PASSWORD。 - 复制状态检查账号:
MYSQL_REPLICA_STATUS_USER/MYSQL_REPLICA_STATUS_PASSWORD,只用于读取SHOW REPLICA STATUS;缺失或不可用时,eventual读安全回退主库读连接。 - 复制通道账号:
MYSQL_REPLICATION_USER/MYSQL_REPLICATION_PASSWORD,只用于 MySQL 主从复制链路,不参与应用业务查询。
管理员后台
管理员后台提供业务概览、用户、会话、任务、文件、数据库看板、采集配置和数据库审计。数据库看板通过 URL 查询参数在“数据库运行状态 / Cleanup Worker / Outbox 队列”三段视图间切换;用户删除后可从持续可见的 checkpoint 清理进度区跳转到对应 Operation ID 的 Outbox 排查。普通用户仍进入聊天页面,已启用的管理员登录后进入 /admin/database。
管理员仍默认进入 /admin/database,也可从后台进入普通聊天界面;聊天页只访问当前账号自己的会话、文件和任务,并向管理员提供返回后台的入口。管理员主动访问 / 时不会被再次强制送回后台。
未登录管理页面只保留白名单内的安全回跳;普通用户直访管理页面会得到 403。POST /api/login 仅在内部 next 通过服务端白名单校验后返回 redirect_to。
首次使用前,先完成数据库迁移和管理员前端构建,然后把一个已经注册且已启用的用户提升为管理员:
# Docker 运行
docker compose -f docker-compose.yml run --rm app python -m app.auth.admin_cli promote <username>
管理员系统的部署、开发、API、安全边界和测试说明统一放在 Document/admin/。其中:
日志系统
运行时日志链路为:
app / worker / monitor / MCP / RAG worker
→ 结构化 JSON 日志
→ Grafana Alloy
→ Loki
→ Grafana Dashboard
运行时代码使用受控事件目录,并通过 request、job、session 和 worker slot 等字段关联请求。原始 prompt、文件正文、API key、Token 和 Cookie 等敏感内容不得进入日志;完整事件、降噪与脱敏规则见 Document/development/observability.md。
开发环境启动
先在 .env 中设置非空的 GRAFANA_ADMIN_PASSWORD,然后从仓库根目录执行配置校验、Alloy语法校验和完整开发启动:
docker compose -f docker-compose.yml config --quiet
docker compose -f docker-compose.yml pull loki alloy grafana
docker compose -f docker-compose.yml run --rm --no-deps alloy validate /etc/alloy/config.alloy
docker compose -f docker-compose.yml up -d
docker compose -f docker-compose.yml ps
打开 http://127.0.0.1:3000/grafana/ 进入 Grafana,使用 GRAFANA_ADMIN_USER(默认值为 admin)和 .env 中设置的密码登录。Loki 数据源和 CausalAgent 日志仪表盘会由 Compose 自动 provision。需要直接查看容器输出时执行:
docker compose -f docker-compose.yml logs -f app worker monitor alloy loki grafana
停止服务建议使用 docker compose -f docker-compose.yml stop,这样会保留 Loki、Grafana 和Alloy positions 命名卷。不要使用 down -v 代替停止操作,否则会删除日志查看拓扑的持久化数据。
修改 observability/alloy/config.alloy 后,必须重新执行 alloy validate,确认通过后再重启Alloy。
Document/development/observability.md,Compose
部署边界见 Document/development/deployment.md。
RAG评测工作台
页面主要分为工作索引、候选题集、评测中心、正式发布和报告管理等区域。工作台入口为 http://127.0.0.1:5001/rag-eval,页面和 /api/rag_eval 接口都要求 rag_eval.access,未登录访客会先跳到登录页。
flowchart LR
A[选择或上传知识源] --> B[隔离摄取]
B --> C[构建 staged index]
C --> D[staged RAG 试跑]
C --> E[候选题集与人工审核]
D --> F[选择评测题集]
E --> F
F --> G[数据校验、检索评测与 Ragas]
G --> H[生成评测报告]
H --> I{正式 release 门禁}
I -->|未通过| J[调整来源、索引或检索策略]
J --> C
I -->|通过并显式确认| K[发布 active pointer]
K --> L[Agent worker drain / restart]
L --> M[生产聊天 RAG 使用新 release]
前端(Vue)
同源下运行四个互相独立的 Vue 3 + TypeScript 工程,都不加入根级 npm workspace,构建产物都由 Flask 在同源路径提供:官网 website-frontend/(/site-assets/)、用户工作区 chat-frontend/(/dashboard-assets/)、RAG 评测台 app/rag_eval/frontend/(/rag-eval/)和管理员前端 admin-frontend/(/admin/)。缺少任一构建产物时,对应该前端的页面入口返回 503 和 request ID,既不回退到其它前端,也不返回半成品资源。
本地开发在仓库根目录执行一条命令,脚本会为选中的前端各开一个窗口运行 Vite:
.\scripts\dev_frontends.ps1 # 四个前端全部启动
.\scripts\dev_frontends.ps1 -Frontends website,chat # 只启动官网和普通端
.\scripts\dev_frontends.ps1 -Frontends rag -Install # 先执行 npm ci 再启动
脚本只使用 PowerShell 和 npm,-WhatIf 只打印将要执行的操作,-Install 先执行 npm ci;单独开发某个前端时仍可直接进入该目录执行 npm ci 和 npm run dev。端口、开发地址和跳过条件见 Document/development/setup.md。
官网开发服务器使用 5175 端口和 /site-assets/ base,用户工作区使用 5174 端口和 /dashboard-assets/ base,两者的 Vite 都把 /api 代理到 http://127.0.0.1:5001。在 .env 设置 WEBSITE_VITE_DEV_SERVER_URL=http://127.0.0.1:5175 或 CHAT_VITE_DEV_SERVER_URL=http://127.0.0.1:5174 后,Flask 会把对应页面交给 Vite;未登录访问 /dashboard 会跳到 /auth/sign-in。官网和用户工作区的代码检查与生产构建都用 npm run check,RAG 评测台前端使用 npm run typecheck、npm test 和 npm run build。
详细的状态约束见 Document/development/chat-frontend.md 和 Document/development/website-frontend.md。
后端单元测试
仓库提供独立的 docker-compose.test.yml,用于按需创建一次性单元测试容器。测试镜像预装项目 Python 依赖和 pytest,不连接 MySQL,禁用网络;当前源码以只读方式挂载到容器,因此修改代码后可以直接重新运行测试,无需重建镜像。
首次使用或测试依赖变化后构建测试镜像:
docker compose -f docker-compose.test.yml build unit-test
运行全部后端单元测试,测试结束后自动删除本次容器:
docker compose -f docker-compose.test.yml run --rm unit-test
运行指定测试文件:
docker compose -f docker-compose.test.yml run --rm unit-test python -m pytest -p no:cacheprovider tests/unit/agent/test_agent_state_routing.py
需要在相同环境内排查导入或依赖问题时,可以临时进入 Shell;退出后容器仍会自动删除:
docker compose -f docker-compose.test.yml run --rm unit-test sh
当前测试只保证 tests/unit;集成测试和隔离主从 E2E 的执行边界见 tests/README.md。
windows部署
CausalAgent已支持 Windows 桌面客户端:Run_causal.py 只启动 WebView2 Edge Chromium 窗口,并加载与浏览器相同的 CausalAgent 页面。
也可以进入release中,下载对应tag版本的桌面端
创建独立桌面环境并检查 WebView2 Runtime:
python -m venv .venv-desktop
.\.venv-desktop\Scripts\python.exe -m pip install -r .\windows-client\requirements-desktop.txt
.\.venv-desktop\Scripts\python.exe .\Run_causal.py --check-environment
开发时先启动现有 Flask 服务,再运行桌面壳。URL 优先级为命令行 --url > CAUSALAGENT_DESKTOP_URL > http://127.0.0.1:5001/:
$env:CAUSALAGENT_DESKTOP_URL = "http://127.0.0.1:5001/"
.\.venv-desktop\Scripts\python.exe .\Run_causal.py
Release 包在构建时嵌入正式 HTTPS origin,强制关闭 debug 和开发者工具;构建与 Windows 验收命令见 windows-client/README.md、Document/development/setup.md 和 Document/development/testing.md。
技术文档
根 README 只提供项目概览和常用入口,具体技术事实统一由 Document/README.md 导航:
- 系统、Agent 与 RAG 架构:
Document/architecture/ - 普通用户与 RAG API:
Document/api/ - 数据库、迁移与 checkpoint:
Document/database/ - 开发、测试、部署与可观测性:
Document/development/ - 管理员模块:
Document/admin/
贡献
欢迎提交 Issue 和 Pull Request!
Fork 本项目
从
develop新建工作分支,例如feat(rag)/cache提交信息与 Pull Request 标题使用
keyword(function):description格式支持的 keyword 包括
feat、fix、docs、refactor、test、chore、ci、build、perf和revert,例如fix(chat):修复会话删除异常。向
develop新建 Pull Request;只有develop可以向main发起合并请求等待
Python syntax、Light tests和Pull request policy检查通过后再合并
新建 Issue 时请使用仓库提供的 Issue Form,按模板填写背景、问题描述、预期结果、复现步骤、验收标准和环境信息。除附件外的字段为 GitHub 原生必填项,但不限制填写内容;普通贡献者不能选择空白 Issue。
Star History
项目结构
.
├── CausalAgent.py # Flask Web 入口
├── Run_causal.py # Windows WebView2 启动入口
├── app/ # Web、认证、Job、管理员与 RAG 运行台
│ ├── agent/ # Job API、SSE 与独立 worker
│ └── rag_eval/ # 隔离摄取、评测与 release 管理
├── Agent/ # LangGraph、因果工具与知识库
│ ├── causal_agent/ # 父图、节点、路由与子图
│ ├── deep_agent/ # 深度分析子图、长期记忆与终态校验
│ ├── deep_agent_tools/ # 算法 Spec、Adapter、领域工具与事件适配
│ ├── CausalAgentMCP/ # MCP 因果算法服务
│ └── knowledge_base/ # RAG runtime、多模态索引与评测
├── Database/ # MySQL、PostgreSQL、迁移与监控
├── observability/ # 结构化日志、事件目录与 Alloy 配置
├── searxng/ # 联网搜索配置与初始化
├── website-frontend/ # Vue 官网前端(公开页面与登录注册)
├── chat-frontend/ # Vue 普通用户应用前端(/dashboard)
├── admin-frontend/ # Vue 管理员前端(/admin)
├── windows-client/ # Windows 客户端、构建与 smoke 测试
├── config/ # 应用与 RAG 路径配置
├── deploy/ # staging/production 部署资源
├── scripts/ # 开发、发布、验收与诊断脚本
├── Document/ # 当前技术事实库
├── tests/ # unit、integration、e2e 与 smoke
├── docker-compose*.yml # 开发、测试、预发和生产拓扑
└── .github/workflows/ # CI 与 Windows release 工作流
Yorumlar (0)
Yorum birakmak icin giris yap.
Yorum birakSonuc bulunamadi