"CausalMind (观因知行)" 不是传统的“提问-回答”套壳接口,而是一条围绕复杂决策建立的完整分析链路。 > 它通过采集外部信息、提炼事实、审查偏差、构建因果沙盘、注入用户真实变量,最终生成推演世界线与行动白皮书。适用于职业转型、高风险投入判断、路径选择及机会成本分析等高不确定性场景。
很多现有的 AI 决策工具往往“过早得出结论”(Collapse too early):
- ❌ 用户只得到一个空泛的结论,缺乏可追溯的证据链。
- ❌ 事实、情绪、偏见和模型幻觉混杂在一起。
- ❌ 缺乏用户变量注入,推演只能停留在“正确的废话”。
- ❌ 没有可复查的中间层,前端很难将其包装成完整的商业产品。
CausalMind 的破局点: 将推演过程进行“解构”。让每一层数据(证据、事实、因果节点、世界线)都可独立存储、可追踪、可复查,为前端提供构建真正专业级产品的底层支撑。
flowchart LR
A[Create Case] --> B[Search Strategy]
B --> C[Collection Task]
C --> D[Evidence]
D --> E[Facts]
E --> F[Audit Elements]
F --> G[Causal Sandbox]
G --> H[Context Injection]
H --> I[Worldline]
I --> J[Whitepaper]
style A fill:#0F766E,stroke:#fff,stroke-width:2px,color:#fff
style J fill:#C2410C,stroke:#fff,stroke-width:2px,color:#fff
| Module | 中文说明 | English |
|---|---|---|
| Collection | 根据背景生成策略,触发异步采集任务 | Run async collection with progress tracking |
| Fact Audit | 从冗余证据中提炼“可审阅”的脱水事实 | Extract auditable facts from evidence |
| Sandbox | 聚合事实生成因果图,执行干预推演 | Build causal graphs and run interventions |
| Context | 注入用户真实的资产、技能与约束条件 | Inject verified user state and constraints |
| Worldline | 推演多条可能的未来演化路径 | Simulate possible future paths |
| Whitepaper | 输出包含主要矛盾与风险对冲的行动建议 | Produce conflict, risk, and action summaries |
flowchart TB
FE[Frontend / Client] -->|X-Causal-Config| API[FastAPI Router]
API --> DB[(SQLite)]
API --> H[Huey Queue]
H --> DB
H --> MC[MediaCrawler]
H --> LLM[LLM Providers]
API --> LLM
subgraph Storage [Data Artifacts]
META[data/crawler/run_meta.json]
end
H -.-> META
./
├── app/
│ ├── api/ # 路由与请求级配置解析 (Routes & Config Parsing)
│ ├── core/ # 核心配置、Prompt与统一响应格式 (Core Setup)
│ ├── db/ # 数据库初始化 (Database Setup)
│ ├── models/ # SQLAlchemy 实体模型 (Entities)
│ ├── schemas/ # Pydantic 数据传输对象 (DTOs)
│ ├── services/ # 爬虫/大模型/推演核心逻辑 (Services)
│ └── workers/ # Huey 队列与后台任务 (Async Jobs)
├── data/ # SQLite / Huey / 爬虫运行产物 (Runtime Artifacts)
├── tests/ # 路由级全链路闭环测试 (Flow Tests)
├── debug_llm.py
├── patch_db.py
└── requirements.txt
python3 -m pip install -r requirements.txt如果你希望启用真实平台(如小红书、知乎)采集,需要本地克隆 MediaCrawler 并配置路径。若仅做接口测试,可跳过此步并参考下文的「演示模式」。
export CRAWLER_REPO_PATH=/path/to/MediaCrawler
cd $CRAWLER_REPO_PATH && python3 -m pip install -r requirements.txtexport CRAWLER_REPO_PATH=/path/to/MediaCrawler
export CRAWLER_PLATFORMS=xhs,zhihu
export CRAWLER_LOGIN_TYPE=qrcode
export CRAWLER_HEADLESS=false
export CRAWLER_ENABLED=true # 设置为 false 则进入无爬虫演示模式启动主 API 服务:
uvicorn app.main:app --reload --host 0.0.0.0 --port 8000在另一个终端启动 Huey 异步任务消费者:
huey_consumer app.workers.worker.hueycurl [http://127.0.0.1:8000/health](http://127.0.0.1:8000/health)
# 预期输出: {"status": "ok"}如果你只想先联调接口,而不接真实爬虫,可以关闭采集开关:
export CRAWLER_ENABLED=false在此模式下,你依然可以跑通大部分前端联调流程(如创建案例、生成基础事实占位、生成启发式沙盘结构等)。真实的数据生成仍依赖于请求头传入的模型配置。
CausalMind 放弃了服务端静态写死模型 Key 的做法。通过在请求头中传入 X-Causal-Config(或原 X-Wolong-Config,Base64 编码的 JSON),前端可以实现:
- 单次请求无缝切换 OpenAI/Anthropic/本地大模型。
- 按不同决策案例分配抓取预算和平台。
- 精细控制不同推演阶段(如
audit,sandbox,worldline)使用的底层模型。
<details> <summary><b>点击查看 Config JSON 结构示例</b></summary>
{
"providers": [
{
"id": "openai-main",
"name": "OpenAI",
"baseUrl": "[https://api.openai.com/v1](https://api.openai.com/v1)",
"apiKey": "sk-***",
"defaultModel": "gpt-4o-mini"
}
],
"stageAssignments": {
"collection": "openai-main",
"audit": "openai-main",
"sandbox": "openai-main",
"worldline": "openai-main"
},
"crawlerPlatforms": [
{
"name": "xhs",
"max_notes": 30,
"get_comments": true,
"max_comments_count_singlenotes": 10
}
],
"extraction": {
"chunk_size": 12,
"chunk_overlap": 0,
"max_chunk_tokens": 0
}
}</details>
| Method | Path | Description |
|---|---|---|
GET |
/health |
Health check |
POST |
/cases |
Create a case |
GET |
/cases/history |
List historical cases |
DELETE |
/cases/{case_id} |
Delete a case and its artifacts |
| Method | Path | Description |
|---|---|---|
POST |
/cases/{id}/start-collection |
Start background collection |
GET |
/cases/{id}/collection-status |
Query collection and extraction status |
GET |
/cases/{id}/facts |
Get fact cards |
GET |
/cases/{id}/audit-elements |
Get audit element cards |
GET |
/cases/{id}/evidences |
Get evidence items |
| Method | Path | Description |
|---|---|---|
GET |
/cases/{id}/sandbox |
Get or generate sandbox graph |
POST |
/cases/{id}/sandbox/intervene |
Apply intervention and simulate effects |
PUT |
/cases/{id}/context |
Inject verified user context |
GET |
/cases/{id}/worldline |
Get or generate worldline |
GET |
/cases/{id}/whitepaper |
Get or generate whitepaper |
运行后主要会产生以下文件:
data/app.db:业务数据库data/huey.db:任务数据库data/crawler/<case_id>/run_meta.json:核心元数据文件。包含平台与关键词请求参数、采集步进统计、抓取漏斗数据,以及各推演阶段的模型元信息,是前端展示执行进度的重要数据源。
运行测试:
pytest -q tests/test_cycle_routes.py当前测试重点是路由级链路闭环,覆盖案例创建、策略生成、采集流转、事实读取及沙盘干预等。
前端联调注意:
- 确保 Axios
baseURL指向http://localhost:8000。 - 关闭本地 mock 拦截,避免与真实接口冲突。
<div align="center"> <p><i>CausalMind Backend is designed not to answer too early, but to turn complex decisions into a traceable, reviewable, and product-ready inference process.</i></p> </div>