让每个结论都有出处，让每次调研都活着。
青野 Verda 是一个会自己组队、能溯源、看得见思考过程的「AI 竞品情报工作台」。 它把一支由 48 位虚拟专家组成的多 Agent 团队封装进一条 Deep Research 流水线：从澄清需求、真实联网采集、交叉验证、结构化分析，到并行撰写一份带证据溯源的竞品研究报告——全程可观测、可回放、可人工介入二次深化。
- 真实，不演示：真实 LLM（智谱 GLM）+ 真实联网搜索（博查 Bocha）+ 真实网页抓取 + SQLite 持久化。搜不到就如实标注「未采集到」，绝不编造假数据。
- 每个结论都有出处：四条铁律——无证据不立论 / 交叉验证 / 返工闭环 / 全程可观测。
- 看得见的思考：每个 Agent 的 Prompt、输入输出、Token、决策、引用证据全部落 Trace，可在工作台实时滚动、在报告页「决策回放」。
本项目在开发过程中深度使用 TRAE AI 编程工具协作完成，设计与演进过程见 docs/系统升级实施方案.md。
| 能力 | 说明 |
|---|---|
| 🧠 多 Agent 编排 | 48 位分层虚拟专家（决策层 / 策略层 / 执行层），按任务自动组队、指派、终审 |
| 🔎 Deep Research 流水线 | intake → orchestrator → collect → analyze → write → audit → done，带返工闭环 |
| 🌐 真实联网采集 | 博查 Bocha 多角度多轮搜索 + 真实正文抓取 + 乱码/相关性过滤 |
| 📊 结构化知识 Schema | 功能树 / 定价模型 / 用户画像三类强结构对象，前端渲染矩阵、定价表、画像卡 |
| 🔬 可信度真实计算 | 按来源分级 + 域名权威性 + 时效性 + 抓取质量打分（0–100，非写死） |
| 📈 量化提升 & 业务闭环指标 | 效率提升 / 覆盖度 / 一致性 / 准确率 / 人工修正率，每项可解释 |
| 👀 全链路可观测 Trace | 每个 Agent 的 Prompt/输出/Token/决策可查、可回放 |
| ✍️ 批注驱动二次调研 | 对报告正文划线批注 → 触发针对性补充调研并更新章节 |
| 🎚️ 三档调研模式 | 快速 / 深度 / 专家级，按搜索量 + 章节数 + 模型档位分档 |
前端：React 19 · TypeScript · Vite · TailwindCSS · Zustand · React Router · ReactFlow · ECharts / D3 · Framer Motion
后端：FastAPI · LangGraph 风格编排 · SQLite · SSE（Server-Sent Events 思维流）
LLM：智谱 GLM（BigModel 开放平台，OpenAI 兼容网关）。核心章 glm-5.2、辅助章 glm-5.1、杂务 glm-z1-air，多模型按章节分配以充分利用并发额度
搜索：博查 Bocha Web Search
更完整的架构与数据流见 docs/ARCHITECTURE.md。
.
├── frontend/ # React + Vite 前端
│ ├── src/
│ │ ├── components/ # 通用组件（VTracePanel / VDataGrid / VChart 等）
│ │ ├── layout/ # AppLayout / VSidebar 全局框架
│ │ ├── pages/ # 11 个页面（首页/工作台/报告/图谱/Trace/专家…）
│ │ ├── store/ # Zustand 状态管理
│ │ ├── lib/ # api.ts 等工具
│ │ └── hooks/ # useTaskStream（SSE 订阅）
│ └── tailwind.config.js # 设计 token 主题映射
│
├── backend/ # FastAPI + 多 Agent 编排后端（本地开发主目录）
│ ├── app/
│ │ ├── core/ # 编排 / LLM / 搜索 / 抓取 / 可信度 / Trace / 指标…
│ │ ├── data/ # 48 专家定义 experts.json
│ │ └── main.py # FastAPI 入口
│ └── requirements.txt
│
├── api/ # Vercel Serverless 部署入口（后端代码的部署镜像，见下方说明）
│ └── index.py
│
├── docs/ # 架构 / Agent 协议 / 部署 / 设计方案文档
├── vercel.json # Vercel 部署配置
├── restart.sh / stop.sh # 本地一键启停脚本
└── LICENSE # AGPL-3.0
关于
backend/与api/的代码重复：backend/是本地开发与调试的主目录；api/是为 Vercel Serverless 部署准备的镜像副本（Vercel 约定 Serverless 函数放在api/目录）。两者业务逻辑一致，部署时只使用api/。详细说明与同步约定见 docs/DEPLOYMENT.md。
- Node.js ≥ 22.12
- Python ≥ 3.9
git clone <your-repo-url>
cd verda
# 配置后端密钥（绝不硬编码，全部走环境变量）
cp backend/.env.example backend/.env
# 编辑 backend/.env，填入 ZHIPU_API_KEY 等（见下方「配置密钥」）cd backend
python3 -m venv .venv
.venv/bin/python -m pip install -r requirements.txt
.venv/bin/python -m uvicorn app.main:app --reload --port 8010
# 后端: http://localhost:8010 健康检查: /health LLM 自检: /api/llm/pingcd frontend
npm install
npm run dev
# 前端: http://localhost:3400项目根目录提供了本地一键脚本（macOS / Linux）：
./restart.sh # 清理旧进程 → 启动后端(:8010) → 等待就绪 → 启动前端(:3400)
./stop.sh # 按端口精确关闭本项目前后端复制 backend/.env.example 为 backend/.env，按需填写：
| 变量 | 说明 | 必填 |
|---|---|---|
ZHIPU_API_KEY |
智谱开放平台 API Key（GLM 调用），从 https://open.bigmodel.cn 获取 | 是（真实 LLM 调用） |
ZHIPU_MODEL / ZHIPU_MODEL_CORE / ZHIPU_MODEL_AUX / ZHIPU_MODEL_FAST |
多模型矩阵（默认 / 核心章 / 辅助章 / 杂务） | 否（有默认值） |
BOCHA_API_KEY |
博查 Bocha Web Search Key，从 https://open.bocha.cn 获取（形如 sk-xxxx） |
真实联网采集时必填 |
DOUYIN_COOKIE / BILIBILI_COOKIE / XHS_COOKIE |
各平台舆情采集 cookie | 平台采集时按需 |
APP_PORT |
后端端口（默认 8000，本地脚本用 8010） | 否 |
FRONTEND_ORIGIN |
前端地址（CORS 白名单），默认 http://localhost:3400 |
否 |
ENABLE_DEMO_FALLBACK |
无 key 时是否启用缓存兜底（演示不崩） | 否 |
验证 LLM 是否打通：
curl http://localhost:8010/api/llm/ping- 所有密钥仅通过环境变量读取，绝不硬编码在代码中（见 backend/app/core/config.py）。
.env及各类密钥文件已在 .gitignore 中屏蔽，不会被提交。- 本地数据库
*.db/ WAL / SHM、运行日志.run-logs/均不入库。 - 提交代码前请再次确认：没有任何真实的 API Key / Token / Cookie 被提交。
| 文档 | 内容 |
|---|---|
| docs/ARCHITECTURE.md | 系统架构、模块划分、数据流、Deep Research 流水线 |
| docs/AGENTS.md | 48 专家分层、Agent 角色、消息协议、四条铁律 |
| docs/DEPLOYMENT.md | 本地部署、Vercel 部署、backend/api 同步约定 |
| docs/系统升级实施方案.md | 完整设计与演进方案（含 AI 协作过程） |
| CONTRIBUTING.md | 贡献指南、提交规范、分支管理 |
欢迎 Issue 与 PR。提交前请阅读 CONTRIBUTING.md，遵循约定式提交（Conventional Commits）与代码风格规范。
本项目采用 AGPL-3.0 开源许可证。 这意味着：你可以自由使用、修改、分发本项目，但任何修改后的版本（包括通过网络提供服务的形式）都必须以相同的 AGPL-3.0 许可证开源。