Antigravity/黄伟栋

[victorHuang818]

完成能力点

• 后端工程能力
• Agent 项目经验
• RAG / 知识库能力
• 业务系统集成
• 安全与权限意识
• 管理后台 / 产品意识

设计说明

核心架构

本项目采用 FastAPI 作为 Web 层，结合内置的 BackgroundTasks 提供了轻量级的异步任务处理。任务与数据持久化使用 SQLite 数据库，保持了单机环境的简单和确定性，避免引入复杂的外部数据库或消息队列。

[HTTP API Entry] ——(Authentication & Injection Guard)——> [SQLite DB]
       |
(Async Dispatch)
       ▼
[execute_run] ——> [Planner] ——> [Executor] ——> [ToolRegistry]

工具调用边界

• 输入输出渲染: Executor 使用 resolve_template 引擎递归地对步骤入参进行求值，支持将前序步骤的字典返回值（如 $get_inventory.supplier_id）或复杂嵌套对象（如 RAG 引用 $search_rules.citations）按需注入后续工具的入参中。
• 脱敏安全面: 所有集成工具的返回值必须统一经过 redact_sensitive_data。敏感键如 vendor_secret 和 unit_cost_usd 均被剔除，包含的供应商价格特惠信息如 ACME-TIER-2-REBATE 会被自动脱敏为 [REDACTED]。
• 重试与容错: 工具类 ToolRegistry.call 对具有 TransientIntegrationError 特征的异常进行单步最多 3 次的主动重试，确保网络或接口瞬间抖动时，任务能自我恢复。

RAG 策略

• 权限感知: 每一条被检索文档都有其 frontmatter 中的 permission 字段。检索接口接收用户当前的 permissions 列表，如果文档所声明的权限不在用户列表中，该文档将被过滤并加入 filtered_doc_ids，绝不在检索中暴露其标题或正文。
• 分词重排: 采用自定义分词器 tokenize 和基于词频的余弦相似度函数 cosine_score 对可见分块进行多角度相似度打分并降序排列，取相关性最高且打分大于 0.0 的 top k 个 Chunks 产生 RAG 引用（Citations）。
• 答案生成安全: 利用 FakeLLM 对生成的提示词（Citations & Query）产生确定性 Hash 答复。因为答复来源于 Hash，且响应字段排除了 debug 和 candidate_note，确保不回传用户恶意 prompt 中所含的指令，防止命令注入与越权。

---

权限设计

本系统秉持最小特权原则，在两层防御路径上严格把关：

1. 网关前置鉴权: 校验用户操作，如果 Mallory 缺权限创建任务，网关将阻断并产生 decision="deny" 的 task.create 审计日志，随后返回 403 Forbidden。
2. 运行前/执行中双层校验: 在任务触发阶段，根据 Planner 的计划步骤评估所有将运行工具的对应权限（如 oa:approval:write）。若缺失直接在 HTTP 阶段拦截并生成 run.create decision="deny" 审计日志。在 Executor 真实运行 OA 写草稿等敏感工具前，进行动态二次校验拦截。一旦缺失即触发 decision="deny" 的 approval.draft.create 审计日志，并以 tool.skipped 事件类型在运行轨迹中体现，确保敏感操作物理阻断。
3. 敏感读取鉴权: /api/runs/{run_id} 及 events 接口仅限请求人、任务创建人或管理员（admin:read）读取，他人读取会记录 deny 审计，保障多租户可见性物理隔离。

本地验证

pytest 执行结果

py -m pytest -v

self_check (Makefile 关联 score.py 的自检) 运行结果

py scripts/self_check.py

已知风险或未完成项

1. 大并发下的内存状态一致性风险: 当前InMemoryRunStateStore使用进程内字典实现。若未来将 BackgroundTasks 迁移到独立的分布式 Celery Worker 进程中，则需要在 SQLite 或 Redis 中实现 RunStateStore 的持久化版本以保持数据同步。。

2. LLM 规划偏离边界: 依靠re.search正则提取 SKU 虽能满足当前及变种 SKU 输入，但在面对非结构化或高度含糊的 Prompt 时，依然可能产生意图规划偏离。在真实生产环境需要引入真正的 Few-shot LLM 规划与参数解析组件，来提升 Planner 的意图对齐与召回率。