~/research/cyber-risk-multi-agent

背景

这是我的 硕士毕业论文原型：一个面向网络安全风险分析的、领域结构化、证据驱动的多智能体框架。系统将推理任务分解为基于结构化证据的角色专精 Agent，并支持两种互补的执行模式以便做干净的消融实验。

来源说明： 目前是私有的论文原型。下面描述其架构、claim 与代码结构。

架构

输入 Case ──▶ [Stage 0（可选）JELAS Grounding Agent]
                    ↓ JelasResult
              [Stage 1：证据检索（LLM，JELAS-aware）]
                    ↓ EvidenceBundle
        ┌───────────┼───────────┐
        ▼           ▼           ▼
   Exposure    Likelihood     Impact
     Agent       Agent         Agent
        └───────────┬───────────┘
                    ▼
   [Stage 3（条件触发）：Critic Agent]
   （当各 level 分歧 ≥ 阈值时触发）
                    ▼
   [Stage 4：Coordinator Agent]
   （置信度加权的综合输出）
                    ▼
              FinalReport
       （保留全部中间结果）

两种执行模式

两种模式共享同一个 run_pipeline(case) 入口。唯一的开关是 case JSON 中是否带有 jelas_env_name 字段 —— 这是有意为之，方便项目做干净的 A/B 消融。

  1. 纯 LLM 流水线 —— 在结构化 case 上做纯语言模型推理。
  2. JELAS 神经符号流水线 —— 增加一个确定性的 Stage 0，在任何 LLM 调用之前注入预计算的知识图谱 + Datalog 风险事实。

五个可验证的 claim

每个 claim 在框架内都对应一个消融实验：

#Claim机制
C1网络安全风险更应被建模为 结构化推理，而非单一不透明的预测。五个专精 Agent，每个有独立的 schema 与 prompt。
C2领域对齐的角色（Exposure / Likelihood / Impact）比通用的 Planner / Reviewer 角色产生更可解释的中间状态。角色专用的 Pydantic v2 schema，让每个 Agent 的贡献都强类型、可检查。
C3证据驱动的推理提升一致性与可信度。共享的 EvidenceBundle + 可选的 JELAS 神经符号事实，在任何分析型 Agent 推理之前先注入。
C4在该领域里，轻量级条件式校验优于无约束的多智能体辩论。条件触发的 Critic，只有在分析型 Agent 的有序风险等级分歧 ≥ 2 时才触发。
C5跨 case 的 「分析师经验」 可以无需重训复用。CaseMemory 通过 Jaccard × EWMA-recency 召回 top-k 相似历史 case，改编自 LLMTraveler（Wang et al., 2025）。

设计原则

领域对齐，不是角色通用。 Agent 对应于网络安全风险推理的概念维度（exposure / likelihood / impact），而不是 planner / reviewer 这种通用软件工程角色。这让中间状态对安全分析师来说是可解释的。

Schema 先行。 所有跨 Agent 消息都是带类型的 Pydantic v2 模型。这给了 LLM 一个硬合约，启用自动归一化（level 字符串小写化并按 enum 校验），也让消融实验之间可以确定性地对比。

双模式即架构。 纯 LLM 与神经符号两种模式共享同一个入口。是否存在 jelas_env_name 是唯一的开关。这让论文可以呈现干净的 A/B 对比，而不需要维护两条代码路径。

优雅降级。 JELAS 文件缺失、记忆条目缺失、组件被禁用 —— 都会静默降级而不是中断流水线。这对无人值守的实验批量扫描很重要。

块化 Prompt。 每个 Agent 的 user message 由若干独立块组装而成 —— Profile / Memory / Case / Evidence / Guidance。每个块都能被一个 config flag 单独消融，这正是让敏感性分析跑起来很便宜的原因。

横切组件

agents/components/
   ├── memory.py     # CaseMemory：跨 case 的经验库 + 检索
   └── profile.py    # AnalystProfile：行为校准（4 个维度）

状态

进行中 —— 新加坡国立大学计算学院硕士毕业论文（2026.01 至今）。源代码可应要求提供。

← 返回