MBE 米塞斯行为引擎能力说明

Mises Behavior Engine (MBE)
版本: v3.1 (Unified Knowledge Graph)
更新日期: 2026-02-09
状态: ✅ 所有核心功能已完整实现

v3.1 更新亮点:

• 🆕 统一知识图谱：NetworkX 图谱引擎，跨模块关系查询与智能推理
• 🆕 图谱增强路由：互补专家查找、用户偏好加权、反馈闭环
• 🆕 学习路径生成：基于拓扑排序的智能学习路径
• 🆕 实体追踪：对话实体自动追踪与关系建立
• 🆕 渐进式迁移：Feature Flags 控制，支持分阶段启用

v3.0 更新亮点:

• 🆕 工单系统：完整的工单CRUD、分配、回复、状态管理
• 🆕 通知中心：WebSocket实时推送 + 邮件通知 + 站内消息
• 🆕 结算审核：开发者收益结算审批流程（审核/拒绝/打款）
• 🆕 终端设备：7种设备类型接入（小智/天猫精灵/小度/小爱/ESP32/手表/车载）
• 🆕 跨角色协作：4大协作流程100%实现
• 🆕 统一通知服务：三合一通知（数据库+邮件+WebSocket）

v2.2 更新亮点:

• 监控体系：Prometheus 指标 + Jaeger 分布式追踪 + Sentry 错误追踪
• 运维自动化：健康检查、自动备份、日志清理、灾备恢复
• 质量保障：6 维度回答评估、来源追踪、自动优化闭环
• Self-Critique 扩展：意图/专家匹配/一致性/知识更新验证
• 弹性容错：熔断器、重试、超时、限流（已集成到 LLM 调用）
• 负载均衡：Nginx 负载均衡 + 自动伸缩
• CLI 工具：交互式聊天和系统管理命令行工具

v2.0 更新亮点:

• 🆕 专家市场管理后台：独立管理页面、批量上下架、定时发布
• 🆕 订阅等级锁定展示：锁定状态、升级解锁、套餐徽章
• 🆕 微信/支付宝支付集成：支付模块、回调处理、沙箱测试
• 🆕 支付API：创建订单、查询状态、关闭订单
• 🆕 支付页面UI：二维码展示、状态轮询、结果页面

v1.9 更新亮点:

• 🆕 智能专家推荐系统：类抖音推荐算法，个性化专家推荐
• 🆕 专家信任评分：多维度评估专家质量（0-100分）
• 🆕 协同过滤推荐：基于相似用户/专家的智能推荐
• 🆕 探索-利用平衡：MAB 算法确保新专家曝光机会
• 🆕 推荐解释：可解释的推荐理由
• 🆕 技术指标汇总：系统级性能、推荐系统、平台规模指标

v1.8 更新亮点:

• 多终端接入：智能手表、车载终端、Home Assistant、智能家电
• 在线学习：从用户反馈中自动优化专家匹配
• 嵌入验证：确保所有专家有嵌入向量，保证匹配质量
• 关键词过滤：自动清理噪音关键词，提升匹配准确率
• 反馈 API：/api/feedback/ 支持用户反馈驱动学习

v1.7 更新亮点:

• 知识库设计向导：领域模板、架构设计、文件清单 (/api/knowledge/wizard/ui)
• 知识缺口分析：自动检测缺失文档并给出建议
• 预置领域模板：消防安全、民事法律、医疗健康
• AI自定义架构：根据描述智能生成知识库架构

v1.6 更新亮点:

• 🆕 专家市场：浏览、搜索、筛选专家 (/ui/market)
• 🆕 账单系统：余额、交易记录、使用统计 (/ui/billing)
• 🆕 支付网关：微信/支付宝模拟支付 (/ui/payment)
• 🆕 订阅增强：Token充值、支付方式选择
• 完整买方交易流程

v1.5 更新亮点:

• 统一评估系统：知识库/专家/LLM-as-Judge 评估
• 开发者门户评估仪表板
• 收益结算自动化

v1.4 更新亮点:

• 完整用户角色系统：管理员/开发者/企业用户/普通用户
• 开发者门户：创建知识库、上传文档、发布专家、查看收益
• 多门户支持：管理后台、开发者门户、用户中心、H5移动端
• 21 个测试账号，完整测试覆盖

v1.3 更新亮点:

• 隐式反馈收集：自动分析用户对话行为
• 自动 Prompt 优化：低分维度自动生成补丁
• LLM-as-Judge：多维度响应质量评估
• 持续学习闭环：用户交互 → 反馈 → 优化 → 部署

v1.2 更新亮点:

• MIRAS 预热优化：匹配时间从 55秒 → <1秒 (提升 98%)
• HOPE 线程池执行：消除事件循环阻塞
• 并行化优化：ask_expert 响应时间降低 40%
• 超时保护：稳定响应，极低超时率

一、产品定位

MBE（米塞斯行为引擎）是一个基于**奥地利学派行为学理论（Praxeology）**的智能对话系统，专注于：

• 🎯 深度理解用户行动目的（不仅是字面意思）
• 🧠 持续学习用户偏好（越用越懂你）
• 💡 提供个性化解决方案（而非通用回答）
• 📚 专家级知识问答（基于权威知识库）

1.1 MBE vs LLM vs Agent：定位对比

1.2 MBE 的独特价值

MBE 不是 LLM，也不是 Agent，而是增强系统：

┌─────────────────────────────────────────────────────────────┐
│                    MBE 与 LLM/Agent 的协作关系                │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│   ┌───────────────────┐                                     │
│   │   外部 LLM        │  ← 负责语言生成能力                  │
│   │ (DeepSeek/GPT等) │                                     │
│   └─────────┬─────────┘                                     │
│             │                                               │
│             ▼                                               │
│   ┌───────────────────┐                                     │
│   │       MBE         │  ← 负责:                            │
│   │  米塞斯行为引擎   │    • 行为学分析框架（五步法）       │
│   │                   │    • 记忆和个性化（HOPE+TITANS）   │
│   │                   │    • 专业领域知识（PDF知识库）     │
│   │                   │    • 关系推理（统一知识图谱）🆕    │
│   │                   │    • 质量验证（Self-Critique）     │
│   │                   │    • 专家路由（MoE+图谱增强）🆕    │
│   └───────────────────┘                                     │
│                                                             │
│   类比:                                                      │
│   • 通用 LLM = 会所有知识的"全能大脑"                        │
│   • Agent = 会使用工具的"执行助手"                           │
│   • MBE = 给大脑配上专业的"决策顾问团队"                     │
│                                                             │
│   MBE 让 LLM 在特定领域更专业、更可控、更易用                │
│                                                             │
└─────────────────────────────────────────────────────────────┘

核心定位：

MBE 不追求成为 LLM，也不只是 Agent，而是让 LLM 在特定领域更专业、更可控、更易用的增强系统。

二、核心理论基础

米塞斯行为学五步框架

┌─────────────────────────────────────────────────────────────────┐
│                     MISES 行为分析序列                           │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  Step 1: Uneasiness（不舒适挖掘）                               │
│    └─ 识别表面问题 → 挖掘深层不安 → 找到根源需求                │
│                                                                 │
│  Step 2: Desires（愿望分析）                                    │
│    └─ 主观价值排序 → 手段-目的链 → 时间偏好评估                 │
│                                                                 │
│  Step 3: Paths（路径生成）                                      │
│    └─ 交换理论分析 → 机会成本评估 → 个性化方案                  │
│                                                                 │
│  Step 4: Selection（方案选择）                                  │
│    └─ 用户自主选择 → 边际效用分析 → 风险评估                    │
│                                                                 │
│  Step 5: Action（行动支持）                                     │
│    └─ 执行指导 → 反馈收集 → 持续优化                           │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

三、技术架构

3.1 核心模型栈

3.2 架构图

┌────────────────────────────────────────────────────────────────┐
│                        MBE 技术架构                             │
├────────────────────────────────────────────────────────────────┤
│                                                                │
│   ┌──────────┐     ┌──────────────────────────────────────┐   │
│   │   用户   │────▶│           MCP 协议层                 │   │
│   │   输入   │     │   (小智/API/WebSocket)               │   │
│   └──────────┘     └──────────────┬───────────────────────┘   │
│                                   │                            │
│                                   ▼                            │
│   ┌────────────────────────────────────────────────────────┐  │
│   │                    MisesEngine 核心                     │  │
│   │  ┌─────────────────────────────────────────────────┐   │  │
│   │  │  HOPE Enhanced Memory                           │   │  │
│   │  │  ├─ 短期记忆 (64 slots)                         │   │  │
│   │  │  ├─ 中期记忆 (256 slots)                        │   │  │
│   │  │  └─ 长期记忆 (512 slots)                        │   │  │
│   │  └─────────────────────────────────────────────────┘   │  │
│   │                         │                               │  │
│   │  ┌──────────┐  ┌──────────┐  ┌──────────┐             │  │
│   │  │Uneasiness│─▶│ Desires  │─▶│  Paths   │             │  │
│   │  │ Detector │  │ Analyzer │  │Generator │             │  │
│   │  └──────────┘  └──────────┘  └──────────┘             │  │
│   └────────────────────────────────────────────────────────┘  │
│                                   │                            │
│                                   ▼                            │
│   ┌────────────────────────────────────────────────────────┐  │
│   │                    知识系统                              │  │
│   │  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐    │  │
│   │  │Expert Router│  │ TitansRAG   │  │ Dynamic     │    │  │
│   │  │(专家路由)   │  │(多尺度检索) │  │ Experts     │    │  │
│   │  └──────┬──────┘  └─────────────┘  └─────────────┘    │  │
│   │         │                                               │  │
│   │         ▼                                               │  │
│   │  ┌──────────────────────────────────────────────┐      │  │
│   │  │    Unified Knowledge Graph (NetworkX)       │      │  │
│   │  │  • 跨模块关系查询                             │      │  │
│   │  │  • 互补专家发现                               │      │  │
│   │  │  • 用户偏好学习                               │      │  │
│   │  │  • 学习路径生成                               │      │  │
│   │  └──────────────────────────────────────────────┘      │  │
│   └────────────────────────────────────────────────────────┘  │
│                                                                │
└────────────────────────────────────────────────────────────────┘

四、核心能力

4.1 情感理解能力

功能: 深度分析用户情感状态，理解表面之下的真实需求

特点:

• 支持中英文等50+语言的情感识别
• 自动学习用户个人情感表达模式
• 提供个性化的情感上下文

4.2 专家知识系统

功能: 基于权威知识库的专业问答

当前专家列表 (24个动态专家):

专家路由特点:

• MIRAS 多尺度语义匹配
• 关键词 + 语义双重匹配
• HOPE 学习用户专家偏好
• 统一图谱增强路由 🆕 - 互补专家查找、用户偏好加权
• 跨语言问题自动路由

4.3 多语言支持

嵌入模型: paraphrase-multilingual-MiniLM-L12-v2

支持语言: 50+ 种语言

能力示例:

用户(英文): "How to make sourdough bread?"
系统: 自动匹配中文知识库 → 返回酸面包制作方法

用户(日文): "ストレス解消方法は？"
系统: 理解为"压力缓解方法" → 匹配相关知识

4.4 持续学习能力 (HOPE)

HOPE = Hierarchical Online Preference Enhancement

学习闭环:

用户交互 → 惊讶度检测 → 触发学习 → 更新画像 → 个性化响应

学习维度:

用户画像生成:

{
    "learning_style": "curious",  # 学习风格
    "avg_surprise": 0.922,        # 平均惊讶度
    "preferred_experts": ["bread_master", "fitness_coach"],
    "common_emotions": {"焦虑": 5, "期待": 3},
    "typical_urgency": 6.5
}

4.5 自动训练能力 (v1.3 新增) 🆕

功能: 基于用户交互自动优化系统表现，无需人工干预

自动训练架构:

┌─────────────────────────────────────────────────────────────────┐
│                      自动训练闭环                                │
├─────────────────────────────────────────────────────────────────┤
│                                                                  │
│   用户交互                                                       │
│       │                                                         │
│       ▼                                                         │
│   ┌─────────────┐    ┌─────────────┐    ┌─────────────────┐    │
│   │ 隐式反馈    │───▶│ 信号聚合    │───▶│ 自动 Prompt     │    │
│   │ 收集        │    │ 分析        │    │ 优化            │    │
│   └─────────────┘    └─────────────┘    └─────────────────┘    │
│                                                │                 │
│   采集信号:                  学习维度:          │                 │
│   • 肯定/否定词              • 同理心          │                 │
│   • 对话时长                 • 可行性          │                 │
│   • 参与度趋势               • 清晰度          ▼                 │
│   • 情绪变化                 • 相关性     ┌─────────────┐       │
│                              • 准确性     │ 部署补丁    │       │
│                                           └─────────────┘       │
└─────────────────────────────────────────────────────────────────┘

隐式反馈信号:

自动优化维度:

自动训练特点:

• 🔄 实时收集: 每轮对话自动记录反馈信号
• 📊 智能聚合: 会话结束时生成学习维度建议
• 🔧 自动优化: 低分维度自动生成 Prompt 补丁
• 💾 持久存储: 补丁版本管理，支持回滚

4.5 统一知识图谱能力 🆕 v3.1

功能: 基于 NetworkX 的统一知识图谱，实现跨模块的关系拓扑查询与智能推理

图谱节点类型:

• Expert - 专家节点
• Domain - 领域节点
• Keyword - 关键词节点
• Topic - 话题/实体节点
• User - 用户节点
• KnowledgePoint - 教育知识点节点

图谱边类型:

• COVERS - Expert → Domain（专家覆盖领域）
• BELONGS_TO - Keyword → Domain（关键词属于领域）
• RELATED_TO - Keyword ↔ Keyword（关键词关联，加权）
• EXPERT_FOR - Expert → Keyword（专家擅长关键词）
• PREFERS - User → Expert/Domain（用户偏好，加权+衰减）
• CONSULTED - User → Expert（咨询历史）
• PREREQUISITE - KnowledgePoint → KnowledgePoint（知识点前置依赖）
• IN_COURSE - KnowledgePoint → Domain（知识点属于课程）

核心能力:

系统集成:

性能指标:

相关文档:

• MBE_GRAPH_MIGRATION_GUIDE.md
• MBE_GRAPH_FEATURE_FLAGS.md

4.6 RAG 检索能力

TitansRAG 多尺度检索:

┌─────────────────────────────────────────┐
│            检索流程                      │
├─────────────────────────────────────────┤
│                                         │
│  Round 1: 粗粒度检索 (Top 20)           │
│    └─ 基础语义匹配                      │
│                                         │
│  Round 2: 精细化重排 (Top 5)            │
│    └─ TITANS 增强 + 答案位置学习        │
│                                         │
│  Round 3: 用户偏好加成                  │
│    └─ HOPE 个性化调整                   │
│                                         │
└─────────────────────────────────────────┘

检索特点:

• 多尺度：段落级 + 章节级 + 文档级
• 迭代精化：粗筛 → 精排 → 定位
• 学习增强：记忆高质量答案位置

4.7 会话管理能力

会话状态追踪:

• Redis 分布式会话存储
• 多轮对话上下文保持
• 会话阶段自动转换

会话阶段:

init → uneasiness → desires → paths → selection → action → complete

4.8 智能专家推荐系统 🆕 v1.9

功能: 类抖音推荐算法，为用户智能推荐最合适的专家

推荐架构:

┌─────────────────────────────────────────────────────────────────┐
│                    智能专家推荐系统                               │
├─────────────────────────────────────────────────────────────────┤
│                                                                 │
│  用户查询 ──► 意图分析(米塞斯) ──► 候选专家池                    │
│                                        │                        │
│                                        ▼                        │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────┐            │
│  │ 信任度评分  │  │ 协同过滤    │  │ 探索策略    │            │
│  │ (0-100分)   │  │ (相似推荐)  │  │ (MAB算法)   │            │
│  └─────────────┘  └─────────────┘  └─────────────┘            │
│         │                │                │                     │
│         └────────────────┼────────────────┘                     │
│                          ▼                                      │
│  ┌──────────────────────────────────────────────────────────┐  │
│  │              多样性重排 + 推荐解释生成                      │  │
│  └──────────────────────────────────────────────────────────┘  │
│                          │                                      │
│                          ▼                                      │
│                    个性化推荐结果                                │
│                                                                 │
└─────────────────────────────────────────────────────────────────┘

推荐维度权重:

专家信任度评估:

探索策略 (Multi-Armed Bandit):

推荐 API:

五、用户角色系统 (v1.4 新增) 🆕

5.1 角色体系

┌─────────────────────────────────────────────────────────────┐
│                    MBE 用户角色体系                          │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│  【管理员体系】Admin System                                  │
│  ┌─────────────┐ ┌─────────────┐ ┌─────────────┐           │
│  │ super_admin │ │   admin     │ │  operator   │           │
│  │  超级管理员  │ │   管理员    │ │   运营员    │           │
│  │  全部权限   │ │  用户管理   │ │  内容审核   │           │
│  └─────────────┘ └─────────────┘ └─────────────┘           │
│                                                             │
│  【开发者体系】Developer System                              │
│  ┌─────────────────────────────────────────────────────┐   │
│  │  developer (开发者)                                  │   │
│  │  • 创建知识库 • 上传文档 • 发布专家 • 获取收益       │   │
│  └─────────────────────────────────────────────────────┘   │
│                                                             │
│  【消费者体系】Consumer System                               │
│  ┌─────────────┐ ┌─────────────────────────────────────┐   │
│  │ enterprise  │ │            user                     │   │
│  │  企业用户   │ │          普通用户                    │   │
│  │  批量API    │ │  使用专家 • 订阅服务                │   │
│  └─────────────┘ └─────────────────────────────────────┘   │
│                                                             │
└─────────────────────────────────────────────────────────────┘

5.2 门户系统

5.3 开发者能力

开发者可以：

• 📚 创建私有知识库
• 📄 上传文档（PDF/TXT/MD）
• 🤖 发布 AI 专家到市场
• 💰 获取调用收益（开发者 70%）
• 🔑 管理 API Key
• 📊 查看调用统计

5.4 测试覆盖

• 21 个预置测试账号
• 覆盖所有角色类型
• 自动化测试脚本：scripts/test_all_roles.py
• 18 项 API 测试全部通过

5.5 买方交易系统 🆕 v1.6

完整买方交易流程:

┌─────────────────────────────────────────────────────────────┐
│                    买方交易流程                              │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│   浏览市场 → 搜索专家 → 查看详情 → 立即使用                  │
│       │         │          │          │                    │
│       ▼         ▼          ▼          ▼                    │
│   /ui/market  关键词/分类  评分/价格  余额检查               │
│                                          │                 │
│                                     ┌────┴────┐            │
│                                     │余额不足？│            │
│                                     └────┬────┘            │
│                                    是    │    否           │
│                               ┌──────────┼──────────┐      │
│                               ▼                     ▼      │
│                          充值页面              对话页面     │
│                         /ui/billing           /ui/chat     │
│                               │                            │
│                               ▼                            │
│                          支付页面                          │
│                         /ui/payment                        │
│                               │                            │
│                               ▼                            │
│                       微信/支付宝模拟                       │
│                                                            │
└─────────────────────────────────────────────────────────────┘

专家市场功能:

账单系统功能:

支付方式:

5.6 支付系统 🆕 v2.0

支付模块架构:

用户界面 ─→ 支付API ─→ 微信/支付宝SDK ─→ 回调处理 ─→ 订阅更新
   │           │              │                │            │
   ▼           ▼              ▼                ▼            ▼
订阅套餐   /api/payment    wechat_pay      /webhook/*    订阅生效
支付页面      /create      alipay_pay       回调验证

支持的支付方式:

支付API:

5.7 专家市场管理 🆕 v2.0

管理后台功能 (/admin/market):

前端锁定展示:

六、API 接口

6.1 MCP 协议接口

工具列表:

6.2 REST API

6.3 多终端接入 API (v1.8 新增) 🆕

MBE 支持多种终端设备接入，为不同场景提供 AI 能力：

终端架构图:

                    ┌─────────────┐
                    │     MBE     │
                    │  AI 能力    │
                    └──────┬──────┘
                           │
    ┌──────────┬──────────┬┴─────────┬──────────┬──────────┐
    │          │          │          │          │          │
智能音箱    车载终端    智能手表   Home Assist  智能家电   ESP32
小爱/小度    Android    WearOS      语音/自动化  冰箱/洗衣机  DIY

智能家电支持:

6.4 在线学习 API (v1.8 新增) 🆕

通过用户反馈自动优化专家匹配：

学习机制:

用户查询 → 专家匹配 → 生成回答 → 用户反馈
                ↑                      ↓
                ←──── 自动学习 ←───────┘

七、部署架构

Docker 服务

services:
  mbe-api:        # 主 API 服务 (GPU)
  mbe-mcp-client: # MCP 客户端
  redis:          # 会话存储

硬件要求

七、性能指标

系统级指标汇总 🆕 v1.9

核心性能

推荐系统

平台规模

与竞品对比

响应时间详情 (v1.8 最新)

各终端超时配置 (v1.8 实际值)

响应模式说明 (v1.8 新增)

并行化优化

超时保护机制

学习效率

专家模型在各终端的调用性能 (v1.8 新增) 🆕

终端超时配置

各专家响应时间基准

测试环境：RTX 3080, 32GB RAM, DeepSeek-V3 API

ultra_fast 模式：跳过 LLM 推理，直接返回 RAG 检索到的知识片段，适用于严格时延场景

各终端实测性能

响应模式说明

┌──────────────────────────────────────────────────────────────────┐
│                        响应模式对比                               │
├──────────────────────────────────────────────────────────────────┤
│                                                                  │
│  ultra_fast (0.1-0.4s)                                          │
│    ├─ 专家匹配: MIRAS 快速路由 (~50ms)                           │
│    ├─ 知识检索: RAG Top-1 (~100ms)                              │
│    └─ 响应生成: 直接返回知识片段，跳过 LLM                        │
│                                                                  │
│  fast_mode (1-3s)                                               │
│    ├─ 专家匹配: MIRAS 完整匹配 (~100ms)                          │
│    ├─ 知识检索: RAG Top-3 (~200ms)                              │
│    └─ 响应生成: LLM 简短生成 (~1.5s)                             │
│                                                                  │
│  standard (3-8s)                                                │
│    ├─ 专家匹配: MIRAS + 验证 (~150ms)                           │
│    ├─ 知识检索: RAG Top-5 + Rerank (~400ms)                     │
│    └─ 响应生成: LLM 完整生成 (~2.5s)                             │
│                                                                  │
│  full (8-30s)                                                   │
│    ├─ 行为分析: MISES 五步框架 (~2s)                             │
│    ├─ 专家匹配: MIRAS + TITANS 记忆 (~300ms)                    │
│    ├─ 知识检索: RAG Top-10 + Rerank (~600ms)                    │
│    └─ 响应生成: LLM 深度生成 + 多轮推理 (~5s)                    │
│                                                                  │
└──────────────────────────────────────────────────────────────────┘

性能优化建议

八、安全与隐私

• 🔒 会话数据加密存储
• 🔒 用户画像本地化（不上传云端）
• 🔒 敏感信息自动脱敏
• 🔒 API 访问鉴权

九、知识库设计向导 🆕 v1.7

9.1 功能概述

知识库设计向导帮助开发者快速构建专业的知识库，提供：

• 领域模板选择
• AI自动架构设计
• 文件清单生成
• 知识缺口分析

9.2 预置领域模板

9.3 知识架构层级示例（消防安全）

┌─────────────────────────────────────────────────────────────┐
│                   消防知识库架构                              │
├─────────────────────────────────────────────────────────────┤
│                                                              │
│  📜 法规层 (25%)                                             │
│     ├── 《消防法》 [必需]                                    │
│     ├── 《61号令》 [必需]                                    │
│     └── 《消防监督检查规定》 [推荐]                          │
│                                                              │
│  📐 技术标准层 (35%)                                         │
│     ├── GB 50016 建筑防火 [必需]                             │
│     ├── GB 50140 灭火器配置 [必需]                           │
│     ├── GB 50974 消防给水 [必需]                             │
│     ├── GB 50084 自动喷水 [必需]                             │
│     └── GB 50116 火灾报警 [必需]                             │
│                                                              │
│  📚 实务操作层 (25%)                                         │
│     ├── 消防工程师教材 [必需]                                │
│     ├── 操作员培训资料 [推荐]                                │
│     └── 设施操作规程 [推荐]                                  │
│                                                              │
│  📊 案例分析层 (15%)                                         │
│     ├── 火灾案例分析 [推荐]                                  │
│     └── 验收案例 [可选]                                      │
│                                                              │
└─────────────────────────────────────────────────────────────┘

9.4 缺口分析功能

┌─────────────────────────────────────────────────────────────┐
│                   知识缺口分析结果                            │
├─────────────────────────────────────────────────────────────┤
│                                                              │
│  覆盖率: ████████░░ 80%    已准备: 11/14    质量分: 85       │
│                                                              │
│  🔴 缺失的必需文档 (1):                                      │
│     • GB 51251《建筑防烟排烟系统技术标准》                   │
│                                                              │
│  🟡 缺失的推荐文档 (2):                                      │
│     • 消防设施操作员培训教材                                 │
│     • 典型火灾案例分析                                       │
│                                                              │
│  💡 改进建议:                                                │
│     • 🔴 缺少 1 个必需文档，建议优先补充                     │
│     • 🟡 缺少 2 个推荐文档，建议补充以提升质量               │
│     • ⚠️ 知识库覆盖率良好，可以发布专家                      │
│                                                              │
└─────────────────────────────────────────────────────────────┘

9.5 API 接口

9.6 访问入口与认证 (v1.7.1 更新)

• 向导UI: /admin/knowledge/wizard/ui (需要开发者登录)
• 开发者注册: /developer/register
• 开发者登录: /developer/login

认证流程:

访问向导 → 未登录自动跳转登录页 → 登录成功 → 返回向导
                                      ↓
                        创建的知识库归属于该开发者

功能特点:

• 开发者登录后，页面顶部显示开发者信息
• 创建的知识库自动关联开发者ID
• 开发者可以后续将知识库发布为商业模型

十、系统稳定性与监控 (v2.2 新增)

10.1 监控体系

监控指标示例：

• mbe_http_requests_total - HTTP 请求总数
• mbe_llm_calls_total - LLM 调用次数
• mbe_llm_tokens_total - Token 使用量
• mbe_db_queries_total - 数据库查询次数

10.2 弹性容错

LLM 调用已集成弹性机制，自动处理 API 失败和超时。

10.3 运维自动化

10.4 灾备功能

# 创建完整备份
python scripts/disaster_recovery.py backup

# 恢复备份
python scripts/disaster_recovery.py restore 20260131_070000

备份内容：PostgreSQL、Redis、知识库、配置文件

10.5 负载均衡

                    ┌────────────────┐
                    │     Nginx      │
                    └───────┬────────┘
           ┌────────────────┼────────────────┐
    ┌──────▼──────┐  ┌──────▼──────┐  ┌──────▼──────┐
    │  mbe-api-1  │  │  mbe-api-2  │  │  mbe-api-3  │
    └─────────────┘  └─────────────┘  └─────────────┘

支持自动伸缩：python scripts/auto_scaler.py

十一、质量保障系统 (v2.2 新增)

11.1 回答质量评估

11.2 Self-Critique 15 模块完整清单

11.3 智能路由 (SmartRouter)

根据查询复杂度、用户层级、预算约束和延迟要求，自动选择最优 LLM 模型。

实现：src/core/smart_router.py

11.4 SCST 训练框架

Self-Critical Sequence Training：以 Self-Critique 评分作为奖励信号，驱动专家持续自进化。

实现：src/training/scst_trainer.py、src/training/scst_score.py

11.5 行为审计引擎

自动化行为审计框架，持续监控专家回答质量。

实现：src/audit/engine.py、src/audit/models.py

11.6 MBE-Bench 标准化评估

6 维度 Benchmark 自动化评估框架。

实现：src/benchmark/suite.py

11.7 质量闭环

用户请求 → 生成回答 → 质量评估 → 低分自动优化 → 返回优化后回答
                          ↓
                    用户反馈收集 → Hope 在线学习 → 持续改进
                          ↓
                    回归用例积累 → SCST 训练 → 专家自进化

十二、未来规划

1. 多模态支持 - 图像、语音输入理解
2. 联邦学习 - 跨设备隐私保护学习
3. 主动对话 - 基于用户状态主动关怀
4. 专家扩展 - 支持用户自建专家 ✅ v1.7 已实现
5. Multi-Agent 协作 ✅ v3.1 已实现（AgentOrchestrator）
6. 工具调用框架 ✅ v3.1 已实现（MCP 协议 + 7 内置工具）
7. SCST 自进化训练 ✅ v3.1 已实现（SCSTrainer + 14 维评分）
8. 因果推理引擎 ✅ v3.1 已实现（图谱 CAUSES/MITIGATES 边）

十二、系统完成度 (v3.0 新增)

12.1 业务流程完成度

12.2 管理功能完成度

十三、总结

MBE 是一个懂人的AI系统：

13.1 与 LLM/Agent 的核心差异

核心优势:

• ✅ 基于行为学理论的深度理解
• ✅ TITANS+MIRAS+HOPE+Unified Graph 四层增强 🆕
• ✅ 统一知识图谱，跨模块关系查询与智能推理 🆕
• ✅ 智能专家推荐系统（类抖音算法）
• ✅ 50+语言跨语言理解
• ✅ 24个专家知识覆盖（含35万+法律案例）
• ✅ 越用越懂你的持续学习
• ✅ 7种终端设备接入（小智/天猫精灵/小度等）
• ✅ 完整的工单和通知系统
• ✅ 开发者收益结算体系
• ✅ CLI 工具增强（47模块/330+子命令）🆕

一句话定位：

MBE = 让 LLM 在特定领域更专业、更可控、更易用的增强系统

🌐 外网访问（Cloudflare 已配置 ✅）

所有服务已通过 Cloudflare Tunnel 配置公网访问，支持 HTTPS 和 CDN 加速：

统一知识图谱功能已集成到公网 API 服务中，可通过以下方式使用：

• ✅ 专家路由自动使用图谱增强（互补专家查找、用户偏好加权）
• ✅ 学习路径生成自动使用图谱拓扑排序
• ✅ 实体追踪自动同步到图谱
• ✅ 所有图谱功能支持通过公网 API 访问

验证外网访问：

# 检查 API 健康状态
curl https://mbe.hi-maker.com/api/health

# 检查统一知识图谱状态（需要认证）
curl -H "Authorization: Bearer YOUR_API_KEY" \
     https://mbe.hi-maker.com/api/graph/status

MBE - 理解行动背后的目的，提供真正有价值的帮助

文档版本: v3.1
最后更新: 2026-02-09
v3.1: 统一知识图谱 - NetworkX 图谱引擎、跨模块关系查询、学习路径生成
v3.0: 完整业务流程 - 工单系统、通知中心、结算审核、7种终端设备
v2.2: 监控与质量 - Prometheus、Jaeger、Sentry、弹性容错
v2.0: 支付集成 - 微信/支付宝支付、专家市场管理后台
v1.9: 智能专家推荐系统 - 协同过滤、信任评分、MAB探索
v1.8: 多终端接入 - 智能手表、车载终端、Home Assistant
v1.7: 知识库设计向导 - 领域模板、架构设计、缺口分析
v1.6: 买方交易流程 - 专家市场、账单系统、模拟支付
v1.5: 用户角色系统 - 管理员/开发者/企业用户/普通用户