PolicyAgents

基于 LangGraph、LangChain 和可选 MCP 工具的政策文本分析原型。 输入政策文本，分别生成意图与要点、政策空缺、积极影响、消极影响与风险四部分报告。

项目面向公开政策的研究、信息整理和多 Agent 开发演示，当前没有在线体验站。 对外介绍与入驻字段见 项目说明。

能力

• Streamlit 界面：粘贴文本或上传 UTF-8 TXT/Markdown，选择模型，查看实际运行阶段和日志。
• 三个分析 Agent 并发执行，汇总为固定结构的 Markdown 报告。
• 支持 OpenAI 兼容接口及 Anthropic 接口。DeepSeek 等兼容服务使用 provider: openai，配合自己的模型名、密钥和地址。
• 按需加载 stdio 或 Streamable HTTP MCP 服务；默认不启用工具。
• 导出 Markdown、PDF；运行记录单独保存为 JSON，不混入报告正文。
• CLI 与网页共用分析函数。网页历史保留当前会话最近 10 条，不是持久化账户历史。

快速开始

本轮使用 Python 3.13 验证。建议使用独立虚拟环境。

git clone https://github.com/guangxiangdebizi/PolicyAgents.git
cd PolicyAgents
python -m venv .venv
# Windows PowerShell: .venv\Scripts\Activate.ps1
# macOS / Linux: source .venv/bin/activate
python -m pip install -r requirements.txt

复制 .env.example 为 .env，填写需要使用的 API 密钥。 PowerShell 使用 Copy-Item .env.example .env，macOS/Linux 使用 cp .env.example .env。 示例默认选择 DeepSeek Chat；可更改 DEFAULT_MODEL 和 MODEL_CONFIG。 模型是否可用取决于实际服务与账户权限，示例不保证服务长期提供该模型。

python run_app.py

启动脚本仅监听 localhost:8501。本项目没有多用户身份认证，不应直接作为公网服务开放。

命令行

python main.py --policy_file policy.txt --model deepseek_chat --output report.md
python main.py --policy_text "待分析的公开政策文本" --no-pdf

两个输入参数二选一。可用 --run-dir 指定运行目录、--mcp-config 指定 MCP 配置， 或用 --no-pdf 跳过 PDF。成功退出码为 0，分析或主报告写入失败为非零。 PDF 导出失败时保留 Markdown，并返回明确警告。

模型配置

程序读取 MODEL_CONFIG，不是 AVAILABLE_MODELS。 它是以模型 ID 为键的 JSON 对象，支持示例中的多行格式。

字段	含义
display_name	界面显示名称
provider	API 适配器：openai 或 anthropic
model_name	服务端模型名称
api_key_env	存放密钥的环境变量名称
base_url_env	存放服务地址的环境变量名称
max_tokens	单次模型输出预算，程序最多使用 4000
supports_tools	是否允许该配置与 MCP 工具一起使用

已存在的环境变量优先于 .env。生成温度为 0.1。 输出 token 上限不等于输入上下文长度，程序不会按 4000 tokens 截断政策输入； 超出模型上下文窗口的文本仍需由使用者分段处理。 兼容服务需实现聊天接口，使用 MCP 时还需支持工具调用。代码不捆绑或运行本地模型权重。

MCP 配置

mcp.json 缺失或为 {} 时不加载工具。无效 JSON 会明确报错，不会静默降级。 同时接受服务映射，以及外层包裹 {"mcpServers": {...}} 的格式：

{
  "filesystem": {
    "transport": "stdio",
    "command": "npx",
    "args": ["-y", "@modelcontextprotocol/server-filesystem", "/path/to/allowed/files"]
  }
}

HTTP 服务使用 {"transport": "streamable_http", "url": "http://localhost:8000/mcp/"}。 MCP 配置是可信启动配置：stdio 服务会启动本机进程，工具具有所配置的访问权限。 只接入自己审查过的服务，并限制可访问的目录。

工作流与产物

flowchart TD
    A[政策文本] --> B[意图与要点归纳]
    B --> C[三向并发分析]
    C --> D[政策空缺]
    C --> E[积极影响]
    C --> F[消极影响与风险]
    D --> G[固定结构报告]
    E --> G
    F --> G
    G --> H[Markdown / PDF]

LangGraph 有 intent、analysis、report 三个业务节点。 分析节点通过 asyncio.gather 调度三个 LangChain Agent；报告节点拼接结果，不额外调用模型。 新运行默认写入独立的 runs/<时间>_<随机标识>/：

• report.md、report.pdf：供阅读和下载的报告。
• session_*.json：输入、输入哈希、模型配置摘要、阶段、Agent 结果和错误信息。
• run.log：网页入口保存的运行日志。

JSON 记录阶段和最终输出，不提供模型隐藏推理，也不宣称记录了每次 MCP 调用。 失败运行保留失败状态；并发分支失败时取消其余未完成分支。 新产物、虚拟环境和密钥默认被 Git 忽略，已提交的历史示例保持原样。

验证范围

仓库保留一次 2025-08-22 的历史运行： 输入为《关于明确快递服务等增值税政策的公告》示例文本，使用 deepseek-chat 的 OpenAI 兼容接口，MCP 工具数量为 0；留有四部分报告、PDF 和 JSON。 这证明一次功能链路演示，不是当前版本的模型效果评测。 参见 历史运行目录。

历史输出中的统计数字、引用和政策判断未经逐项核验，不应直接作为事实引用。 当前没有标准化评测集、人工评分或第三方效果评测，不能据此报告准确率、效率提升比例或稳定耗时。

python -m pip install -r requirements-dev.txt
python -m pytest

离线测试使用模拟模型或本机 API 桩，覆盖配置、CLI、并发流程、失败处理和报告导出， 不调用付费模型，不评估政策解读质量，也不证明所有模型或 MCP 服务都兼容。 复现本轮依赖可改用 python -m pip install -r requirements-dev.lock；锁文件也用于 CI。

数据处理与使用边界

• 界面、报告和运行记录保存在运行应用的电脑上。
• 政策文本会发送至用户配置的模型 API；MCP 工具还可能访问其他服务。
• 运行记录含原始输入与模型输出，分享前检查内容，不要提交密钥或非公开业务数据。
• 当前不具备用户权限隔离、合规认证或政策结论自动核验能力。
• 提示词要求区分事实与推测、不得编造来源，但不能保证模型不会产生错误。
• 使用公开且有权处理的资料；正式政策、法律或合规判断需人工核对原文和依据。

信息安全合规等级：未评定，暂无可提供的等保测评或安全认证材料。 行业标准符合性：未开展专项验证，不宣称符合某一特定行业标准。 这不表示部署时没有适用要求，应按实际数据、业务和部署场景另行评估。

许可证

MIT，见 LICENSE。第三方依赖和模型服务适用各自的许可与条款。