BettaFish Logo 666ghj%2FBettaFish | Trendshift 666ghj%2FBettaFish | Trendshift  666ghj%2FBettaFish | Trendshift  666ghj%2FBettaFish | Trendshift 666ghj%2FBettaFish | Trendshift [![GitHub Stars](https://img.shields.io/github/stars/666ghj/BettaFish?style=flat-square)](https://github.com/666ghj/BettaFish/stargazers) [![GitHub Watchers](https://img.shields.io/github/watchers/666ghj/BettaFish?style=flat-square)](https://github.com/666ghj/BettaFish/watchers) [![GitHub Forks](https://img.shields.io/github/forks/666ghj/BettaFish?style=flat-square)](https://github.com/666ghj/BettaFish/network) [![GitHub Issues](https://img.shields.io/github/issues/666ghj/BettaFish?style=flat-square)](https://github.com/666ghj/BettaFish/issues) [![GitHub Pull Requests](https://img.shields.io/github/issues-pr/666ghj/BettaFish?style=flat-square)](https://github.com/666ghj/BettaFish/pulls) [![GitHub License](https://img.shields.io/github/license/666ghj/BettaFish?style=flat-square)](https://github.com/666ghj/BettaFish/blob/main/LICENSE) [![Version](https://img.shields.io/badge/version-v1.2.1-green.svg?style=flat-square)](https://github.com/666ghj/BettaFish) [![Docker](https://img.shields.io/badge/Docker-Build-2496ED?style=flat-square&logo=docker&logoColor=white)](https://hub.docker.com/) [English](./README-EN.md) | [中文文档](./README.md)
## ⚡ 项目概述 “**微舆**” 是一个从0实现的创新型 多智能体 舆情分析系统，帮助大家破除信息茧房，还原舆情原貌，预测未来走向，辅助决策。用户只需像聊天一样提出分析需求，智能体开始全自动分析 国内外30+主流社媒 与 数百万条大众评论。 > “微舆”谐音“微鱼”，BettaFish是一种体型很小但非常好斗、漂亮的鱼，它象征着“小而强大，不畏挑战” 查看系统以“武汉大学舆情”为例，生成的研究报告：[武汉大学品牌声誉深度分析报告](./final_reports/final_report__20250827_131630.html) 查看系统以“武汉大学舆情”为例，一次完整运行的视频：[视频-武汉大学品牌声誉深度分析报告](https://www.bilibili.com/video/BV1TH1WBxEWN/?vd_source=da3512187e242ce17dceee4c537ec7a6#reply279744466833) 不仅仅体现在报告质量上，相比同类产品，我们拥有🚀六大优势： 1. **AI驱动的全域监控**：AI爬虫集群7x24小时不间断作业，全面覆盖微博、小红书、抖音、快手等10+国内外关键社媒。不仅实时捕获热点内容，更能下钻至海量用户评论，让您听到最真实、最广泛的大众声音。 2. **超越LLM的复合分析引擎**：我们不仅依赖设计的5类专业Agent，更融合了微调模型、统计模型等中间件。通过多模型协同工作，确保了分析结果的深度、准度与多维视角。 3. **强大的多模态能力**：突破图文限制，能深度解析抖音、快手等短视频内容，并精准提取现代搜索引擎中的天气、日历、股票等结构化多模态信息卡片，让您全面掌握舆情动态。 4. **Agent“论坛”协作机制**：为不同Agent赋予独特的工具集与思维模式，引入辩论主持人模型，通过“论坛”机制进行链式思维碰撞与辩论。这不仅避免了单一模型的思维局限与交流导致的同质化，更催生出更高质量的集体智能与决策支持。 5. **公私域数据无缝融合**：平台不仅分析公开舆情，还提供高安全性的接口，支持您将内部业务数据库与舆情数据无缝集成。打通数据壁垒，为垂直业务提供“外部趋势+内部洞察”的强大分析能力。 6. **轻量化与高扩展性框架**：基于纯Python模块化设计，实现轻量化、一键式部署。代码结构清晰，开发者可轻松集成自定义模型与业务逻辑，实现平台的快速扩展与深度定制。 **始于舆情，而不止于舆情**。“微舆”的目标，是成为驱动一切业务场景的简洁通用的数据分析引擎。 > 举个例子. 你只需简单修改Agent工具集的api参数与prompt，就可以把他变成一个金融领域的市场分析系统 > > 附一个比较活跃的L站项目讨论帖：https://linux.do/t/topic/1009280 > > 查看L站佬友做的测评 [开源项目(微舆)与manus|minimax|ChatGPT对比](https://linux.do/t/topic/1148040)
banner 告别传统的数据看板，在“微舆”，一切由一个简单的问题开始，您只需像对话一样，提出您的分析需求
## 🪄 赞助商 LLM模型API赞助：666ghj%2FBettaFish | Trendshift
有赞助LLM算力福利！编程拼车codecodex.ai；编程算力VibeCodingAPI.ai：666ghj%2FBettaFish | Trendshift 1. 所罗门博客LionCC.ai已更新《BettaFish 微舆系统 - LionCC API 部署配置完全指南》正在二开优化一键部署和云服务器调用方案。 2. VibeCodingapi.ai狮子算力平台已经适配《BettaFish 微舆系统》所有LLM模型含claude code和openai codex和gemini cli编程开发三巨头算力。额度价格，只要一比一（100元等于100美刀额度） 3. Codecodex.ai狮子编程拼车系统，已实现无IP门槛绕过claude code和openai codex封锁，按官方部署教程后切换BASE_URL调用地址和Token key调用密钥即可使用最强编程模型。 所罗门LionCC赞助BettaFish 微舆福利：打开codecodex.ai狮子编程频道扫码加入微信社群，注册VibeCodingapi.ai狮子算力，统一送20刀API额度（仅限前一千名）
按用量付费的企业级AI资源平台，提供市场上全面的AI模型和API，以及多种在线AI应用：666ghj%2FBettaFish | Trendshift banner302.AI是一个按用量付费的企业级AI资源平台，提供市场上最新、最全面的AI模型和API，以及多种开箱即用的在线AI应用。
AI联网搜索、文件解析及网页内容抓取等智能体核心能力提供商：666ghj%2FBettaFish | Trendshift 安思派开放平台(Anspire Open)是面向智能体时代的领先的基础设施提供商。我们为开发者提供构建强大智能体所需的核心能力栈，现已上线AI联网搜索【多版本，极具竞争力的价格】、文件解析【限免】及网页内容抓取【限免】、云端浏览器自动化（Anspire Browser Agent）【内测】、多轮改写等服务，持续为智能体连接并操作复杂的数字世界提供坚实基础。可无缝集成至Dify、Coze、元器等主流智能体平台。通过透明点数计费体系与模块化设计，为企业提供高效、低成本的定制化支持，加速智能化升级进程。
## 🏗️ 系统架构 ### 整体架构图 **Insight Agent** 私有数据库挖掘：私有舆情数据库深度分析AI代理 **Media Agent** 多模态内容分析：具备强大多模态能力的AI代理 **Query Agent** 精准信息搜索：具备国内外网页搜索能力的AI代理 **Report Agent** 智能报告生成：内置模板的多轮报告生成AI代理
banner
### 一次完整分析流程 | 步骤 | 阶段名称 | 主要操作 | 参与组件 | 循环特性 | |------|----------|----------|----------|----------| | 1 | 用户提问 | Flask主应用接收查询 | Flask主应用 | - | | 2 | 并行启动 | 三个Agent同时开始工作 | Query Agent、Media Agent、Insight Agent | - | | 3 | 初步分析 | 各Agent使用专属工具进行概览搜索 | 各Agent + 专属工具集 | - | | 4 | 策略制定 | 基于初步结果制定分块研究策略 | 各Agent内部决策模块 | - | | 5-N | **循环阶段** | **论坛协作 + 深度研究** | **ForumEngine + 所有Agent** | **多轮循环** | | 5.1 | 深度研究 | 各Agent基于论坛主持人引导进行专项搜索 | 各Agent + 反思机制 + 论坛引导 | 每轮循环 | | 5.2 | 论坛协作 | ForumEngine监控Agent发言并生成主持人引导 | ForumEngine + LLM主持人 | 每轮循环 | | 5.3 | 交流融合 | 各Agent根据讨论调整研究方向 | 各Agent + forum_reader工具 | 每轮循环 | | N+1 | 结果整合 | Report Agent收集所有分析结果和论坛内容 | Report Agent | - | | N+2 | IR中间表示 | 动态选择模板和样式，多轮生成元数据，装订为IR中间表示 | Report Agent + 模板引擎 | - | | N+3 | 报告生成 | 分块进行质量检测，基于IR渲染成交互式 HTML 报告 | Report Agent + 装订引擎 | - | ### 项目代码结构树 ``` BettaFish/ ├── QueryEngine/ # 国内外新闻广度搜索Agent │ ├── agent.py # Agent主逻辑，协调搜索与分析流程 │ ├── llms/ # LLM接口封装 │ ├── nodes/ # 处理节点：搜索、格式化、总结等 │ ├── tools/ # 国内外新闻搜索工具集 │ ├── utils/ # 工具函数 │ ├── state/ # 状态管理 │ ├── prompts/ # 提示词模板 │ └── ... ├── MediaEngine/ # 强大的多模态理解Agent │ ├── agent.py # Agent主逻辑，处理视频/图片等多模态内容 │ ├── llms/ # LLM接口封装 │ ├── nodes/ # 处理节点：搜索、格式化、总结等 │ ├── tools/ # 多模态搜索工具集 │ ├── utils/ # 工具函数 │ ├── state/ # 状态管理 │ ├── prompts/ # 提示词模板 │ └── ... ├── InsightEngine/ # 私有数据库挖掘Agent │ ├── agent.py # Agent主逻辑，协调数据库查询与分析 │ ├── llms/ # LLM接口封装 │ │ └── base.py # 统一的OpenAI兼容客户端 │ ├── nodes/ # 处理节点：搜索、格式化、总结等 │ │ ├── base_node.py # 基础节点类 │ │ ├── search_node.py # 搜索节点 │ │ ├── formatting_node.py # 格式化节点 │ │ ├── report_structure_node.py # 报告结构节点 │ │ └── summary_node.py # 总结节点 │ ├── tools/ # 数据库查询和分析工具集 │ │ ├── keyword_optimizer.py # Qwen关键词优化中间件 │ │ ├── search.py # 数据库操作工具集（话题搜索、评论获取等） │ │ └── sentiment_analyzer.py # 情感分析集成工具 │ ├── utils/ # 工具函数 │ │ ├── config.py # 配置管理 │ │ ├── db.py # SQLAlchemy异步引擎与只读查询封装 │ │ └── text_processing.py # 文本处理工具 │ ├── state/ # 状态管理 │ │ └── state.py # Agent状态定义 │ ├── prompts/ # 提示词模板 │ │ └── prompts.py # 各类提示词 │ └── __init__.py ├── ReportEngine/ # 多轮报告生成Agent │ ├── agent.py # 总调度器：模板选择→布局→篇幅→章节→渲染 │ ├── flask_interface.py # Flask/SSE入口，管理任务排队与流式事件 │ ├── llms/ # OpenAI兼容LLM封装 │ │ └── base.py # 统一的流式/重试客户端 │ ├── core/ # 核心功能：模板解析、章节存储、文档装订 │ │ ├── template_parser.py # Markdown模板切片与slug生成 │ │ ├── chapter_storage.py # 章节run目录、manifest与raw流写入 │ │ └── stitcher.py # Document IR装订器，补齐锚点/元数据 │ ├── ir/ # 报告中间表示（IR）契约与校验 │ │ ├── schema.py # 块/标记Schema常量定义 │ │ └── validator.py # 章节JSON结构校验器 │ ├── nodes/ # 全流程推理节点 │ │ ├── base_node.py # 节点基类+日志/状态钩子 │ │ ├── template_selection_node.py # 模板候选收集与LLM筛选 │ │ ├── document_layout_node.py # 标题/目录/主题设计 │ │ ├── word_budget_node.py # 篇幅规划与章节指令生成 │ │ └── chapter_generation_node.py # 章节级JSON生成+校验 │ ├── prompts/ # 提示词库与Schema说明 │ │ └── prompts.py # 模板选择/布局/篇幅/章节提示词 │ ├── renderers/ # IR渲染器 │ │ ├── html_renderer.py # Document IR→交互式HTML │ │ ├── pdf_renderer.py # HTML→PDF导出（WeasyPrint） │ │ ├── pdf_layout_optimizer.py # PDF布局优化器 │ │ └── chart_to_svg.py # 图表转SVG工具 │ ├── state/ # 任务/元数据状态模型 │ │ └── state.py # ReportState与序列化工具 │ ├── utils/ # 配置与辅助工具 │ │ ├── config.py # Pydantic Settings与打印助手 │ │ ├── dependency_check.py # 依赖检查工具 │ │ ├── json_parser.py # JSON解析工具 │ │ ├── chart_validator.py # 图表校验工具 │ │ └── chart_repair_api.py # 图表修复API │ ├── report_template/ # Markdown模板库 │ │ ├── 企业品牌声誉分析报告.md │ │ └── ... │ └── __init__.py ├── ForumEngine/ # 论坛引擎：Agent协作机制 │ ├── monitor.py # 日志监控和论坛管理核心 │ ├── llm_host.py # 论坛主持人LLM模块 │ └── __init__.py ├── MindSpider/ # 社交媒体爬虫系统 │ ├── main.py # 爬虫主程序入口 │ ├── config.py # 爬虫配置文件 │ ├── BroadTopicExtraction/ # 话题提取模块 │ │ ├── main.py # 话题提取主程序 │ │ ├── database_manager.py # 数据库管理器 │ │ ├── get_today_news.py # 今日新闻获取 │ │ └── topic_extractor.py # 话题提取器 │ ├── DeepSentimentCrawling/ # 深度舆情爬取模块 │ │ ├── main.py # 深度爬取主程序 │ │ ├── keyword_manager.py # 关键词管理器 │ │ ├── platform_crawler.py # 平台爬虫管理 │ │ └── MediaCrawler/ # 社媒爬虫核心 │ │ ├── main.py │ │ ├── config/ # 各平台配置 │ │ ├── media_platform/ # 各平台爬虫实现 │ │ └── ... │ └── schema/ # 数据库结构定义 │ ├── db_manager.py # 数据库管理器 │ ├── init_database.py # 数据库初始化脚本 │ ├── mindspider_tables.sql # 数据库表结构SQL │ ├── models_bigdata.py # 大规模媒体舆情表的SQLAlchemy映射 │ └── models_sa.py # DailyTopic/Task等扩展表ORM模型 ├── SentimentAnalysisModel/ # 情感分析模型集合 │ ├── WeiboSentiment_Finetuned/ # 微调BERT/GPT-2模型 │ │ ├── BertChinese-Lora/ # BERT中文LoRA微调 │ │ │ ├── train.py │ │ │ ├── predict.py │ │ │ └── ... │ │ └── GPT2-Lora/ # GPT-2 LoRA微调 │ │ ├── train.py │ │ ├── predict.py │ │ └── ... │ ├── WeiboMultilingualSentiment/ # 多语言情感分析 │ │ ├── train.py │ │ ├── predict.py │ │ └── ... │ ├── WeiboSentiment_SmallQwen/ # 小参数Qwen3微调 │ │ ├── train.py │ │ ├── predict_universal.py │ │ └── ... │ └── WeiboSentiment_MachineLearning/ # 传统机器学习方法 │ ├── train.py │ ├── predict.py │ └── ... ├── SingleEngineApp/ # 单独Agent的Streamlit应用 │ ├── query_engine_streamlit_app.py # QueryEngine独立应用 │ ├── media_engine_streamlit_app.py # MediaEngine独立应用 │ └── insight_engine_streamlit_app.py # InsightEngine独立应用 ├── query_engine_streamlit_reports/ # QueryEngine单应用运行输出 ├── media_engine_streamlit_reports/ # MediaEngine单应用运行输出 ├── insight_engine_streamlit_reports/ # InsightEngine单应用运行输出 ├── templates/ # Flask前端模板 │ └── index.html # 主界面HTML ├── static/ # 静态资源 │ └── image/ # 图片资源 │ ├── logo_compressed.png │ ├── framework.png │ └── ... ├── logs/ # 运行日志目录 ├── final_reports/ # 最终生成的报告文件 │ ├── ir/ # 报告IR JSON文件 │ └── *.html # 最终HTML报告 ├── utils/ # 通用工具函数 │ ├── forum_reader.py # Agent间论坛通信工具 │ ├── github_issues.py # 统一生成GitHub Issue链接与错误提示 │ └── retry_helper.py # 网络请求重试机制工具 ├── tests/ # 单元测试与集成测试 │ ├── run_tests.py # pytest入口脚本 │ ├── test_monitor.py # ForumEngine监控单元测试 │ ├── test_report_engine_sanitization.py # ReportEngine安全性测试 │ └── ... ├── app.py # Flask主应用入口 ├── config.py # 全局配置文件 ├── .env.example # 环境变量示例文件 ├── docker-compose.yml # Docker多服务编排配置 ├── Dockerfile # Docker镜像构建文件 ├── requirements.txt # Python依赖包清单 ├── regenerate_latest_pdf.py # PDF重新生成工具脚本 ├── report_engine_only.py # Report Engine命令行版本 ├── README.md # 中文说明文档 ├── README-EN.md # 英文说明文档 ├── CONTRIBUTING.md # 中文贡献指南 ├── CONTRIBUTING-EN.md # 英文贡献指南 └── LICENSE # GPL-2.0开源许可证 ``` ## 🚀 快速开始（Docker） ### 1. 启动项目 复制一份 `.env.example` 文件，命名为 `.env` ，并按需配置 `.env` 文件中的环境变量 执行以下命令在后台启动所有服务： ```bash docker compose up -d ``` > **注：镜像拉取速度慢**，在原 `docker-compose.yml` 文件中，我们已经通过**注释**的方式提供了备用镜像地址供您替换 ### 2. 配置说明 #### 数据库配置（PostgreSQL） 请按照以下参数配置数据库连接信息，也支持Mysql可自行修改： | 配置项 | 填写值 | 说明 | | :--- | :--- | :--- | | `DB_HOST` | `db` | 数据库服务名称 (对应 `docker-compose.yml` 中的服务名) | | `DB_PORT` | `5432` | 默认 PostgreSQL 端口 | | `DB_USER` | `bettafish` | 数据库用户名 | | `DB_PASSWORD` | `bettafish` | 数据库密码 | | `DB_NAME` | `bettafish` | 数据库名称 | | **其他** | **保持默认** | 数据库连接池等其他参数请保持默认设置。 | #### 大模型配置 > 我们所有 LLM 调用使用 OpenAI 的 API 接口标准 在完成数据库配置后，请正常配置**所有大模型相关的参数**，确保系统能够连接到您选择的大模型服务。 完成上述所有配置并保存后，系统即可正常运行。 ## 🔧 源码启动指南 > 如果你是初次学习一个Agent系统的搭建，可以从一个非常简单的demo开始：[Deep Search Agent Demo](https://github.com/666ghj/DeepSearchAgent-Demo) ### 环境要求 - **操作系统**: Windows、Linux、MacOS - **Python版本**: 3.9+ - **Conda**: Anaconda或Miniconda - **数据库**: PostgreSQL（推荐）或MySQL - **内存**: 建议2GB以上 ### 1. 创建环境 #### 如果使用Conda ```bash # 创建conda环境 conda create -n your_conda_name python=3.11 conda activate your_conda_name ``` #### 如果使用uv ```bash # 创建uv环境 uv venv --python 3.11 # 创建3.11环境 ``` ### 2. 安装 PDF 导出所需系统依赖（可选） 这部分有详细的配置说明：[配置所需依赖](./static/Partial%20README%20for%20PDF%20Exporting/README.md) ### 3. 安装依赖包 > 如果跳过了步骤2，weasyprint库可能无法安装，PDF功能可能无法正常使用。 ```bash # 基础依赖安装 pip install -r requirements.txt # uv版本命令（更快速安装） uv pip install -r requirements.txt # 如果不想使用本地情感分析模型（算力需求很小，默认安装cpu版本），可以将该文件中的"机器学习"部分注释掉再执行指令 ``` ### 4. 安装Playwright浏览器驱动 ```bash # 安装浏览器驱动（用于爬虫功能） playwright install chromium ``` ### 5. 配置LLM与数据库 复制一份项目根目录 `.env.example` 文件，命名为 `.env` 编辑 `.env` 文件，填入您的API密钥（您也可以选择自己的模型、搜索代理，详情见根目录.env.example文件内或根目录config.py中的说明）： ```yml # ====================== 数据库配置 ====================== # 数据库主机，例如localhost 或 127.0.0.1 DB_HOST=your_db_host # 数据库端口号，默认为3306 DB_PORT=3306 # 数据库用户名 DB_USER=your_db_user # 数据库密码 DB_PASSWORD=your_db_password # 数据库名称 DB_NAME=your_db_name # 数据库字符集，推荐utf8mb4，兼容emoji DB_CHARSET=utf8mb4 # 数据库类型postgresql或mysql DB_DIALECT=postgresql # 数据库不需要初始化，执行app.py时会自动检测 # ====================== LLM配置 ====================== # 您可以更改每个部分LLM使用的API，只要兼容OpenAI请求格式都可以 # 配置文件内部给了每一个Agent的推荐LLM，初次部署请先参考推荐设置 # Insight Agent INSIGHT_ENGINE_API_KEY= INSIGHT_ENGINE_BASE_URL= INSIGHT_ENGINE_MODEL_NAME= # Media Agent ... ``` ### 6. 启动系统 #### 6.1 完整系统启动（推荐） ```bash # 在项目根目录下，激活conda环境 conda activate your_conda_name # 启动主应用即可 python app.py ``` uv 版本启动命令 ```bash # 在项目根目录下，激活uv环境 .venv\Scripts\activate # 启动主应用即可 python app.py ``` > 注1：一次运行终止后，streamlit app可能结束异常仍然占用端口，此时搜索占用端口的进程kill掉即可 > 注2：数据爬取需要单独操作，见6.3指引 访问 http://localhost:5000 即可使用完整系统 #### 6.2 单独启动某个Agent ```bash # 启动QueryEngine streamlit run SingleEngineApp/query_engine_streamlit_app.py --server.port 8503 # 启动MediaEngine streamlit run SingleEngineApp/media_engine_streamlit_app.py --server.port 8502 # 启动InsightEngine streamlit run SingleEngineApp/insight_engine_streamlit_app.py --server.port 8501 ``` #### 6.3 爬虫系统单独使用 这部分有详细的配置文档：[MindSpider使用说明](./MindSpider/README.md)
banner MindSpider 运行示例
```bash # 进入爬虫目录 cd MindSpider # 项目初始化 python main.py --setup # 运行话题提取（获取热点新闻和关键词） python main.py --broad-topic # 运行完整爬虫流程 python main.py --complete --date 2024-01-20 # 仅运行话题提取 python main.py --broad-topic --date 2024-01-20 # 仅运行深度爬取 python main.py --deep-sentiment --platforms xhs dy wb ``` #### 6.4 命令行报告生成工具 该工具会跳过三个分析引擎的运行阶段，直接读取它们的最新日志文件，并在无需 Web 界面的情况下生成综合报告（同时省略文件增量校验步骤）。通常用于对报告生成结果不满意、需要快速重试的场景，或在调试 Report Engine 时启用。 ```bash # 基本使用（自动从文件名提取主题） python report_engine_only.py # 指定报告主题 python report_engine_only.py --query "土木工程行业分析" # 跳过PDF生成（即使系统支持） python report_engine_only.py --skip-pdf # 显示详细日志 python report_engine_only.py --verbose # 查看帮助信息 python report_engine_only.py --help ``` **功能说明：** 1. **自动检查依赖**：程序会自动检查PDF生成所需的系统依赖，如果缺失会给出安装提示 2. **获取最新文件**：自动从三个引擎目录（`insight_engine_streamlit_reports`、`media_engine_streamlit_reports`、`query_engine_streamlit_reports`）获取最新的分析报告 3. **文件确认**：显示所有选择的文件名、路径和修改时间，等待用户确认（默认输入 `y` 继续，输入 `n` 退出） 4. **直接生成报告**：跳过文件增加审核程序，直接调用Report Engine生成综合报告 5. **自动保存文件**： - HTML报告保存到 `final_reports/` 目录 - PDF报告（如果有依赖）保存到 `final_reports/pdf/` 目录 - 文件命名格式：`final_report_{主题}_{时间戳}.html/pdf` **注意事项：** - 确保三个引擎目录中至少有一个包含`.md`报告文件 - 命令行工具与Web界面相互独立，不会相互影响 - PDF生成需要安装系统依赖，详见上文"安装 PDF 导出所需系统依赖"部分 ## ⚙️ 高级配置（已过时，已经统一为项目根目录.env文件管理，其他子agent自动继承根目录配置） ### 修改关键参数 #### Agent配置参数 每个Agent都有专门的配置文件，可根据需求调整，下面是部分示例： ```python # QueryEngine/utils/config.py class Config: max_reflections = 2 # 反思轮次 max_search_results = 15 # 最大搜索结果数 max_content_length = 8000 # 最大内容长度 # MediaEngine/utils/config.py class Config: comprehensive_search_limit = 10 # 综合搜索限制 web_search_limit = 15 # 网页搜索限制 # InsightEngine/utils/config.py class Config: default_search_topic_globally_limit = 200 # 全局搜索限制 default_get_comments_limit = 500 # 评论获取限制 max_search_results_for_llm = 50 # 传给LLM的最大结果数 ``` #### 情感分析模型配置 ```python # InsightEngine/tools/sentiment_analyzer.py SENTIMENT_CONFIG = { 'model_type': 'multilingual', # 可选: 'bert', 'multilingual', 'qwen'等 'confidence_threshold': 0.8, # 置信度阈值 'batch_size': 32, # 批处理大小 'max_sequence_length': 512, # 最大序列长度 } ``` ### 接入不同的LLM模型 支持任意openAI调用格式的LLM提供商，只需要在/config.py中填写对应的KEY、BASE_URL、MODEL_NAME即可。 > 什么是openAI调用格式？下面提供一个简单的例子： >```python >from openai import OpenAI > >client = OpenAI(api_key="your_api_key", > base_url="https://api.siliconflow.cn/v1") > >response = client.chat.completions.create( > model="Qwen/Qwen2.5-72B-Instruct", > messages=[ > {'role': 'user', > 'content': "推理模型会给市场带来哪些新的机会"} > ], >) > >complete_response = response.choices[0].message.content >print(complete_response) >``` ### 更改情感分析模型 系统集成了多种情感分析方法，可根据需求选择： #### 1. 多语言情感分析 ```bash cd SentimentAnalysisModel/WeiboMultilingualSentiment python predict.py --text "This product is amazing!" --lang "en" ``` #### 2. 小参数Qwen3微调 ```bash cd SentimentAnalysisModel/WeiboSentiment_SmallQwen python predict_universal.py --text "这次活动办得很成功" ``` #### 3. 基于BERT的微调模型 ```bash # 使用BERT中文模型 cd SentimentAnalysisModel/WeiboSentiment_Finetuned/BertChinese-Lora python predict.py --text "这个产品真的很不错" ``` #### 4. GPT-2 LoRA微调模型 ```bash cd SentimentAnalysisModel/WeiboSentiment_Finetuned/GPT2-Lora python predict.py --text "今天心情不太好" ``` #### 5. 传统机器学习方法 ```bash cd SentimentAnalysisModel/WeiboSentiment_MachineLearning python predict.py --model_type "svm" --text "服务态度需要改进" ``` ### 接入自定义业务数据库 #### 1. 修改数据库连接配置 ```python # config.py 中添加您的业务数据库配置 BUSINESS_DB_HOST = "your_business_db_host" BUSINESS_DB_PORT = 3306 BUSINESS_DB_USER = "your_business_user" BUSINESS_DB_PASSWORD = "your_business_password" BUSINESS_DB_NAME = "your_business_database" ``` #### 2. 创建自定义数据访问工具 ```python # InsightEngine/tools/custom_db_tool.py class CustomBusinessDBTool: """自定义业务数据库查询工具""" def __init__(self): self.connection_config = { 'host': config.BUSINESS_DB_HOST, 'port': config.BUSINESS_DB_PORT, 'user': config.BUSINESS_DB_USER, 'password': config.BUSINESS_DB_PASSWORD, 'database': config.BUSINESS_DB_NAME, } def search_business_data(self, query: str, table: str): """查询业务数据""" # 实现您的业务逻辑 pass def get_customer_feedback(self, product_id: str): """获取客户反馈数据""" # 实现客户反馈查询逻辑 pass ``` #### 3. 集成到InsightEngine ```python # InsightEngine/agent.py 中集成自定义工具 from .tools.custom_db_tool import CustomBusinessDBTool class DeepSearchAgent: def __init__(self, config=None): # ... 其他初始化代码 self.custom_db_tool = CustomBusinessDBTool() def execute_custom_search(self, query: str): """执行自定义业务数据搜索""" return self.custom_db_tool.search_business_data(query, "your_table") ``` ### 自定义报告模板 #### 1. 在Web界面中上传 系统支持上传自定义模板文件（.md或.txt格式），可在生成报告时选择使用。 #### 2. 创建模板文件 在 `ReportEngine/report_template/` 目录下创建新的模板，我们的Agent会自行选用最合适的模板。 ## 🤝 贡献指南 我们欢迎所有形式的贡献！ **请阅读以下贡献指南：** - [CONTRIBUTING.md](./CONTRIBUTING.md) ## 🦖 下一步开发计划 现在系统只完成了"三板斧"中的前两步，即：输入要求->详细分析，还缺少一步预测，直接将他继续交给LLM是不具有说服力的。
banner
目前我们经过很长一段时间的爬取收集，拥有了大量全网话题热度随时间、爆点等的变化趋势热度数据，已经具备了可以开发预测模型的条件。我们团队将运用时序模型、图神经网络、多模态融合等预测模型技术储备于此，实现真正基于数据驱动的舆情预测功能。 ## ⚠️ 免责声明 **重要提醒：本项目仅供学习、学术研究和教育目的使用** 1. **合规性声明**： - 本项目中的所有代码、工具和功能均仅供学习、学术研究和教育目的使用 - 严禁将本项目用于任何商业用途或盈利性活动 - 严禁将本项目用于任何违法、违规或侵犯他人权益的行为 2. **爬虫功能免责**： - 项目中的爬虫功能仅用于技术学习和研究目的 - 使用者必须遵守目标网站的robots.txt协议和使用条款 - 使用者必须遵守相关法律法规，不得进行恶意爬取或数据滥用 - 因使用爬虫功能产生的任何法律后果由使用者自行承担 3. **数据使用免责**： - 项目涉及的数据分析功能仅供学术研究使用 - 严禁将分析结果用于商业决策或盈利目的 - 使用者应确保所分析数据的合法性和合规性 4. **技术免责**： - 本项目按"现状"提供，不提供任何明示或暗示的保证 - 作者不对使用本项目造成的任何直接或间接损失承担责任 - 使用者应自行评估项目的适用性和风险 5. **责任限制**： - 使用者在使用本项目前应充分了解相关法律法规 - 使用者应确保其使用行为符合当地法律法规要求 - 因违反法律法规使用本项目而产生的任何后果由使用者自行承担 **请在使用本项目前仔细阅读并理解上述免责声明。使用本项目即表示您已同意并接受上述所有条款。** ## 📄 许可证 本项目采用 [GPL-2.0许可证](LICENSE)。详细信息请参阅LICENSE文件。 ## 🎉 支持与联系 ### 获取帮助 常见问题解答：https://github.com/666ghj/BettaFish/issues/185 - **项目主页**：[GitHub仓库](https://github.com/666ghj/BettaFish) - **问题反馈**：[Issues页面](https://github.com/666ghj/BettaFish/issues) - **功能建议**：[Discussions页面](https://github.com/666ghj/BettaFish/discussions) ### 联系方式 - 📧 **邮箱**：hangjiang@bupt.edu.cn ### 商务合作 - **企业定制开发** - **大数据服务** - **学术合作** - **技术培训** ## 👥 贡献者 感谢以下优秀的贡献者们： [![Contributors](https://contrib.rocks/image?repo=666ghj/BettaFish)](https://github.com/666ghj/BettaFish/graphs/contributors) ## 🌟 加入官方交流群
欢迎加入我们的技术交流QQ群！ BettaFish 技术交流群二维码
## 📈 项目统计 Star History Chart ![Alt](https://repobeats.axiom.co/api/embed/e04e3eea4674edc39c148a7845c8d09c1b7b1922.svg "Repobeats analytics image")