CrisisSim - 舆论危机推演沙盘

基于多智能体（Multi-Agent）的舆论危机模拟与决策支持系统

利用大语言模型驱动多个 AI 角色，在虚拟沙盘中模拟品牌危机事件中不同利益相关方（受害者、KOL、支持者）的舆论反应。系统支持多轮策略推演、实时情绪分析和立场演化追踪，帮助危机公关团队在决策前预演不同应对方案的效果。

核心功能

功能	说明
多智能体仿真	受害者、KOL、品牌支持者等角色由 LLM 独立驱动，每个 Agent 拥有独立记忆、立场演化曲线和信任体系，角色间可引用和回应彼此发言
RAG 知识增强	ChromaDB 向量检索（余弦相似度）+ 搜狗/必应网络搜索，为智能体注入品牌背景、行业法规、历史案例和实时舆情数据
策略推演与对比	AI 公关顾问自动生成 2 套候选策略及官方声明草稿（含策略理由），用户也可手写自定义声明，支持多轮推演观察策略长期效果
实时数据仪表盘	情绪分布（正面/负面/中立占比）、情绪趋势折线图、Agent 立场演化折线图，每轮结束后实时更新
5 大预设场景	涵盖食品安全、数据泄露、汽车召回、代言人塌房、大数据杀熟，共 33 个预设 Agent 角色
灵活角色编辑	支持运行时修改 Agent 的姓名、立场、影响力、发言风格和角色描述，也可添加自定义 Agent
流式策略输出	策略生成过程通过 SSE 实时显示，无需等待完整响应
多 LLM 后端	工厂模式可插拔，支持 OpenAI 兼容接口 / Anthropic Claude / Ollama 本地部署，切换仅需修改 `.env`

系统架构

整体架构图

┌─────────────────────────────────────────────────────────────────────┐
│                         前端层 (Flask SPA)                           │
│     暗色主题 UI · Chart.js 实时图表 · SSE 流式接收 · 轮询进度        │
└────────────────────────────┬────────────────────────────────────────┘
                             │ REST API + SSE
┌────────────────────────────▼────────────────────────────────────────┐
│                      SimulationEngine 仿真引擎                       │
│  ┌─────────────────────────────────────────────────────────────┐    │
│  │  asyncio.gather 并行驱动所有 PersonaAgent 反应               │    │
│  │  KOL 追加讨论轮 · 立场演化计算 · 记忆写入 · 统计汇总         │    │
│  └─────────────────────────────────────────────────────────────┘    │
├────────────────┬─────────────────────┬──────────────────────────────┤
│  DecisionAgent │   PersonaAgent × N  │    SentimentAnalyzer         │
│  策略生成(SSE)  │   角色反应+立场更新   │    LLM分类 → 关键词回退      │
│  策略反思       │   记忆管理+信任计算    │    jieba 关键词提取          │
└────────┬───────┴──────────┬──────────┴──────────────────────────────┘
         │                  │
┌────────▼──────────┐  ┌───▼─────────────────────────────────────────┐
│   LLM Provider    │  │              RAG Layer 知识增强层             │
│  ┌──────────────┐ │  │  ┌────────────────┐  ┌──────────────────┐  │
│  │ OpenAI Compat│ │  │  │  VectorStore   │  │  DocumentProc    │  │
│  │ Claude       │ │  │  │  ChromaDB      │  │  PDF/DOCX/TXT    │  │
│  │ Ollama       │ │  │  │  (cosine距离)   │  │  500字/80字重叠  │  │
│  └──────────────┘ │  │  └────────────────┘  └──────────────────┘  │
│  Semaphore(3)     │  │  ┌────────────────┐  ┌──────────────────┐  │
│  指数退避重试      │  │  │ WebSearcher    │  │ knowledge_data   │  │
│  max_tokens=1024  │  │  │ 搜狗+必应搜索   │  │ 预置知识库+舆情   │  │
└───────────────────┘  │  └────────────────┘  └──────────────────┘  │
                       └─────────────────────────────────────────────┘

项目目录结构

CrisisSim/
├── app.py                              # Flask 入口 + 完整前端 SPA (Jinja2 内嵌)
├── requirements.txt                    # Python 依赖
├── .env.example                        # 环境变量模板
├── run_streamlit.py                    # Streamlit 启动脚本 (备用)
│
└── crisis_sim/                         # 核心 Python 包
    ├── __init__.py
    ├── config.py                       # 统一配置加载 (dotenv)
    │
    ├── models/
    │   └── schemas.py                  # Pydantic 数据模型定义
    │
    ├── agents/
    │   ├── base.py                     # Agent 基类: 记忆管理、立场追踪、信任体系
    │   ├── persona.py                  # 角色 Agent: 角色扮演反应生成、立场更新算法
    │   └── decision.py                 # 决策 Agent: 策略生成、声明草稿、效果反思
    │
    ├── llm/
    │   ├── provider.py                 # BaseProvider 抽象基类 (generate / generate_stream)
    │   ├── factory.py                  # create_provider() 工厂函数
    │   ├── openai_provider.py          # OpenAI 兼容实现 (Semaphore + 重试)
    │   ├── claude_provider.py          # Anthropic Claude 实现
    │   └── ollama_provider.py          # Ollama 本地部署实现
    │
    ├── engine/
    │   └── simulation.py               # 仿真引擎主循环 (初始化 → 轮次 → 汇总)
    │
    ├── analysis/
    │   └── sentiment.py                # 情绪分析 (LLM + 关键词双路径) + 关键词提取
    │
    ├── rag/
    │   ├── document_processor.py       # 文档分块与解析 (PDF/DOCX/TXT/MD/CSV)
    │   ├── vector_store.py             # ChromaDB 向量存储 (knowledge_base + opinions)
    │   └── web_searcher.py             # 网络搜索 (搜狗 + 必应)
    │
    └── scenarios/
        ├── presets.py                  # 5 大预设危机场景定义
        └── knowledge_data.py           # 每个场景的知识库 + 舆情种子数据

技术路线详解

1. 多智能体引擎

仿真引擎（SimulationEngine）是系统的核心调度器，负责管理整个仿真生命周期。

Agent 角色体系

系统定义了 4 种角色类型，每种角色有独特的行为模式：

角色类型	枚举值	说明	行为特征	生成温度
受害者	`VICTIM`	消费者 / 当事人 / 维权人士	聚焦愤怒、焦虑和维权诉求，引用个人经历，遇道歉/赔偿会软化，遇推诿更愤怒	0.85
意见领袖	`KOL`	行业专家 / 媒体人 / 自媒体	理性分析，引用行业知识和历史案例，影响力高，拥有追加讨论轮	0.85（反应）/ 0.8（讨论）
品牌支持者	`SUPPORTER`	忠实用户 / 行业观察者	倾向维护品牌，强调正面历史，从另一角度解读负面信息，语气友善但坚定	0.85
公关顾问	`DECISION`	系统级决策 Agent	生成策略方案和官方声明，每轮结束后反思策略效果，全局唯一	0.7（策略）/ 0.5（反思）

单轮仿真流程

1. 发布官方声明
   └─ DecisionAgent 生成官方消息 → 写入所有 Agent 记忆
           │
2. 并行反应生成  (asyncio.gather)
   ├─ 每个 PersonaAgent 独立执行：
   │   ├─ 查询 RAG: 知识库(3条) + 舆情(3条)
   │   ├─ 构建上下文: 事件背景 + RAG + 记忆 + 近8条消息
   │   ├─ LLM 生成反应 (temperature=0.85)
   │   └─ 情绪分类 (LLM优先 → 关键词回退)
   │
3. KOL 追加讨论
   └─ KOL 类型 Agent 互看近4条消息 → 生成1-2句追加评论 (temperature=0.8)
           │
4. 立场更新
   └─ 所有 Agent 根据本轮消息计算立场偏移
           │
5. 记忆写入
   └─ 将其他 Agent 的消息写入短期记忆
           │
6. 统计汇总
   ├─ 计算情绪分布 (正面/负面/中立占比)
   └─ 记录所有 Agent 立场快照
           │
7. 策略反思
   └─ DecisionAgent 评估本轮策略效果 (temperature=0.5)

API 并发控制

信号量限制：asyncio.Semaphore(3)，最多 3 个并发 LLM API 调用
重试策略（仅 OpenAI Provider）：
- RateLimitError：指数退避，等待 2^attempt + 1 秒（2s → 3s → 5s → 9s → 17s），最多 5 次
- APIConnectionError：固定等待 2 秒，最多 5 次
Token 限制：所有 LLM 调用统一 max_tokens=1024

2. Agent 记忆与立场演化

记忆管理

每个 Agent 维护一个滑动窗口短期记忆：

MemoryEntry {
    round_number: int       # 所属轮次
    content: str            # 消息内容
    source_agent: str       # 来源 Agent ID
    sentiment: SentimentLabel  # 情绪标签 (可选)
}

写入：每轮结束后将其他 Agent 的消息写入记忆
读取：取最近 MEMORY_WINDOW（默认 5）条记忆作为上下文
溢出保护：当记忆条数超过 MEMORY_WINDOW × 10（默认 50）时，截断为最近 MEMORY_WINDOW × 5（默认 25）条
时间衰减：立场更新后，清除 round_number < 最新轮次 - MEMORY_WINDOW 的过期记忆

立场演化算法

Agent 立场是一个 [-1.0, +1.0] 的连续浮点值，每轮根据接收到的消息动态更新：

对于官方声明（is_official=True）— 基于关键词匹配：

正面关键词: ["道歉", "赔偿", "负责", "召回", "改进", "深表歉意", "立即"]
负面关键词: ["不存在", "没有证据", "夸大", "恶意", "竞争对手"]

delta = (正面命中数 × 0.15 - 负面命中数 × 0.20) × 权威度

对于其他消息 — 基于情绪值和信任度：

delta = (情绪分数 - 0.5) × 0.1 × 信任度 × 权威度

其中:
  情绪分数: POSITIVE=1.0, NEUTRAL=0.5, NEGATIVE=0.0
  权威度:   默认=0.5, KOL=0.8, 官方声明=1.0
  信任度:   KOL发送者=0.5, 其他=0.3 (可缓存)

立场描述映射：

立场值范围	PersonaAgent 描述	BaseAgent 描述
< -0.6	强烈反对/愤怒	—
-0.6 ~ -0.2	偏向负面/不满	—
< -0.5	—	强烈反对
-0.5 ~ -0.1	—	轻微反对
-0.2 ~ 0.2	中立观望	中立
0.1 ~ 0.5	—	轻微支持
0.2 ~ 0.6	偏向正面/理解	—
> 0.5	—	强烈支持
>= 0.6	强烈支持/维护	—

3. 决策 Agent 与策略生成

策略生成流程

输入:
  - 危机场景上下文 (品牌 + 事件摘要)
  - 当前轮次舆情统计 (正面/负面/中立消息占比)
  - 历史策略与反思 (最近2轮)

Prompt 要求 LLM 返回 JSON 数组:
[
  {
    "strategy_id": "A",
    "title": "策略标题 (5-10字)",
    "description": "策略描述 (1-2句)",
    "official_statement": "官方声明全文 (50-100字)",
    "reasoning": "策略理由 (1-2句)"
  },
  { ... }
]

输出: 2 套候选策略，流式输出 (SSE)

容错机制

当 LLM 返回的 JSON 解析失败时，使用硬编码的降级策略：

策略 A："诚恳道歉并承诺赔偿" — 通用道歉声明
策略 B："技术性澄清与证据展示" — 技术检测报告声明

策略反思机制

每轮结束后，公关顾问以 temperature=0.5 生成 3-5 句反思评估：

策略整体效果如何
哪些方面有效
哪些方面可能适得其反
下一步建议

反思结果会作为下一轮策略生成的输入，实现策略迭代优化。

4. RAG 知识增强层

向量存储 (ChromaDB)

系统使用 ChromaDB 内存模式，维护两个独立的向量集合：

集合	用途	距离度量	数据来源
`knowledge_base`	品牌背景、行业法规、历史案例	余弦相似度 (cosine)	预置知识库 + 用户上传文档 + 网络搜索
`opinions`	舆情种子、用户评论、手动输入	余弦相似度 (cosine)	预置舆情种子 + 网络搜索 + 手动输入

文档处理

支持的文件格式与解析方式：

格式	解析器	说明
`.pdf`	pypdf	逐页提取文本，以 `\n\n` 拼接
`.docx`	python-docx	提取段落文本，以 `\n\n` 拼接
`.txt` / `.md` / `.csv`	直接读取	UTF-8 编码，忽略解析错误

分块策略：滑动窗口分块

CHUNK_SIZE   = 500 字符
CHUNK_OVERLAP = 80 字符
步长          = 500 - 80 = 400 字符

示例:
  Chunk 1: [0, 500)
  Chunk 2: [400, 900)
  Chunk 3: [800, 1300)
  ...

每块附带元数据：{"source": "来源标识", "chunk_id": 序号}

网络搜索

无需 API Key，直接抓取搜索引擎结果页：

引擎	优先级	搜索 URL	防爬检测
搜狗	1	`sogou.com/web?query=`	检测 "antispider" 和页面长度 < 5000
必应	2 (回退)	`bing.com/search?q=&mkt=zh-CN`	—

提取数据：每条结果包含 title、snippet、url，HTML 标签通过正则 re.sub(r"<[^>]+>", "") 清除。

高级搜索接口：

search_event_news(keywords) — 搜索事件报道和评论，按前 30 字符去重
search_brand_background(brand) — 搜索品牌介绍和争议新闻

预置知识库内容

每个场景包含 5-15 段专业知识，覆盖：

公司/品牌背景信息
行业市场规模与竞争格局
相关法律法规条款（精确到条文号）
历史危机案例及处理结果
危机公关最佳实践（如"黄金4小时"原则）
技术细节与专业术语解释

每个场景包含 8 条舆情种子数据，模拟真实的社交媒体评论（恐慌、愤怒、理性分析、品牌维护等多种视角）。

5. 情绪分析系统

双路径分类策略

输入文本
    │
    ▼
┌───────────────────┐    成功     ┌─────────────┐
│  LLM 情绪分类      │ ──────────▶│  返回结果     │
│  temperature=0.1   │            └─────────────┘
│  截取前200字符      │
└───────┬───────────┘
        │ 失败 (任意异常)
        ▼
┌───────────────────┐
│  关键词匹配回退     │
│  负面17词 vs 正面14词│ ──▶ 返回结果
└───────────────────┘

关键词库

类别	数量	关键词
负面	17	愤怒、失望、恶心、垃圾、骗子、无良、黑心、维权、赔偿、道歉、抵制、举报、可恶、太过分、无法接受、严重、危害
正面	14	支持、理解、加油、相信、负责、改进、不错、赞、诚恳、点赞、看好、专业、靠谱、良心
中立	6	观望、等待、看看、关注、持续、了解

判定逻辑：负面命中 > 正面命中 → NEGATIVE；正面 > 负面 → POSITIVE；相等 → NEUTRAL

关键词提取

基于 jieba 中文分词，配合 46 个停用词过滤（"的"、"了"、"是"、"在" 等），提取词频 Top 10 关键词（仅保留 >= 2 字的词）。

6. LLM 可插拔架构

工厂模式

# crisis_sim/llm/factory.py
provider = create_provider()  # 读取 config.LLM_PROVIDER

"openai"  → OpenAIProvider   # OpenAI / DeepSeek / 通义千问 / 小米MiMo 等
"claude"  → ClaudeProvider   # Anthropic Claude
"ollama"  → OllamaProvider   # 本地 Ollama 部署

各 Provider 实现对比

特性	OpenAIProvider	ClaudeProvider	OllamaProvider
SDK	`openai.AsyncOpenAI`	`anthropic.AsyncAnthropic`	`httpx.AsyncClient`
并发控制	`Semaphore(3)`	无	无
重试机制	指数退避 (5次)	无	无
流式输出	`stream=True` + yield	不支持	不支持
Token 限制	1024	1024	1024
超时	SDK 默认	SDK 默认	120 秒
Token 估算	`len(text) // 2`	`len(text) // 2`	`len(text) // 2`

7. 前端与数据可视化

UI 设计

单页应用：完整 HTML/CSS/JS 内嵌在 app.py 的 Jinja2 模板中，无前端构建步骤
暗色主题：基于深海军蓝 (#0f172a) 的配色方案
角色配色：
- 受害者消息：红色边框 (#ef4444)
- KOL 消息：蓝色边框 (#3b82f6)
- 支持者消息：绿色边框 (#22c55e)
- 官方声明：琥珀色高亮 (#f59e0b)
情绪标签色：正面绿色、负面红色、中立灰色

Chart.js 实时图表

情绪趋势图（折线图）：

3 条数据线：正面(绿)、负面(红)、中立(灰)
Y 轴：0-100%，填充区域，曲线张力 0.3
X 轴：第1轮、第2轮、第3轮...

立场演化图（多线折线图）：

每个 Agent 一条线，使用 8 色调色板
Y 轴：-1（反对）到 +1（支持）
数据点半径 4，线宽 2

SSE 流式策略接收

浏览器 → POST /api/strategies_stream
     ← data: [策略文本流] ...
     ← data: \n__STRATEGIES_JSON__\n[JSON]
     ← data: [DONE]

异常处理: SSE 失败时自动降级为非流式 /api/strategies

进度轮询

仿真执行期间，前端每 1.5 秒轮询 /api/progress 获取执行进度。

预设场景详解

场景一：喜茶奶茶食品安全事件

消费者在喜茶饮品中发现异物，话题冲上微博热搜

传播渠道：微博 · 微信公众号 · 小红书 · 新闻媒体

Agent	角色	类型	立场	影响力	发言风格
小鱼爱喝奶茶	22岁大学生，忠实顾客，组织200+人维权群	受害者	-0.8	0.6	情绪化、直接，常用感叹号，发图证据
食品安全卫士张律师	35岁维权律师，50万微博粉丝	受害者	-0.7	0.7	严肃专业，引用《食品安全法》《消费者权益保护法》
奶茶重度患者小林	28岁程序员，年消费5000+元	受害者	-0.6	0.4	焦虑口语化，常用"天哪""不会吧""细思极恐"
食品科学张教授	45岁教授，中国农大博士，200万粉丝	KOL	0.0	0.9	专业数据驱动，引用 GB 国家标准
吃货测评王阿凯	30岁美食博主，80万粉丝	KOL	0.1	0.7	轻松客观，以"家人们"开头
喜茶五年老粉小周	28岁忠实用户，购买过联名周边	支持者	0.7	0.4	温和但坚定，"我喝了五年"
茶饮行业观察者李总	33岁证券分析师，有财经专栏	支持者	0.5	0.8	理性引用行业数据，提及奈雪、霸王茶姬

场景二：星辰科技用户数据泄露事件

安全研究员在暗网发现星聊用户数据库，涉及5000万条记录（手机号、MD5密码、私信）

传播渠道：微博 · 知乎 · 科技媒体 · 推特

Agent	角色	类型	立场	影响力	发言风格
惊恐的星聊用户阿明	技术向用户	受害者	-0.9	0.6	愤怒兼技术流，"MD5未加盐？2026年了还用MD5？"
受害者联盟维权群主	集体维权组织者	受害者	-0.8	0.7	组织性语言，"我们XX万受害者"
白帽老王	白帽黑客，影响力极高	KOL	-0.4	1.0	技术分析，提供数据截图和哈希对比
科技自媒体大V老赵	深度报道风格	KOL	-0.5	0.8	叙事性强，使用类比，偶尔标题党
隐私法专家陈教授	法律专家	KOL	-0.6	0.9	精确引用法条，偶有立法建议
星辰科技员工匿名小号	内部知情者	支持者	0.2	0.5	匿名口吻，"据我所知"，模糊爆料
投资圈明灯刘总	投资人视角	支持者	0.6	0.8	"从行业角度看""长期价值"

场景三：极驰汽车高速失速召回事件

电动汽车高速行驶中突然失去动力，行车记录仪视频获2000万播放，IPO在即

传播渠道：抖音 · 微博 · 汽车之家 · 主流新闻

Agent	角色	类型	立场	影响力	发言风格
高速惊魂60秒车主	当事车主	受害者	-0.9	0.8	克制但愤怒，"我不是来闹事的"，附视频证据
受伤车主家属李姐	车祸伤者家属	受害者	-1.0	0.7	悲痛愤怒，"我老公还在医院，你们在想IPO"
38号车评人大飞	头部车评人	KOL	-0.5	1.0	专业评测风格，"实测数据显示"，零容忍安全问题
新能源汽车政策研究员	学术型 KOL	KOL	-0.6	0.9	学术严谨，提供技术图解和引用
极驰S7车主会群主	车主社群领袖	支持者	0.4	0.6	理性中有犹豫，"给品牌一点时间"
新能源行业分析师	行业分析师	支持者	0.5	0.8	"短期扰动不改长期逻辑"
4S店前销售小赵	前内部人员	支持者	-0.3	0.7	爆料风格，"内部培训PPT上写着"，半真半假

场景四：代言人塌房危机——运动品牌锐动体育

品牌代言人曝出出轨丑闻 + 偷税漏税指控，品牌面临代言合同危机

传播渠道：微博 · 抖音 · 娱乐媒体 · 豆瓣

Agent	角色	类型	立场	影响力	发言风格
愤怒的消费者小美	粉丝转黑	受害者	-0.6	0.5	饭圈用语，"社死""粉转黑"
饭圈脱粉回踩大粉	脱粉大粉	受害者	-0.9	0.7	饭圈黑话+爆料体，"脱粉了""来放实锤了"
娱乐圈纪检委老卓	资深娱记	KOL	-0.3	0.9	"据可靠消息"，谨慎但信息量大
财经观察频道	财经分析师	KOL	-0.4	0.8	"财务模型显示"，理性冷静
理智粉"轩家军"群管	粉丝群管理	支持者	0.7	0.5	控场话术，"不信谣不传谣"，但立场在动摇
品牌公关行业老兵	PR 从业者	支持者	0.0	0.8	专业视角，"黄金48小时"，冷静客观

场景五：飞享出行大数据杀熟事件

科技博主通过控制变量实验证明打车 App 对老用户加价 23%，视频播放 800 万

传播渠道：B站 · 微博 · 抖音 · 新闻媒体

Agent	角色	类型	立场	影响力	发言风格
数码小测	科技博主，实验设计者	受害者	-0.7	0.9	数据驱动，"控制变量""置信区间""统计显著"
通勤族代表小刘	普通用户	受害者	-0.8	0.5	日常口语，"老用户就是韭菜？"
算法伦理研究者王教授	学术权威	KOL	-0.5	1.0	学术+社会关怀，"算法不应成为剥削工具"
互联网行业分析师	行业分析师	KOL	-0.3	0.7	"平台经济的底层逻辑"，分析性强
飞享出行忠实用户老王	实用主义用户	支持者	0.3	0.4	务实，看更多视频后立场在变化
平台经济辩护者陈律师	法律视角	支持者	0.2	0.7	"从现行法律看"，区分动态定价与歧视定价

快速开始

环境要求

Python 3.10+
任一 LLM API Key（OpenAI 兼容接口 / Anthropic Claude / 本地 Ollama）

安装与运行

# 1. 克隆仓库
git clone https://github.com/a805026135/CrisisSim.git
cd CrisisSim

# 2. 安装依赖
pip install -r requirements.txt

# 3. 配置环境变量
cp .env.example .env
# 编辑 .env，填入你的 API Key 和模型配置（见下方配置参考）

# 4. 启动服务
python app.py

访问 http://localhost:5000 即可使用。

配置参考

环境变量完整列表

在项目根目录创建 .env 文件（可复制 .env.example）：

# ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
#  LLM Provider 选择
#  可选值: openai | claude | ollama
# ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
LLM_PROVIDER=openai

# ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
#  OpenAI 兼容接口配置
#  支持: OpenAI / DeepSeek / 通义千问 / 小米MiMo 等
# ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
OPENAI_API_KEY=your-api-key-here
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_MODEL=gpt-4o-mini

# ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
#  Anthropic Claude 配置
# ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
ANTHROPIC_API_KEY=sk-ant-your-key-here
CLAUDE_MODEL=claude-haiku-4-5-20251001

# ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
#  Ollama 本地部署配置
# ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_MODEL=llama3

# ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
#  仿真参数
# ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━
MAX_ROUNDS=3          # 仿真轮次 (默认 3)
MEMORY_WINDOW=5       # Agent 记忆窗口大小 (默认 5)

配置项说明

变量	默认值	说明
`LLM_PROVIDER`	`openai`	LLM 后端选择，可选 `openai` / `claude` / `ollama`
`OPENAI_API_KEY`	`""`	OpenAI 兼容接口的 API Key
`OPENAI_BASE_URL`	`https://api.openai.com/v1`	API 端点地址，可替换为 DeepSeek / MiMo 等
`OPENAI_MODEL`	`gpt-4o-mini`	模型名称
`ANTHROPIC_API_KEY`	`""`	Anthropic Claude 的 API Key
`CLAUDE_MODEL`	`claude-haiku-4-5-20251001`	Claude 模型名称
`OLLAMA_BASE_URL`	`http://localhost:11434`	Ollama 服务地址
`OLLAMA_MODEL`	`llama3`	Ollama 模型名称
`MAX_ROUNDS`	`3`	仿真推演轮次数
`MEMORY_WINDOW`	`5`	Agent 短期记忆滑动窗口大小

LLM 配置示例

OpenAI（官方）

LLM_PROVIDER=openai
OPENAI_API_KEY=sk-xxx
OPENAI_BASE_URL=https://api.openai.com/v1
OPENAI_MODEL=gpt-4o-mini

DeepSeek

LLM_PROVIDER=openai
OPENAI_API_KEY=sk-xxx
OPENAI_BASE_URL=https://api.deepseek.com/v1
OPENAI_MODEL=deepseek-chat

通义千问

LLM_PROVIDER=openai
OPENAI_API_KEY=sk-xxx
OPENAI_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
OPENAI_MODEL=qwen-turbo

小米 MiMo

LLM_PROVIDER=openai
OPENAI_API_KEY=your-key
OPENAI_BASE_URL=https://token-plan-cn.xiaomimimo.com/v1
OPENAI_MODEL=mimo-v2.5-pro

Anthropic Claude

LLM_PROVIDER=claude
ANTHROPIC_API_KEY=sk-ant-xxx
CLAUDE_MODEL=claude-haiku-4-5-20251001

Ollama 本地部署

LLM_PROVIDER=ollama
OLLAMA_BASE_URL=http://localhost:11434
OLLAMA_MODEL=llama3

API 接口文档

端点列表

端点	方法	说明
`/`	GET	返回前端页面
`/api/scenario`	POST	获取场景详情和 Agent 配置
`/api/init`	POST	初始化仿真引擎（加载知识库 + 舆情种子）
`/api/strategies`	POST	获取 2 套候选策略（非流式）
`/api/strategies_stream`	POST	流式获取策略生成过程 (SSE)
`/api/execute`	POST	执行一轮仿真推演
`/api/search`	POST	网络搜索（知识/舆情）
`/api/import_opinions`	POST	导入手动舆情文本
`/api/progress`	POST	轮询执行进度
`/api/kb_status`	POST	获取知识库和舆情数据量
`/api/summary`	POST	获取仿真最终总结

关键请求示例

初始化引擎：

POST /api/init
{
  "session_id": "uuid",
  "scenario_key": "tea_safety",
  "agent_configs": [ ... ]  // 可选：自定义 Agent 配置
}

执行仿真轮次：

POST /api/execute
{
  "session_id": "uuid",
  "strategy": {
    "strategy_id": "A",
    "title": "...",
    "official_statement": "..."
  }
}

使用指南

Step 1: 选择危机场景

从 5 个预设场景中选择一个，系统自动加载对应的 Agent 角色、知识库和舆情种子数据。

Step 2: 配置 Agent 角色

查看每个 Agent 的详细设定（姓名、角色描述、发言风格）
通过滑块调整 立场值（-1.0 反对 ~ +1.0 支持）和 影响力（0.1 ~ 1.0）
可添加自定义 Agent（默认立场 0.0，影响力 0.5）
使用网络搜索补充品牌背景和舆情情报
手动导入或编辑舆情数据

Step 3: 策略推演

AI 公关顾问自动分析当前舆情态势，生成 2 套候选策略
每套策略包含：策略名称、描述、理由、完整官方声明草稿
选择策略 A 或 B，或切换到"自定义声明"手动撰写
点击执行，观察各 Agent 的实时反应

Step 4: 实时观察仿真过程

消息时间线：每条消息标注发言人、角色类型、情绪标签，官方声明高亮显示
情绪分布：正面/负面/中立占比实时更新
立场演化：每轮结束后各 Agent 立场折线图更新
PR 顾问反思：每轮结束显示策略效果评估

Step 5: 多轮迭代与复盘

完成一轮后可选择新策略继续推演
比较不同策略在多轮中的舆情走向差异
查看最终总结报告，包含每轮策略效果和情绪变化

技术栈

类别	技术	版本	用途
后端框架	Flask	>= 3.0	Web 服务 + API 路由
前端	Vanilla JavaScript	ES2020+	页面交互逻辑
图表库	Chart.js	4.4.7 (CDN)	情绪趋势图 + 立场演化图
LLM 接口	OpenAI SDK	>= 1.0	OpenAI 兼容 API 调用
LLM 接口	Anthropic SDK	>= 0.20	Claude API 调用
LLM 接口	httpx	>= 0.25	Ollama 本地 API 调用
向量数据库	ChromaDB	—	余弦相似度向量检索
数据模型	Pydantic	>= 2.0	结构化数据验证与序列化
中文分词	jieba	>= 0.42	关键词提取
数值计算	NumPy	>= 1.24	数值运算
异步并发	asyncio	标准库	Agent 并行反应 + 并发控制
环境配置	python-dotenv	>= 1.0	`.env` 文件加载

许可证

MIT License

Name		Name	Last commit message	Last commit date
Latest commit History 4 Commits
crisis_sim		crisis_sim
docs/screenshots		docs/screenshots
.env.example		.env.example
.gitignore		.gitignore
README.md		README.md
app.py		app.py
requirements.txt		requirements.txt
run_streamlit.py		run_streamlit.py

Folders and files

Latest commit

History

Repository files navigation

CrisisSim - 舆论危机推演沙盘

目录

核心功能

系统架构

整体架构图

项目目录结构

技术路线详解

1. 多智能体引擎

Agent 角色体系

单轮仿真流程

API 并发控制

2. Agent 记忆与立场演化

记忆管理

立场演化算法

3. 决策 Agent 与策略生成

策略生成流程

容错机制

策略反思机制

4. RAG 知识增强层

向量存储 (ChromaDB)

文档处理

网络搜索

预置知识库内容

5. 情绪分析系统

双路径分类策略

关键词库

关键词提取

6. LLM 可插拔架构

工厂模式

各 Provider 实现对比

7. 前端与数据可视化

UI 设计

Chart.js 实时图表

SSE 流式策略接收

进度轮询

预设场景详解

场景一：喜茶奶茶食品安全事件

场景二：星辰科技用户数据泄露事件

场景三：极驰汽车高速失速召回事件

场景四：代言人塌房危机——运动品牌锐动体育

场景五：飞享出行大数据杀熟事件

快速开始

环境要求

安装与运行

配置参考

环境变量完整列表

配置项说明

LLM 配置示例

API 接口文档

端点列表

关键请求示例

使用指南

Step 1: 选择危机场景

Step 2: 配置 Agent 角色

Step 3: 策略推演

Step 4: 实时观察仿真过程

Step 5: 多轮迭代与复盘

技术栈

许可证

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages