搭桥三大业务系统数据,基于 AI 大模型给应急指挥中心"辅助决策",而不是"自动决策"。一期目标:可演示、可验证、可扩展。
整合 电务生产调度指挥系统 3.0、设备全生命周期系统、4G 应急执法仪 三大数据源,基于 AI 大模型 + 知识图谱 + 概率研判,实现故障智能感知、应急流程推演、资源最优调度、阶段总结自动生成、复盘反哺训练。
| 编号 | 功能 | 状态 |
|---|---|---|
| 1 | 3-5 类典型设备 / 故障场景试点 | ✅ 转辙机 + 信号机 + 轨道电路 + 电源 + 应答器(留 <TBD_PILOT_DEVICE_TYPE> 占位) |
| 2 | 三大数据源打通(调度 3.0 / 全生命周期 / 4G 执法仪) | ✅ Mock 全实现,接口契约已定义 |
| 3 | 应急事件中心 + 设备 / 备件 / 人员主数据 | ✅ |
| 4 | 应急资源主题库 | ✅ |
| 5 | 预案库 / 设备手册 / 历史案例 / 专家规则 | ✅ |
| 6 | 事件概况自动归纳 | ✅ LLM + mock fallback |
| 7 | 最近资源查询 | ✅ 距离 + 兼容性 + 状态排序 |
| 8 | 阶段性总结(30min/1h/2h) | ✅ LLM + mock fallback |
| 9 | 故障概率研判(A/B/C) | ✅ 规则引擎 + 案例相似度匹配 |
| 10 | 人工反馈 + 模型建议审计 | ✅ 完整审计 + 采纳/驳回入口 |
| 层 | 选型 | 理由 |
|---|---|---|
| 后端 | Python 3.11 标准库(http.server + sqlite3) |
零外部依赖、零部署阻力、2C4G 跑得起来 |
| AI | MiniMax M3 API + 模板 fallback | 用户指定接入;无 key / API 故障时自动 mock |
| 数据 | SQLite(审计 + 训练规则) | 单文件,无需装库 |
| 前端 | HTML + Tailwind CDN + ECharts CDN + 原生 JS | 无构建,Tailwind + ECharts CDN 引用,改一行 HTML 立刻看到效果 |
| 部署 | Docker Compose 单容器 | 2 条命令跑起来 |
# 1. 启动服务(零配置走 mock)
docker compose up -d
# 2. 打开浏览器
# http://localhost:8000
# 3. 接入真实 MiniMax M3(可选)
echo "MINIMAX_M3_API_KEY=<your-key-here>" > .env
docker compose restart启动横幅会显示:
🚄 应急指挥辅助决策平台 · 一期 MVP
监听: http://0.0.0.0:8000
试点设备: <TBD_PILOT_DEVICE_TYPE>
LLM 模式: auto (key=已配置/未配置)
甲方暂未确定具体试点设备类型,全部用占位符 <TBD_PILOT_DEVICE_TYPE> 标记:
# 在 mock 数据、设备类型枚举、文档、业务逻辑里都能搜到
grep -r "TBD_PILOT_DEVICE_TYPE" . | head确定后只需替换两处:
.env:PILOT_DEVICE_TYPE=具体设备名server/mock_data.py:找到<TBD_PILOT_DEVICE_TYPE>字符串替换
业务代码、API 契约、知识库规则都不需要动。
KPI 卡片 + 24h 事件趋势图 + 设备类型分布 + 事件卡片列表
6 个 tab:概况 / 时间线 / AI 研判 / 资源调度 / 现场资料 / 阶段总结
每个 AI 输出顶部都带:
🤖 AI 辅助建议 · 仅供参考 · 需人工确认
RAG 问答 + 预案 / 案例 / 规则浏览
客户专家可在此维护业务规则、标注历史案例,反哺 AI(模型训练在二期)
所有 AI 调用 / 人工确认 / 规则修改均留痕,只读
GET /api/health
GET /api/events # 事件列表
GET /api/events/{id} # 事件详情
GET /api/events/{id}/timeline # 时间线
GET /api/events/{id}/diagnosis # AI 研判
GET /api/events/{id}/overview # 事件概况
GET /api/events/{id}/summary # 阶段总结
GET /api/events/{id}/media # 4G 执法仪现场资料
POST /api/events/{id}/diagnosis/confirm # 人工确认
GET /api/resources/{equipment|spares|personnel|recommend}
GET /api/knowledge/{plans|cases|rules|qa}
GET/POST /api/training/rules
GET /api/training/cases
GET /api/audit
emergency-platform/
├── README.md ← 本文件
├── Dockerfile ← 单容器构建
├── docker-compose.yml ← 单命令启动
├── .env.example ← 环境变量模板
├── .gitignore
├── server/ ← Python 后端(标准库)
│ ├── main.py ← HTTP 路由 + SQLite
│ ├── ai.py ← LLM 客户端 + RAG + 概率研判
│ ├── mock_data.py ← 3 套数据源 + 主数据 + 知识库
│ ├── config.py ← 环境配置
│ ├── data/ ← SQLite 落盘
│ └── README.md
├── web/ ← 前端(CDN + 原生 JS)
│ ├── index.html
│ └── assets/
│ ├── css/style.css
│ └── js/
│ ├── app.js
│ └── pages/{cockpit,event,knowledge,training,audit}.js
└── docs/ ← 架构 / 数据模型 / API 契约 / 部署 / Mock 规划
├── INDEX.md
├── architecture.md
├── data-model.md
├── api-contracts.md
├── openapi.yaml
├── deployment.md
└── mock-data-plan.md
- AI 只做辅助,不替代人工决策
- 不自动下达调度命令,不直接控制现场设备
- 所有 AI 输出强制带"辅助建议 · 需人工确认"标识
- 审计日志记录模型版本、输入数据、生成结果、人工反馈
- 任何 AI 异常自动 fallback 到 mock 引擎,业务永不被阻塞
- Mock 数据:三大数据源是 mock,真实接入需在二期对接既有系统 API
- 模型:概率研判用规则 + 案例匹配,ML 模型在二期/三期
- 多模态:4G 执法仪只接入元数据 + 图片占位 + 音频转写文本,视频识别在二期
- 认证授权:一期无,内网部署,二期加权限
| 期 | 重点 |
|---|---|
| 二期 | 接入真实数据源 + 规则引擎 + 流程推演 + 资源推荐深化 + 权限 |
| 三期 | 概率 ML 模型 + 多模态视频 + 客户自主训练闭环 + 模型评测 |
MIT
架构师手记:这个项目把"系统设计 → 数据准备 → AI 集成 → 业务闭环"完整走通一遍,核心价值不在于代码量(零依赖反而是优势),而在于把需求文档的 4 章 14 节结构化拆解成 17+ 端点 + 6 业务闭环 + 1 套数据契约,甲方拿着这个 MVP 就能看到一期真做出来长什么样、值不值得继续投钱。