黔镜 QianScope：可交互社会世界与通用事件预测

在贵阳社会世界中搜索人物、进入场所、访谈稳定人格，或让 5,000 个合成人格原型独立回答单轮问卷、完成多轮事件决策并形成可复现的条件预测。

本仓库是基于公开产品形态与公开研究路线进行的 clean-room 自主实现，不包含、也不声称掌握任何第三方公司的私有代码、模型权重或内部数据。

项目正式名称为 黔镜（QianScope）。Python 发行包与命令统一为 qianscope；内部实现命名空间 echo_swm、旧命令 echo-swm、ECHO_* 环境变量和 /api/echo/* 网关仅作为向后兼容别名保留。新代码与文档统一使用 qianscope、QIANSCOPE_* 和 /api/qianscope/*。

在线访问（Zeabur）

访问 QianScope 主站：https://qianscope.zeabur.app

技术栈与技术选型

QianScope 采用前后端分离的单仓库架构：Next.js 提供产品界面与同源 API 网关，FastAPI 提供独立计算 API，数值模拟与模型产物以可校验文件保存。大模型是可选的语义增强层，不负责直接生成最终概率。

层次	技术与版本	技术选型及用途
前端运行时	Node.js `>=22.13.0`、Next.js `16.3.2`、React `19.2.8`	使用 App Router 组织页面、服务端路由和同源 `/api/qianscope/*` 网关；生产环境输出 Next.js standalone 镜像。
前端语言与样式	TypeScript `5.9.3`、Tailwind CSS `4.2.1`、PostCSS	TypeScript 负责组件与接口类型约束；Tailwind CSS 与项目自定义 CSS 变量共同实现响应式界面和统一视觉系统。
地理空间	高德 JS API `2.0`、`@amap/amap-jsapi-loader 1.0.1`、MapLibre GL `5.24.0`	正式环境使用高德 3D 城市底图；未配置高德凭证时使用 MapLibre 演示底图，保证本地开发可运行。
场景交互	OpenFlipbook（MIT，上游提交 `b3e5044`）	以“图像即界面”的热点、人物覆盖层和首尾帧视频完成地点与室内场景下钻；运行源码固定在 `frontend/vendor/openflipbook/`。
后端 API	Python `>=3.11`、FastAPI `>=0.116,<1`、Uvicorn `>=0.35,<1`	提供 REST API、OpenAPI 文档、后台任务、健康检查和版本化结果接口。
数据契约	Pydantic `>=2.11,<3`	对人口、问卷、事件、预测、社会世界和校准数据执行强类型校验，并生成稳定的 JSON Schema。
数值与机器学习	NumPy `>=2.1,<2.3`、scikit-learn `>=1.6,<2`、Joblib `>=1.5,<2`	执行人格向量计算、概率模型、校准、指标评估和模型持久化；核心数值运行不依赖大模型。
数据与产物	PyArrow `>=19,<24`、Parquet、JSON/JSONL、SHA-256	保存逐 Agent 决策、人口与关系表、运行清单和回放链；本地运行不强制依赖外部数据库。
CLI 与外部调用	Typer `>=0.16,<1`、HTTPX `>=0.28,<1`、python-dotenv `>=1.1,<2`	`qianscope` CLI 统一管理演示、训练、预测和服务启动；HTTPX 在服务端接入 DeepSeek V4 Flash 的 OpenAI-compatible Chat Completions API。
构建与部署	Hatchling、npm lockfile、Docker、Docker Compose、Zeabur	后端使用 `python:3.11-slim`，前端使用 `node:22-alpine` 多阶段镜像；Zeabur 分别运行 Web 与 API 服务。
质量与 CI	GitHub Actions、Ruff、Mypy strict、Pytest、Hypothesis、pytest-cov、ESLint、TypeScript	每次推送和拉取请求检查格式、静态类型、后端测试、覆盖率以及前端生产构建。

浏览器
  └─ Next.js 16 / React 19
       ├─ 高德 JS API 2.0（生产）/ MapLibre GL（本地回退）
       ├─ OpenFlipbook 场景交互
       └─ /api/qianscope/* 同源网关
            └─ FastAPI / Uvicorn
                 ├─ Pydantic 数据契约
                 ├─ NumPy / scikit-learn 数值运行时
                 └─ PyArrow / Parquet / JSON 可复现产物

现在已经能做什么

生成并持久化 5,000—20,000 个稳定人格 Agent；同一个人口 ID 与种子会得到相同的身份和稳定属性。
默认 5,000 人按 50 个关键 Agent、450 个代表 Agent、4,500 个背景 Agent 分层。
每个 Agent 都有稳定 ID、来源、人口属性、社会角色，以及完整的 Big Five、Schwartz、Moral Foundations、四类风险、四条认知风格、七类目标、五类信念、动态心理状态和三层记忆。
每人至少连接家庭、熟人、同事、社区和线上五类关系；默认 5,000 人形成 25,000 条带强度与信任的关系。
所有层级都实际执行相同的 observe → decide → act → remember 循环；不会只抽取少数 Agent 后把其余人当作展示数字。
支持单选、多选、量表、排序、数值和开放题；保存每个 Agent 的选项概率，并输出总体、分组和不确定范围。
同时计算事件前基线问卷与事件后问卷，比较支持、反对、知晓、信任、传播、讨论、沉默、参与和退出变化。
任意事件均会比较“未发生”“按描述发生”和可选替代情景，正式运行不少于 30 步，并用多条路径给出常见范围。
采用受约束 L2 协议：运行前锁定核心/辅助指标、期望方向、最小有效变化和预测时点；A/B/C 方案共享随机路径，输出配对差值、COD 反事实敏感性与方案排序。
Agent 只有在被所选渠道直接触达、或从关系邻居收到传播后才会更新事件相关状态；预测时点之后才可获得的证据会被自动隔离并记入审计日志。
可导入有权使用的聚合人口边际，通过 IPF/raking 约束 Agent 代表权重，并报告收敛误差、有效样本量、设计效应和极端权重警告。
可导入历史问卷预测/实测占比与已揭晓事件结果，按预测时间做后段留出；只有 Brier 与 Log Loss 都未变差的版本才会用于新预测。
支持真实问卷/事件结果回填并自动沉淀校准记录，以及 CSV/JSON 导出、逐路径回放与 SHA-256 产物校验。
无大模型 API 也能运行；提供兼容 API 后会自动增强任意事件描述的语义结构化，大模型不直接编造最终概率。
新增统一 Social World 后端：地点与事件是一等实体，支持 666.89 万代表人口、城市/校园移动、人物/地点钻取和确定性重放；关系仅用于世界展示与人物档案，不进入核心决策。
全屏社会世界前端以高德 JS API 2.0 提供贵阳 3D 城市底图；点击一级地点后，直接使用 OpenFlipbook MIT 源码的图像即界面、首尾帧下钻视频、光标、热点与人物覆盖层进入 28 个独立二级场景，并承载 5,000 人格活动层、人物检索、关系跳转和受认知边界约束的访谈。
问卷统一为 1 轮独立决策，事件统一为 3—6 轮独立决策；问题与不定长选项按事件自动生成，每个 Agent 只读取事件、稳定人格和自己的上一轮状态。
问卷、事件、营销、趋势、品牌、产品、需求、定价、竞品、漏斗、流失和传播节点共 12 个工具均接入后端运行；统一支持任务 ID、真实决策进度、滚动 Agent 回答、主动终止、任务中心和结果恢复。
报告使用与社会世界一致的视觉系统，支持情景切换、运行口径与质量门、交叉表、合成代表回答、CSV/JSON、打印/PDF 和可恢复分享路由。

贵阳社会世界已成为本仓库的默认产品叙事；原苏州城市适配器和旧价格实验仅作为兼容性底层示例保留，不参与贵阳默认首页与部署。

OpenFlipbook 的运行源码镜像位于 frontend/vendor/openflipbook/，固定到上游提交 b3e5044；贵阳内容映射位于 frontend/lib/openflipbook-guiyang.ts，7 张地点总览与 28 张互不重复的具体场景画页位于 frontend/public/openflipbook/guiyang/，对应的 28 段“全景锁定热点 → 连续推近 → 穿入独立室内”LTX-Video 过渡位于其 transitions/ 子目录。视频生成参数、固定种子和验收方法见 docs/OPENFLIPBOOK_SCENE_TRANSITIONS.md。仓库根目录的 openflipbook/ 仅作为上游参考副本并被忽略，运行与部署不依赖它。许可证全文见 frontend/THIRD_PARTY_NOTICES.md。

两种产品入口

默认首页是可探索的社会世界：

贵阳全景 → 场所 → 建筑/楼层 → 人物档案/关系/访谈
        ↘ 12 个问卷、事件与洞察工具 → 后台任务 → 停靠结果

/predict 仍保留适合严肃研究项目的五步流程：

1. 描述预测目标
2. 选择目标人群
3. 创建或导入问卷
4. 确认时间与比较情景
5. 运行并查看结果

结果固定按下面的顺序展示：

一句话结论
  → 受约束 L2 方案排序、配对差值与 COD
  → 问卷前后预测
  → 群体差异
  → 未来反应与情景比较
  → 关键影响因素
  → 不确定性与限制
  → CSV / JSON 导出与真实结果回填

模型版本、哈希、回放记录和分层明细放在“高级信息”中，不占据普通用户的主阅读路径。

本地直接体验

要求 Conda、Python 3.11+ 和 Node.js 22.13+。

1. 安装并验证 Python 环境

conda create -p ./.conda-env python=3.11 -y
conda run -p ./.conda-env pip install -e '.[dev]'
conda run -p ./.conda-env python --version

运行默认 5,000 人、10 题、30 步通用演示：

conda run -p ./.conda-env qianscope predict demo --paths 8

快速验证可使用 3 条路径：

conda run -p ./.conda-env qianscope predict demo --paths 3

2. 启动后端

conda run -p ./.conda-env qianscope serve --host 127.0.0.1 --port 8000

API 文档位于 http://127.0.0.1:8000/docs。

无需前端即可运行与目标 demo 对齐的社会世界后端：

conda run -p ./.conda-env qianscope world demo --horizon-ticks 72 --paths 3

也可以直接运行 JSON 场景，或通过 HTTP 取得默认世界：

conda run -p ./.conda-env qianscope world run scenarios/guiyang_guikesong_peak_flow.json
curl http://127.0.0.1:8000/v1/social-world/preset

HTTP 事件注入入口为 POST /v1/social-world/simulations。

结果直接包含逐轮生成的问题、不定长选项、5,000 个 Agent 的实际选择、改变判断比例、置信区间、动态代表 Agent，以及兼容地图所需的人口热区、地点活动和回放轨迹。每次运行另存 agent_decisions.parquet；任何 Agent 的答案或比例都不会成为另一个 Agent 的输入。完整设计、请求示例与验收边界见 docs/HUMAN_DIGITAL_TWIN_SOCIAL_WORLD.md。贵阳场景 ID、地图锚点和前后端约束见 docs/GUIYANG_SOCIAL_WORLD.md。原苏州适配器的历史说明保留在 docs/SUZHOU_SOCIAL_WORLD.md。

3. 启动前端

另开一个终端：

cd frontend
npm ci
npm run dev

打开 http://localhost:3000 即可进入贵阳社会世界。正式地图需要在 frontend/.env.local 配置同一高德 Web 端应用的 NEXT_PUBLIC_AMAP_KEY 与 NEXT_PUBLIC_AMAP_SECURITY_JS_CODE；未配置时页面会明确进入本地演示底图，不会伪装成高德生产接入。

进入 /predict 可使用覆盖六种题型的通用 10 题模板，也可以逐题修改或导入 JSON。

提供大模型 API 后直接使用

复制 .env.example 为 .env，在后端配置 DeepSeek V4 Flash：

QIANSCOPE_LLM_API_KEY=your-key
QIANSCOPE_LLM_BASE_URL=https://api.deepseek.com
QIANSCOPE_LLM_MODEL=deepseek-v4-flash
QIANSCOPE_LLM_TIMEOUT_SECONDS=90
QIANSCOPE_LLM_MAX_CALLS=100
QIANSCOPE_LLM_REQUIRED=true

然后重启后端。用户在页面中仍只需描述事件；系统会自动选择：

事件预测：编译自然语言或刷新模板中的不确定先验
城市模拟：编译情景或刷新事件与干预假设
社会世界/剧本：生成本次专属的语义信号与多轮独立决策脚本
问卷预测：解释事件，并基于数值结果生成结论与合成人格代表回答
人物与洞察：实时生成人物访谈、解释、限制说明和代表性叙述

所有概率、传播路径、反事实和区间仍由同一个数值运行时计算，不让大模型自由编造数字。

API 密钥只从环境变量读取，不会进入浏览器、人格、结果、回放或运行清单。线上生成调用关闭内容缓存，使用非零温度和每次唯一的变化 ID；结果只保存安全调用回执（模型、供应商调用 ID、token 用量与变化 ID）。启用 QIANSCOPE_LLM_REQUIRED=true 后，缺少模型配置会阻止服务启动，模型调用失败也会明确失败，不会静默伪装成本地生成成功。完整审计见 docs/AI_INTEGRATION_AUDIT.md。

贵州版前后端的独立部署、环境变量、数据卷与发布验收步骤见 docs/DEPLOYMENT.md。邮件登录、数据库和对象存储等通用生产依赖可参考历史清单 docs/PRODUCTION_SERVICE_REQUIREMENTS.md，其中苏州地图配置不适用于贵州新项目。

底层模型如何工作

事件描述 + 问卷 + 人群范围
              │
              ▼
 DeepSeek 语义/剧本/叙事编排（服务端实时调用）
              │
              ▼
稳定人格池 + 授权人口边际（可选 IPF）+ 多层关系与地点网络
              │
              ▼
每一时间步：观察 → 判断 → 行动 → 记忆 → 关系信任更新
              │
              ▼
 基线 / 事件 / 替代情景 × K 条可复现路径
              │
              ▼
共享随机数配对反事实 → 方案排序 / COD / P10-P50-P90
              │
              ▼
逐 Agent 问卷/事件概率 → 人口加权 → 历史时间校准（可选）
              │
              ▼
  结论、时间线、后续反应、驱动因素、限制、回放与导出

1. 稳定人格池

人格生成器位于 src/echo_swm/research/population.py。人口表使用 Parquet 持久化，并为每个人格保存 profile_hash。人格是相关结构化向量而不是 Persona Prompt；事件只能更新信念、情绪、目标激活、意图、记忆和关系信任，不能直接修改人格与价值。字段来源逐类标记为 observed、inferred 或 synthetic；当前内置人口全部明确标记为 synthetic，不冒充真实个人。

人格详情按 echo-persona-definition-v3 公开 9 组 54 个维度，包括大五人格、施瓦茨价值观、道德基础、风险、认知风格、目标、信念、信息行动倾向与渠道偏好；每个维度都携带定义、量尺、两端含义、来源和版本。完整口径见 docs/PERSONA_DEFINITION.md。

扩展到 20,000 人时仍只创建批量数组，不为每个 Agent 启动独立进程，因此本地电脑也能运行。关键/代表/背景分层影响推理深度、决策噪声和传播放大，但三层均进入每一个时间步。

2. 关系传播与事件状态

运行时位于 src/echo_swm/research/runtime.py。事件通过媒体偏好逐 Agent 采样首次暴露，随后只沿家庭、熟人、同事、社区和线上关系传播。未直接或间接触达的 Agent 不接收事件证据。关系强度、信任、同质性、关键 Agent 放大和阻断共同决定传播；互动后的立场一致性还会更新关系信任。

每一步都预测 support / oppose / share / discuss / silence / participate / exit 七类行动，并更新知晓、信念、态度、情绪、信任、风险、工作记忆和事件记忆。回放日志逐步证明全部 5,000 人完成四阶段。

3. 问卷预测

问卷映射位于 src/echo_swm/research/survey.py。每道结构化题先得到逐 Agent 选项概率，再按人口权重聚合；事件前状态生成基线答案，事件后每条路径生成后测答案。分组结果默认覆盖年龄、性别、社会角色、单位类型、教育背景和主要信息渠道，并输出完整回答分布、原型数与加权规模。

开放题不伪造“真实原话”：关键与代表 Agent 根据结构化状态形成模拟主题和明确标记的代表回答，再输出主题占比。

每份正式结果还包含模型/数据版本、种子、路径数、成功/失败 Agent 数、有效样本量、区间定义和自动质量门；概率守恒、行动人数、交叉表覆盖、未来信息隔离等检查不会只停留在前端文案。

4. 不确定性、复现与校准

相同人口 ID、输入、种子与配置产生相同 deterministic_signature。
每个情景运行 K 条路径，界面显示中位结果和 p10—p90 常见范围。
相同路径编号在全部情景中共享外生随机数；结果额外输出相对无事件基线的配对差值、方向一致率、COD 与综合排序。
replay.jsonl 为每个情景、路径、时间步保存状态哈希、前序哈希、阶段人数、实际触达/未触达人数和分层人数。
run_manifest.json 保存请求、人口签名、版本与所有输出文件哈希。
授权人口边际通过 raking 改写调查权重；问卷总量、分组、事件时间线、行动占比和驱动因素使用同一套权重。
历史校准使用严格的 forecast_as_of / outcome_available_at 时间边界，避免把预测时尚未知的结果泄漏到训练集。
校准按“同题选项 → 同测量构念 → 问卷类型全局”和“同事件结果 → 事件类型全局”逐级回退；未通过时间留出门槛的候选版本会保存但不会应用。
POST /v1/predictions/{run_id}/outcomes 接收真实结果、立即计算误差；若回填方案指标，还会报告方向正确率、Top-1、Spearman、Kendall、区间覆盖率、宽度与 WIS。

接入授权人口与历史结果

五步页面中的两项数据导入都是可选项，不会增加必填步骤：第 2 步可导入人口边际，第 3 步可导入历史校准记录。系统只接受已确认授权、且已经去标识化或为聚合统计的数据；内置示例仅说明格式，不代表真实人口或真实准确率。

人口边际最小格式：

{
  "dataset_id": "population_margins_2026q2",
  "name": "目标人群授权聚合边际",
  "source": "your_authorized_source",
  "observed_at": "2026-06-30T00:00:00+08:00",
  "available_at": "2026-07-15T00:00:00+08:00",
  "authorization_confirmed": true,
  "deidentified_or_aggregate": true,
  "scale": "proportion",
  "target_population": 100000,
  "margins": {
    "age_group": {"18-24": 0.12, "25-34": 0.24, "35-44": 0.23, "45-59": 0.25, "60+": 0.16}
  }
}

支持的人口边际字段为 age_group、education_level、gender、primary_channel、region_type 和 social_role。比例边际每个字段必须合计为 1；计数边际必须合计为 target_population。目标类别在合成人格池中没有支持时会拒绝运行，而不是静默外推。

历史校准数据最少包含 10 条记录。问卷记录使用 target_type=question_option 以及题目、选项和测量构念；事件记录使用 target_type=event_outcome 以及固定结果 ID：

{
  "dataset_id": "history_2024_2026",
  "name": "授权历史问卷与事件结果",
  "source": "your_authorized_archive",
  "authorization_confirmed": true,
  "deidentified_or_aggregate": true,
  "observations": [{
    "observation_id": "obs_001",
    "target_type": "question_option",
    "question_id": "q_support",
    "option_id": "support",
    "construct": "support",
    "forecast_as_of": "2025-01-01T00:00:00+08:00",
    "outcome_available_at": "2025-01-20T00:00:00+08:00",
    "predicted_probability": 0.42,
    "observed_share": 0.47,
    "sample_size": 800,
    "horizon_ticks": 30,
    "source": "survey_wave_01"
  }]
}

完整契约可从 /v1/examples/population-margin、/v1/examples/calibration-dataset 或 data_contracts/research-*.schema.json 获取。dataset_id 是不可变版本键：同 ID、同内容可安全重试，同 ID、不同内容返回冲突，更新数据时必须使用新 ID。API 工作流是：登记人口边际 → 登记历史数据 → 拟合校准版本 → 在 POST /v1/predictions 中传入 population_margin_id 和 calibration_id。

更完整的机制说明见 docs/RESEARCH_PREDICTION.md，产品验收标准见 docs/PRODUCT_REQUIREMENTS.md。

主产品 API

方法	路径	用途
`POST`	`/v1/populations/generate`	生成并验证 5,000—20,000 人稳定人格池
`GET`	`/v1/populations/{population_id}`	获取人口清单与验证结果
`POST`	`/v1/questionnaires`	保存六类题型的问卷
`GET`	`/v1/questionnaires/{questionnaire_id}`	获取已保存问卷
`POST`	`/v1/population-margins`	登记授权聚合人口边际
`GET`	`/v1/population-margins/{dataset_id}`	读取人口边际及来源
`POST`	`/v1/calibration-datasets`	登记历史问卷预测和真实事件结果
`POST`	`/v1/calibrations`	执行时间留出拟合并生成不可变校准版本
`GET`	`/v1/calibrations/{calibration_id}`	查看校准参数、留出指标与是否可应用
`POST`	`/v1/predictions`	用人口、问卷、事件与时间范围运行完整预测
`GET`	`/v1/predictions`	列出最近项目
`GET`	`/v1/predictions/{run_id}`	获取按产品顺序组织的结果
`GET`	`/v1/predictions/{run_id}/replay`	验证逐步参与和文件哈希
`GET`	`/v1/predictions/{run_id}/export?format=csv`	导出问卷结果；也支持 `json`
`POST`	`/v1/predictions/{run_id}/outcomes`	回填真实问卷与事件结果
`GET`	`/v1/personas`	检索 5,000 个稳定人格原型
`GET`	`/v1/personas/{persona_id}`	读取人格、状态、记忆、日程与关系
`POST`	`/v1/personas/{persona_id}/interview`	受认知边界约束的人物访谈
`POST`	`/v1/insights`	运行 9 类通用洞察工具
`GET`	`/v1/insights/{run_id}`	恢复洞察结果
`POST`	`/v1/jobs/{insight\|prediction\|world}`	创建统一后台任务
`GET`	`/v1/jobs/{job_id}`	读取轮次、实际决策数、处理人数和最新 Agent 回答
`GET`	`/v1/jobs/{job_id}/result`	恢复已完成任务结果
`POST`	`/v1/jobs/{job_id}/cancel`	请求在安全计算边界终止任务

机器可读 Schema 位于 data_contracts/research-*.schema.json。

运行产物

artifacts/research/
  populations/{population_id}/
    agents.parquet
    relationships.parquet
    manifest.json
  questionnaires/{questionnaire_id}.json
  grounding/population_margins/{dataset_id}.json
  calibration/
    datasets/{dataset_id}.json
    profiles/{calibration_id}.json
    backfill_observations.jsonl    # 回填真实结果后出现
  predictions/runs/{run_id}/
    request.json
    result.json
    questionnaire_forecast.csv
    individual_predictions.parquet
    timeline.csv
    replay.jsonl
    run_manifest.json
    outcomes.jsonl                 # 回填真实结果后出现

项目结构

src/echo_swm/research/             人格、人口约束、语义、传播、问卷、校准、结果与回放
src/echo_swm/personas/             稳定人格目录、搜索、详情、关系与访谈
src/echo_swm/insights/             九类通用洞察聚合引擎
src/echo_swm/jobs/                 后台任务、进度、终止、持久化和恢复
src/echo_swm/serving/              FastAPI 与版本化接口
frontend/components/social-world*  默认社会世界体验、高德贵阳地图与开发降级适配层
frontend/app/predict/              五步式严肃研究流程
frontend/components/               问卷编辑器、结果视图与共享组件
data_contracts/research-*.json     主产品机器契约
tests/unit/test_research_*         人格、运行时、问卷和复现测试
tests/integration/test_research_*  完整 API 流程测试
src/echo_swm/event_forecasting/    旧候选事件危险率引擎（高级底层能力）
src/echo_swm/city/                 苏州 World Adapter 示例（非主产品）

完整质量检查

conda run -p ./.conda-env ruff check .
conda run -p ./.conda-env ruff format --check .
conda run -p ./.conda-env mypy src
conda run -p ./.conda-env pytest

cd frontend
npm run check

当前边界

仓库不附带真实人口或历史结果；内置人口和两份格式示例均为合成数据。5,000 个 Agent 不等于 5,000 名真实受访者。
已实现授权人口边际和历史结果的接入、诊断与版本化校准，但只有用户实际提供合规数据且留出验证通过后，对应运行才会标记为“已加权”或“已校准”。
人口边际只约束已提供的聚合维度，无法自动修复抽样框缺失、未响应偏差、关系网络偏差或分布漂移；真实使用仍需要数据卡、外部盲测与持续监控。
事件文本语义若不明确且未配置大模型，结果会标记为低置信/分布外，界面提示谨慎解释。
系统输出的是条件概率和情景差异，不是因果结论，也不是对未来的保证。
禁止用于重新识别、针对具体个人的高风险决策、歧视、隐性操纵或绕过人工与合规审查。

本结果为概率模拟与条件预测，不构成对现实结果的保证。

参与贡献与许可证

提交代码前请阅读 CONTRIBUTING.md 与 SECURITY.md。项目采用 Apache License 2.0。clean-room 对照边界与逐项验收见 docs/REN_LAB_REPLICATION_SPEC.md。

Name		Name	Last commit message	Last commit date
.github/workflows		.github/workflows
.playwright-cli		.playwright-cli
artifacts		artifacts
configs/cities		configs/cities
data_contracts		data_contracts
docs		docs
frontend		frontend
output		output
scenarios		scenarios
scripts		scripts
src		src
tests		tests
.dockerignore		.dockerignore
.env.example		.env.example
.gitignore		.gitignore
.zeaburignore		.zeaburignore
CONTRIBUTING.md		CONTRIBUTING.md
Dockerfile		Dockerfile
LICENSE		LICENSE
Makefile		Makefile
PROGRESS.md		PROGRESS.md
README.md		README.md
SECURITY.md		SECURITY.md
docker-compose.yml		docker-compose.yml
prompt.md		prompt.md
pyproject.toml		pyproject.toml
uv.lock		uv.lock

Navigation Menu

Repository files navigation

黔镜 QianScope：可交互社会世界与通用事件预测

在线访问（Zeabur）

技术栈与技术选型

现在已经能做什么

两种产品入口

本地直接体验

1. 安装并验证 Python 环境

2. 启动后端

3. 启动前端

提供大模型 API 后直接使用

底层模型如何工作

1. 稳定人格池

2. 关系传播与事件状态

3. 问卷预测

4. 不确定性、复现与校准

接入授权人口与历史结果

主产品 API

运行产物

项目结构

完整质量检查

当前边界

参与贡献与许可证

About

Releases

Packages

Contributors

Languages

Latest commit

History

Folders and files

Repository files navigation

黔镜 QianScope：可交互社会世界与通用事件预测

在线访问（Zeabur）

技术栈与技术选型

现在已经能做什么

两种产品入口

本地直接体验

1. 安装并验证 Python 环境

2. 启动后端

3. 启动前端

提供大模型 API 后直接使用

底层模型如何工作

1. 稳定人格池

2. 关系传播与事件状态

3. 问卷预测

4. 不确定性、复现与校准

接入授权人口与历史结果

主产品 API

运行产物

项目结构

完整质量检查

当前边界

参与贡献与许可证

About

Topics

Resources

Contributing

Security policy

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages