WuYanBo
/
CodeReview
1
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
CodeReview/backend/架构升级方案.md

26 KiB
Raw Blame History

DeepAudit Agent 架构重构升级方案 一、现状分析 当前 DeepAudit 架构特点 DeepAudit 目前采用基于 LangGraph 的固定流程图架构。整个审计流程按照 Recon（信息收集）→ Analysis（漏洞分析）→ Verification（漏洞验证）→ Report（报告生成）的线性顺序执行。每个阶段由一个专门的 Agent 负责，Agent 之间通过 TaskHandoff 机制传递结构化的上下文信息。

这种架构的优点是流程清晰、易于理解和调试，但存在几个明显的局限性：

第一，流程过于固定。无论面对什么类型的项目或漏洞，都必须走完整个流程，无法根据实际发现动态调整策略。比如发现了一个 SQL 注入线索，无法立即深入分析，必须等待 Analysis 阶段统一处理。

第二，Agent 专业化程度不足。Analysis Agent 需要同时处理所有类型的漏洞，从 SQL 注入到 XSS 到 SSRF，这导致系统提示词过于庞大，LLM 难以在每种漏洞类型上都表现出专家级水平。

第三，缺乏动态协作能力。Agent 之间只能按照预设的顺序传递信息，无法根据需要动态创建新的 Agent 或在 Agent 之间进行实时通信。

Strix 架构的启示 Strix 是一个开源的 AI 安全测试 Agent 项目，它采用了完全不同的架构理念。通过深入分析 Strix 的设计，我们可以获得以下关键启示：

Strix 的核心是动态 Agent 树结构。根 Agent 可以根据任务需要随时创建子 Agent，每个子 Agent 专注于特定的漏洞类型或任务。子 Agent 完成后向父 Agent 汇报结果，父 Agent 可以根据结果决定是否需要创建更多子 Agent 或进行其他操作。

Strix 的另一个亮点是模块化的专业知识系统。它为每种漏洞类型都准备了详细的 Jinja2 模板，包含该漏洞的检测方法、利用技术、绕过手段、验证步骤等专业知识。创建 Agent 时可以指定加载哪些知识模块，让 Agent 在特定领域具备专家级能力。

此外，Strix 还实现了 Agent 间的消息传递机制、完善的状态管理、工具的沙箱执行、LLM 调用优化等高级特性。

二、升级后的整体架构 核心设计理念 升级后的 DeepAudit 将采用"动态 Agent 协作 + 专业知识模块 + 智能编排"的三层架构。

最底层是专业知识模块层，包含各种漏洞类型、框架、技术栈的专业知识库。这些知识以模板形式存储，可以按需加载到 Agent 的系统提示词中。

中间层是 Agent 执行层，包含可动态创建和销毁的 Agent 实例。每个 Agent 都有完整的生命周期管理，可以执行任务、调用工具、与其他 Agent 通信。

最上层是智能编排层，负责根据审计目标和实时发现来协调整个审计流程，决定何时创建什么类型的 Agent，如何分配任务，何时结束审计。

动态 Agent 树 与当前固定的四阶段流程不同，升级后的系统将采用动态 Agent 树结构。

审计开始时，系统创建一个根 Agent（Root Agent）。根 Agent 首先进行初步的信息收集，了解项目的技术栈、目录结构、入口点等基本信息。然后根据收集到的信息，根 Agent 决定需要创建哪些专业子 Agent。

例如，如果发现项目使用了 SQL 数据库，根 Agent 可能会创建一个专门的 SQL 注入检测 Agent；如果发现有用户输入直接渲染到页面的代码，可能会创建一个 XSS 检测 Agent；如果发现有 HTTP 请求的代码，可能会创建一个 SSRF 检测 Agent。

每个子 Agent 专注于自己的任务领域。当子 Agent 发现可疑的漏洞线索时，它可以进一步创建验证子 Agent 来确认漏洞是否真实存在。验证通过后，还可以创建报告子 Agent 来生成正式的漏洞报告。

这种树状结构的好处是：任务可以无限细分，每个 Agent 都能专注于自己擅长的领域；发现和验证可以并行进行，提高效率；根据实际情况动态调整策略，而不是机械地执行固定流程。

Agent 间通信机制 升级后的系统将实现完善的 Agent 间通信机制。

每个 Agent 都有一个消息队列，其他 Agent 可以向这个队列发送消息。消息类型包括：查询消息（请求信息）、指令消息（要求执行某个操作）、信息消息（分享发现或状态）。

当 Agent 处于等待状态时，它会检查自己的消息队列。如果有新消息，Agent 会处理消息并可能恢复执行。这种机制使得 Agent 之间可以进行实时协作，而不仅仅是单向的结果传递。

例如，SQL 注入检测 Agent 在分析过程中发现某个函数可能存在问题，但需要了解这个函数的调用上下文。它可以向根 Agent 发送查询消息，请求提供相关信息。根 Agent 收到消息后，可以调用代码搜索工具获取信息，然后回复给 SQL 注入检测 Agent。

Agent 状态管理 每个 Agent 都有完整的状态管理，状态信息包括：

基本信息：Agent 的唯一标识、名称、父 Agent 标识、创建时间等。

任务信息：当前任务描述、任务上下文、从父 Agent 继承的信息等。

执行状态：当前迭代次数、最大迭代限制、运行状态（运行中、等待中、已完成、失败、已停止）等。

对话历史：与 LLM 的完整对话记录，包括系统提示词、用户消息、助手回复等。

执行记录：已执行的动作列表、观察结果列表、错误记录等。

发现列表：该 Agent 发现的所有漏洞和可疑点。

这种完整的状态管理使得 Agent 可以被暂停和恢复，可以被序列化和持久化，也便于调试和审计。

三、专业知识模块系统 模块化设计 专业知识模块是升级后架构的核心创新之一。我们将为不同的漏洞类型、框架、技术栈创建专门的知识模块。

漏洞类型模块包括：SQL 注入、XSS、SSRF、IDOR、认证绕过、远程代码执行、路径遍历、XXE、CSRF、竞态条件、反序列化、业务逻辑漏洞等。每个模块都包含该漏洞类型的完整知识体系。

框架知识模块包括：FastAPI、Django、Flask、Express、Next.js、Spring、Laravel 等主流框架。每个模块包含该框架的安全特性、常见漏洞模式、最佳实践等。

技术栈模块包括：Supabase、Firebase、GraphQL、gRPC、WebSocket 等。每个模块包含该技术的安全考量和常见问题。

模块内容结构 以 SQL 注入模块为例，它应该包含以下内容：

漏洞概述：SQL 注入的定义、危害、影响范围。

检测方法：错误型注入检测、布尔型注入检测、时间型注入检测、带外注入检测的具体技术和判断标准。

数据库特定知识：MySQL、PostgreSQL、MSSQL、Oracle 等不同数据库的特有语法、函数、利用技术。

绕过技术：WAF 绕过、过滤绕过、编码绕过等高级技术。

ORM 和查询构建器：各种 ORM 框架中容易出现 SQL 注入的 API 和模式。

验证步骤：如何确认漏洞真实存在，如何构造 PoC，如何评估影响。

误报识别：哪些情况容易被误判为 SQL 注入，如何排除误报。

修复建议：参数化查询、ORM 正确用法、输入验证等修复方案。

模块加载机制 创建 Agent 时，可以指定该 Agent 需要加载哪些知识模块。系统会将这些模块的内容动态注入到 Agent 的系统提示词中。

为了控制提示词长度和保持 Agent 的专注度，每个 Agent 最多加载 5 个知识模块。这个限制迫使我们为每个 Agent 选择最相关的知识，而不是试图让一个 Agent 掌握所有知识。

模块之间可以有依赖关系。例如，FastAPI 框架模块可能依赖 Python 安全基础模块；GraphQL 模块可能依赖 API 安全基础模块。加载模块时会自动处理这些依赖。

四、工具系统升级 统一的工具注册机制 升级后的工具系统将采用装饰器模式进行统一注册。每个工具都需要提供：工具名称、功能描述、参数定义、返回值说明。

工具按类别组织，包括：文件操作类（读取文件、搜索文件、列出目录）、代码分析类（模式匹配、数据流分析、AST 分析）、外部扫描类（Semgrep、Bandit、Gitleaks 等）、验证执行类（沙箱命令执行、HTTP 请求）、协作类（创建子 Agent、发送消息、等待消息）、推理类（思考工具）、报告类（创建漏洞报告）。

Think 工具 Think 工具是从 Strix 借鉴的关键创新。这是一个让 Agent 进行深度推理的工具，Agent 可以用它来：

分析复杂情况：当面对复杂的代码逻辑或不确定的漏洞线索时，Agent 可以调用 Think 工具进行深入思考。

规划下一步行动：在执行具体操作之前，先用 Think 工具规划策略。

评估发现的严重性：发现可疑点后，用 Think 工具评估其真实性和影响。

决定是否需要创建子 Agent：当任务变得复杂时，用 Think 工具分析是否需要分解任务。

Think 工具的输出会被记录到 Agent 的对话历史中，帮助 LLM 保持思路的连贯性。

漏洞报告工具 漏洞报告工具是正式记录漏洞的唯一方式。只有通过这个工具创建的漏洞才会被计入最终报告。这个设计确保了漏洞报告的规范性和完整性。

报告工具要求提供完整的漏洞信息：漏洞类型、严重程度、标题、详细描述、文件位置、代码片段、PoC、影响分析、修复建议等。

通常只有专门的报告 Agent 才会调用这个工具，确保漏洞在被正式报告之前已经经过了充分的验证。

沙箱执行 涉及代码执行或网络请求的工具都在沙箱环境中运行。沙箱提供资源隔离（CPU、内存、网络限制）、文件系统隔离、超时控制等安全保障。

沙箱执行通过 Tool Server 机制实现。Agent 发送工具调用请求到 Tool Server，Tool Server 在沙箱中执行工具并返回结果。这种设计使得即使工具执行出现问题，也不会影响主系统的稳定性。

五、LLM 调用优化 Prompt Caching 对于支持 Prompt Caching 的 LLM（如 Anthropic Claude），系统会自动为系统提示词和早期对话添加缓存标记。这样在多轮对话中，这些内容只需要处理一次，后续调用可以直接使用缓存，显著降低 Token 消耗和响应延迟。

缓存策略会根据对话长度动态调整。对于短对话，只缓存系统提示词；对于长对话，会在关键位置添加多个缓存点。

Memory Compression 当对话历史变得很长时，系统会自动进行压缩。压缩策略包括：

移除冗余信息：重复的工具调用结果、过长的代码输出等会被截断或摘要。

合并相似消息：连续的同类型消息可能被合并。

保留关键信息：重要的发现、决策点、错误信息等会被优先保留。

压缩后的对话历史仍然保持语义完整性，LLM 可以理解之前发生了什么，但 Token 消耗大大降低。

智能重试 LLM 调用可能因为各种原因失败：网络问题、速率限制、服务不可用等。系统实现了智能重试机制：

对于可重试的错误（如速率限制），会等待适当时间后重试。

对于不可重试的错误（如认证失败），会立即报错并提供清晰的错误信息。

重试时会使用指数退避策略，避免对 LLM 服务造成过大压力。

六、审计流程重构 启动阶段 用户发起审计请求后，系统首先创建根 Agent。根 Agent 加载通用的安全审计知识模块和项目相关的框架知识模块。

根 Agent 的第一个任务是信息收集：扫描项目目录结构、识别技术栈、找出入口点、分析依赖关系。这个阶段类似于当前的 Recon 阶段，但更加灵活。

任务分解阶段 根据信息收集的结果，根 Agent 决定如何分解审计任务。它会考虑：

项目使用了哪些技术？需要创建哪些专业 Agent？

有哪些高风险区域？应该优先分析哪些部分？

项目规模如何？需要多少并行 Agent？

根 Agent 会创建一批初始的子 Agent，每个子 Agent 负责特定的漏洞类型或代码区域。

并行分析阶段 多个子 Agent 并行工作，各自在自己的专业领域进行深入分析。

每个子 Agent 都有自己的工作循环：思考当前状态、选择工具执行、观察结果、决定下一步。这个循环会持续进行，直到 Agent 认为任务完成或达到迭代限制。

子 Agent 在分析过程中可能会发现需要进一步调查的线索。这时它可以创建更专业的子 Agent 来处理，形成多层的 Agent 树。

验证阶段 当分析 Agent 发现可疑的漏洞时，它会创建验证 Agent 来确认漏洞是否真实存在。

验证 Agent 会尝试构造 PoC、进行数据流追踪、在沙箱中测试等。验证通过后，验证 Agent 会创建报告 Agent 来生成正式的漏洞报告。

如果验证失败，验证 Agent 会将结果反馈给父 Agent，父 Agent 可以决定是否需要进一步调查或将其标记为误报。

汇总阶段 当所有子 Agent 都完成工作后，根 Agent 会汇总所有发现，生成最终的审计报告。

报告包括：发现的所有漏洞（按严重程度排序）、安全评分、技术栈分析、高风险区域标注、修复建议优先级等。

七、可观测性和调试 完整的事件追踪 系统会记录所有重要事件：Agent 创建和销毁、工具调用和结果、LLM 请求和响应、Agent 间消息、状态变更等。

这些事件可以实时推送到前端，让用户看到审计的进展。也可以持久化到数据库，用于后续分析和审计。

Agent 树可视化 前端可以展示当前的 Agent 树结构，显示每个 Agent 的状态、任务、发现数量等信息。用户可以点击任何 Agent 查看其详细信息和对话历史。

调试模式 在调试模式下，系统会记录更详细的信息，包括完整的 LLM 提示词和响应、工具执行的详细日志、状态变更的完整历史等。这些信息对于排查问题和优化系统非常有价值。

八、与现有架构的兼容 渐进式迁移 升级不需要一次性完成，可以渐进式进行。

第一步，保持现有的 LangGraph 流程不变，但将 Agent 的状态管理升级为新的模型。

第二步，引入专业知识模块系统，让现有的 Analysis Agent 可以加载不同的知识模块。

第三步，在 Analysis 阶段内部引入子 Agent 机制，允许创建专业的漏洞检测子 Agent。

第四步，逐步放开流程限制，让 Agent 可以更灵活地决定下一步操作。

第五步，完全迁移到动态 Agent 树架构。

保留 LangGraph 的优势 LangGraph 提供了很好的状态管理和检查点机制，这些在新架构中仍然有价值。我们可以将 LangGraph 用于根 Agent 的高层编排，而在子 Agent 层面使用更灵活的动态创建机制。

九、预期收益 更深度的漏洞发现 专业知识模块让每个 Agent 都具备安全专家级别的知识。专注于单一漏洞类型的 Agent 比通用 Agent 更容易发现深层次的问题。

更高的效率 并行的 Agent 执行比串行流程更快。动态任务分解避免了在无关区域浪费时间。

更低的成本 Prompt Caching 和 Memory Compression 显著降低 Token 消耗。专业化的 Agent 使用更短的提示词就能达到更好的效果。

更好的可扩展性 添加新的漏洞类型只需要创建新的知识模块。支持新的框架只需要添加框架知识模块。整个系统的扩展不需要修改核心架构。

更强的可解释性 完整的事件追踪和 Agent 树可视化让用户清楚地了解系统在做什么。Think 工具的输出展示了 Agent 的推理过程。

这个升级方案借鉴了 Strix 的核心设计理念，同时保留了 DeepAudit 的既有优势，通过渐进式迁移降低风险，最终实现一个更强大、更灵活、更专业的安全审计 Agent 系统。

十、实施进度记录

已完成的工作 (2024-12)

1. 核心模块系统 ✅

  • core/state.py: 增强的Agent状态管理，支持完整生命周期
  • core/registry.py: Agent注册表和动态Agent树管理
  • core/message.py: Agent间通信机制（消息总线）

2. 专业知识模块系统 ✅ (基于RAG)

采用模块化文件组织，统一使用RAG进行知识检索：

knowledge/
├── base.py                 # 基础定义（KnowledgeDocument, KnowledgeCategory）
├── loader.py               # 知识加载器
├── rag_knowledge.py        # RAG检索系统
├── tools.py                # 知识查询工具
├── vulnerabilities/        # 漏洞类型知识
│   ├── injection.py        # SQL注入、NoSQL注入、命令注入、代码注入
│   ├── xss.py              # 反射型XSS、存储型XSS、DOM型XSS
│   ├── auth.py             # 认证绕过、IDOR、访问控制失效
│   ├── crypto.py           # 弱加密、硬编码凭证
│   ├── ssrf.py             # SSRF
│   ├── deserialization.py  # 不安全的反序列化
│   ├── path_traversal.py   # 路径遍历
│   ├── xxe.py              # XXE
│   └── race_condition.py   # 竞态条件
└── frameworks/             # 框架安全知识
    ├── fastapi.py          # FastAPI安全
    ├── django.py           # Django安全
    ├── flask.py            # Flask安全
    ├── express.py          # Express.js安全
    ├── react.py            # React安全
    └── supabase.py         # Supabase安全

3. Agent基类增强 ✅

  • 支持动态Agent树（parent_id, 子Agent创建）
  • Agent间消息通信
  • TaskHandoff协作机制
  • 知识模块加载
  • Memory Compression集成

4. 工具系统 ✅

  • thinking_tool.py: Think和Reflect工具
  • reporting_tool.py: 漏洞报告工具
  • agent_tools.py: Agent协作工具
    • CreateSubAgentTool: 动态创建子Agent
    • SendMessageTool: Agent间消息发送
    • ViewAgentGraphTool: 查看Agent树
    • WaitForMessageTool: 等待消息
    • AgentFinishTool: 子Agent完成报告

5. LLM调用优化 ✅

  • memory_compressor.py: 对话历史压缩
    • 自动检测是否需要压缩
    • 保留关键信息（发现、工具使用、决策、错误）
    • 智能摘要生成
  • Agent基类集成自动压缩

6. Orchestrator Agent ✅

  • LLM驱动的编排决策
  • 动态调度子Agent
  • ReAct模式执行

已完成的工作 (2024-12 续)

7. Prompt Caching ✅

  • llm/prompt_cache.py: Prompt 缓存管理器
    • 支持 Anthropic Claude 的 Prompt Caching
    • 动态缓存策略（SYSTEM_ONLY, SYSTEM_AND_EARLY, MULTI_POINT）
    • 缓存统计和效果追踪
    • Token 估算工具
  • LiteLLM 适配器集成缓存支持

8. 动态Agent树执行器 ✅

  • core/executor.py: 完整的执行器实现
    • DynamicAgentExecutor: 动态Agent树执行器
      • 并行Agent执行（带信号量控制）
      • 任务依赖管理
      • 执行结果汇总
      • 超时和取消处理
    • SubAgentExecutor: 子Agent执行器
      • 从父Agent创建和执行子Agent
      • 并行子Agent执行
      • 结果收集和汇总
    • ExecutionTask: 执行任务数据结构
    • ExecutionResult: 执行结果数据结构

9. Agent状态持久化 ✅

  • core/persistence.py: 持久化模块
    • AgentStatePersistence: 状态持久化管理器
      • 文件系统持久化
      • 数据库持久化（可选）
      • 检查点列表和清理
    • CheckpointManager: 检查点管理器
      • 自动检查点（按迭代间隔）
      • 检查点恢复
      • 状态回滚

10. 增强的Agent协作工具 ✅

  • CreateSubAgentTool: 增强版
    • 支持立即执行模式
    • 集成SubAgentExecutor
    • 上下文传递
  • RunSubAgentsTool: 批量执行子Agent
    • 并行/顺序执行
    • 结果汇总
  • CollectSubAgentResultsTool: 收集子Agent结果

11. 数据库模型扩展 ✅

  • AgentCheckpoint: Agent检查点模型
    • 状态数据存储
    • 执行统计
    • 检查点类型（auto/manual/error/final）
  • AgentTreeNode: Agent树节点模型
    • 树结构记录
    • 执行状态追踪
    • 结果汇总
  • Alembic迁移脚本: 007_add_agent_checkpoint_tables.py

12. API 端点 ✅

  • GET /agent-tasks/{task_id}/agent-tree: Agent树查询API
    • 返回完整的Agent树结构
    • 支持运行时内存查询和数据库查询
    • 包含执行状态和发现统计
  • GET /agent-tasks/{task_id}/checkpoints: 检查点列表API
    • 支持按Agent ID过滤
    • 分页支持
  • GET /agent-tasks/{task_id}/checkpoints/{checkpoint_id}: 检查点详情API
    • 返回完整的Agent状态数据

已完成的工作 (2024-12 续2)

13. 前端 Agent 审计页面 ✅ (Strix-inspired Terminal UI)

  • frontend/src/shared/api/agentTasks.ts: 扩展 API

    • AgentTreeNode, AgentTreeResponse 类型定义
    • AgentCheckpoint, CheckpointDetail 类型定义
    • getAgentTree(): 获取 Agent 树结构
    • getAgentCheckpoints(): 获取检查点列表
    • getCheckpointDetail(): 获取检查点详情

  • frontend/src/pages/AgentAudit.tsx: 统一的 Agent 审计页面 (参考 Strix TUI 设计)

    • 布局: 左侧活动日志 (75%) + 右侧 Agent 树和统计 (25%)
    • 启动画面: ASCII Art + 动画加载效果
    • 活动日志:
      • 实时流式显示 Agent 思考过程
      • 工具调用和结果展示
      • 漏洞发现高亮
      • 自动滚动控制
      • 可折叠的日志条目
    • Agent 树可视化:
      • 树状结构展示
      • 节点状态图标（运行中/已完成/失败/等待）
      • 发现数量徽章
      • 节点选择交互
    • 实时统计面板:
      • 进度百分比
      • 文件分析进度
      • Token 使用量
      • 发现数量
      • 严重程度分布
    • 创建任务对话框: 选择项目后直接跳转到实时流页面
    • 任务控制: 停止/取消任务

  • frontend/src/app/routes.tsx: 路由配置

    • /agent-audit: 启动画面 + 创建任务
    • /agent-audit/:taskId: 任务实时流页面

  • frontend/src/components/layout/Sidebar.tsx: 侧边栏导航

    • 新增 Agent 审计入口图标

已完成的工作 (2024-12 续3)

14. 执行架构切换 ✅

  • 移除旧的 LangGraph 固定流程架构
  • 启用新的动态 Agent 树架构
  • backend/app/api/v1/endpoints/agent_tasks.py:
    • _execute_agent_task() 重写为使用 OrchestratorAgent
    • OrchestratorAgent 作为大脑，动态调度子 Agent
    • 子 Agent: ReconAgent, AnalysisAgent, VerificationAgent
    • 新增辅助函数: _get_user_config(), _initialize_tools(), _collect_project_info(), _save_findings(), _calculate_security_score()

待完成的工作

1. 前端增强

  • 知识模块选择 UI（创建任务时）
  • 检查点恢复功能
  • 导出报告功能

2. 测试和优化

  • 单元测试
  • 集成测试
  • 性能优化
  • 并发执行压力测试

3. 文档

  • API文档更新
  • 架构图更新
  • 使用指南

十一、架构升级总结

已实现的核心功能

  1. Prompt Caching - 为 Claude 等 LLM 提供缓存支持，减少 Token 消耗
  2. 动态 Agent 树执行 - OrchestratorAgent 作为大脑，动态调度子 Agent
  3. Agent 状态持久化 - 文件系统和数据库双重持久化
  4. 检查点机制 - 自动检查点、状态恢复、执行历史追踪
  5. 增强的协作工具 - 子 Agent 创建、批量执行、结果收集
  6. 完整的 API 支持 - Agent 树查询、检查点管理
  7. 旧架构已移除 - 不再使用 LangGraph 固定流程，完全切换到动态 Agent 树

文件清单

backend/app/services/
├── llm/
│   ├── __init__.py              # 模块导出
│   ├── prompt_cache.py          # 🆕 Prompt Caching
│   ├── memory_compressor.py     # Memory Compression
│   └── adapters/
│       └── litellm_adapter.py   # 集成 Prompt Caching
│
├── agent/
│   ├── core/
│   │   ├── __init__.py          # 模块导出
│   │   ├── state.py             # Agent 状态管理
│   │   ├── registry.py          # Agent 注册表
│   │   ├── message.py           # Agent 间通信
│   │   ├── executor.py          # 🆕 动态 Agent 树执行器
│   │   └── persistence.py       # 🆕 状态持久化
│   │
│   ├── tools/
│   │   ├── __init__.py          # 模块导出
│   │   ├── agent_tools.py       # 🔄 增强的协作工具
│   │   ├── thinking_tool.py     # Think/Reflect 工具
│   │   └── reporting_tool.py    # 漏洞报告工具
│   │
│   ├── knowledge/               # 专业知识模块
│   │   ├── vulnerabilities/     # 漏洞类型知识
│   │   └── frameworks/          # 框架安全知识
│   │
│   └── agents/
│       ├── base.py              # Agent 基类
│       ├── orchestrator.py      # 编排 Agent
│       ├── analysis.py          # 分析 Agent
│       └── verification.py      # 验证 Agent

backend/app/models/
└── agent_task.py                # 🔄 新增 AgentCheckpoint, AgentTreeNode

backend/app/api/v1/endpoints/
└── agent_tasks.py               # 🔄 新增 Agent 树和检查点 API

backend/alembic/versions/
└── 007_add_agent_checkpoint_tables.py  # 🆕 数据库迁移

frontend/src/shared/api/
└── agentTasks.ts                # 🔄 扩展 Agent 树和检查点 API

frontend/src/pages/
└── AgentAudit.tsx               # 🆕 统一的 Agent 审计页面 (Strix-inspired)

frontend/src/app/
└── routes.tsx                   # 🔄 新增 Agent 审计路由

frontend/src/components/layout/
└── Sidebar.tsx                  # 🔄 新增 Agent 审计导航图标

下一步计划

  1. 测试前端页面渲染和流式事件
  2. 知识模块选择 UI
  3. 检查点恢复功能