AI导哈

新闻分类与警报系统

一个实时新闻分类、RAG增强摘要和MCP启发决策逻辑的系统，用于实时新闻分类、摘要生成和警报触发。

  • by WaiLyanPyae
  • 本地部署
  • 更新于
在 GitHub 查看 WaiLyanPyae/rag-vs-mcp

使用说明

📡 RAG+MCP新闻分类与预警系统

项目探索 实时新闻分类、RAG增强摘要和MCP启发的决策逻辑.

📖 概述

该项目实现了 实时新闻管道 即：

  • 摄取实时新闻文章（RSS提要）。

  • 将它们分为以下几类： hate_speech, misinformation, emergency, neutral.

  • 使用以下方式总结文章 检索增强生成（RAG）.

  • 适用于 MCP启发的代理逻辑 决定系统动作：

    • 触发警报（电子邮件/短信/webhook）。
    • 归档非关键新闻。
    • 总结错误信息/紧急情况。

  • 通过以下方式显示结果 REST API+实时仪表板.

该系统提供了一个比较框架：

  • 基线： 仅变压器（DistilBERT+BART）。
  • 提出： 变压器+RAG+MCP决策层。

📂 项目结构

news-rag-mcp/
├─ ingestion/        # RSS poller
├─ backend/          # FastAPI backend (REST + streaming)
├─ models/           # Transformers (classification)
├─ rag/              # FAISS index + RAG summarizer
├─ agent/            # MCP-inspired decision engine
├─ eval/             # Evaluation scripts (metrics, latency)
├─ dashboard/        # React.js frontend (alerts, trends)
├─ infra/            # Postgres + Docker configs
├─ data/             # Datasets and indexes
│   ├─ raw/
│   ├─ processed/
│   └─ indexes/
├─ notebooks/        # Experiments / EDA
└─ scripts/          # Utility scripts

🔍 研究问题

  • RQ1： 基于变压器的分类的有效性（DistilBERT、RoBERTa）。
  • RQ2： 通过检索增强生成改进摘要。
  • RQ3： 为情境感知决策构建MCP启发的逻辑。

📈 评估标准

方面 基线（仅变压器） 建议（RAG+MCP）
分类 精确度、召回率、F1、准确性 相同
摘要 ROUGE，BLEU（静态模型） ROUGE，BLEU+人工评估
检索 N/A 余弦相似度相关性
决策逻辑 基于规则 MCP启发的模块化代理
警报及时性 摄入→ 测得的警报延迟 相同（目标时间<5s）

🚧 路线图

  • [x] RSS摄取→ Postgres
  • []变压器基线分类器
  • []基线总结（BART）
  • []使用FAISS进行RAG总结
  • []MCP启发的基于规则的决策逻辑
  • []完全集成管道
  • []React仪表板
  • []评估实验
  • []论文写作

相关 MCP