职场中真正决定成败的，往往不是技术能力，而是信息差、关系网和时机判断。
- 你知道隔壁组长上周跟 VP 的 1:1 聊了什么吗？
- 两个月前你在周报里埋的那句预警，关键时刻还能想起来吗？
- 明天的评审会上，谁会站你这边、谁会捅刀子，你有把握吗？
BySideScheme 不是一个聊天机器人。它是一个持续运转的局势感知系统——像一个永远在线的幕僚，帮你记住一切、看透关系、推演未来、生成话术。
每一条你输入的事实，系统都会通过 LLM 自动抽取其中的人物、事件、项目、组织及它们之间的关系，写入 Neo4j 图数据库。
"Alex 上周在和 VP Chen 的 1:1 里，主动提到天网项目架构有隐患"
│
▼ LLM 实体关系抽取
┌──────────────────────────────┐
│ Alex ──LOBBIED──▶ VP Chen │
│ sentiment: -0.7 │
│ evidence: "提议接手" │
└──────────────────────────────┘
- 增量合并：同一个人物出现多次不会重复创建，而是更新权重、情感值和证据链
- 5 类实体：Person / Event / Project / Resource / Organization
- 20+ 种关系：REPORTS_TO / ALLIES_WITH / OPPOSES / LOBBIED / WARNED 等
- 中心性分析：自动识别谁是关键人物、哪些关系存在风险
- 力导向可视化：节点按类型着色，边按情感着色（绿色=正向，红色=负向），厚度反映权重
真实效果：连续输入 7 天事实后，图谱将呈现出一张包含 10+ 实体、20+ 关系的动态局势地图，每个节点都携带时间线和证据链。
面对同一个职场事件，系统结合局势配置 + 长期记忆 + 图谱上下文，生成三个维度的输出：
| 层级 | 目的 | 示例 |
|---|---|---|
| 对上汇报 | 政治正确，管理预期 | "如两周前周报所述，我们已预判到该风险并部署了 Plan B，全程 2 分钟恢复" |
| 自我复盘 | 看穿本质，识别风险 | "Alex 的攻击不是技术关切，而是在用'架构隐患'包装抢功意图" |
| 下一步行动 | 具体可执行的策略 | "立刻写复盘报告，把'事故'重新定义为'成功的容灾演练'" |
背后是一个 5 维决策引擎（风险/收益/政治/时机/资源），确保建议不是泛泛而谈，而是基于你的真实处境量身定制。
明天要跟强势的产品经理 + 和稀泥的老板 + 看热闹的竞争对手开会？
模拟器让你提前排练。每个角色由独立的 LLM 驱动，性格、说话风格、利益诉求各不相同：
你: "天网 AB 实验 CTR 提升了 12%，Alex 你说的隐患具体指哪个模块？"
Alex (GLM): "数据是好的，但极端场景呢？第三方挂了怎么办？"
Jessica (DeepSeek): "12% 不错...但我想看留存数据。"
David (Qwen): "要不再观察一个版本？"
┌─ 实时洞察 ─────────────────────────────┐
│ Alex 必然攻击"容灾"——建议你主动亮出 │
│ Plan B，把他的攻击点变成你的加分项。 │
└──────────────────────────────────────┘
- 支持 DeepSeek / Qwen / GLM 等多模型混用，不同性格用不同模型
- SSE 流式输出，逐字看到 AI 角色的"思考过程"
- 人物画像随对话动态演进，支持版本回溯和一键回滚
- 严格数据隔离：模拟推演只读图谱，不写入——你的真实局势数据不会被虚构内容污染
基于 Mem0 + Qdrant 向量数据库，系统持续积累你输入的每一条事实和生成的每一条策略。
关键时刻，记忆会被自动唤醒：
Day 2 写入记忆: "已部署 Plan B 降级开关" + "周报邮件预警风险"
...
Day 7 RankAI 宕机，Alex 在 200 人群公开攻击
│
└──▶ 记忆检索命中: "你两周前就预警过，而且 Plan B 已就绪"
│
└──▶ 生成绝杀话术: "正如两周前周报所述..."
记忆还会自动整合提炼为高维度 Insight：
"在与风险厌恶型领导共事时，降级方案要'偷偷做好'而非'据理力争'。领导不想听坏消息，但需要你兜底。邮件比口头承诺重量级高出十倍。"
┌──────────────┐
│ React 18 │
│ Cyberpunk UI│
│ Force Graph │
└──────┬───────┘
│ REST API
▼
┌────────────────────────────────────────────────────────┐
│ FastAPI Backend │
│ │
│ ┌─────────────┐ ┌──────────────┐ ┌────────────┐ │
│ │ Advisor │ │ Simulator │ │ Graph API │ │
│ │ Service │ │ (AutoGen) │ │ │ │
│ │ │ │ │ │ │ │
│ │ Decision ──┤ │ Multi-Agent ┤ │ Extract │ │
│ │ Engine │ │ SSE Stream │ │ Merge │ │
│ │ │ │ │ │ Query │ │
│ │ Narrative ─┤ │ Insights ───┤ │ Analyze │ │
│ │ Generator │ │ Engine │ │ │ │
│ └──────┬──────┘ └──────┬───────┘ └─────┬──────┘ │
│ │ R/W │ Read Only │ R/W │
│ ▼ ▼ ▼ │
│ ┌─────────────────────────────────────────────────┐ │
│ │ Memory Layer │ Graph Layer │ │
│ │ ┌───────────┐ ┌────┐ │ ┌──────────────────┐│ │
│ │ │ Mem0 │ │SQLite│ │ │ Neo4j 5 ││ │
│ │ │ + Qdrant │ │ │ │ │ (Docker) ││ │
│ │ │ Vectors │ │Meta│ │ │ Entities+Rels ││ │
│ │ └───────────┘ └────┘ │ └──────────────────┘│ │
│ └─────────────────────────────────────────────────┘ │
└────────────────────────────────────────────────────────┘
│
▼ OpenAI-Compatible API
┌─────────────────────────┐
│ SiliconFlow / DeepSeek │
│ Qwen / GLM / ... │
└─────────────────────────┘
数据流原则：Advisor 对记忆和图谱有完整的读写权限；Simulator 只能读取图谱和记忆作为推演上下文，但不向其中写入任何数据。这保证了真实局势数据的纯净性。
| 层级 | 技术 | 用途 |
|---|---|---|
| 后端框架 | Python 3.10+ / FastAPI | 异步 API 服务 |
| 多智能体 | AutoGen 0.2 | 模拟器多角色对话编排 |
| 向量记忆 | Mem0 + Qdrant | 语义检索、记忆积累与洞察提炼 |
| 图数据库 | Neo4j 5 (Docker) | 实体关系存储、中心性分析、路径查询 |
| 关系型存储 | SQLite | 局势配置、画像版本、反馈记录 |
| LLM 引擎 | SiliconFlow / OpenAI 兼容 | 多模型混用 (DeepSeek, Qwen, GLM) |
| 前端框架 | React 18 / TypeScript / Vite | SPA 单页应用 |
| UI 风格 | Tailwind CSS | 赛博朋克主题 |
| 状态管理 | Zustand | 轻量状态管理 |
| 图谱可视化 | react-force-graph-2d | 力导向交互式关系图 |
| 包管理 | uv (后端) / pnpm (前端) | 极速依赖管理 |
| 场景 | 系统如何帮你 |
|---|---|
| 晋升窗口期 | 记忆积累证据链，图谱追踪支持者/反对者，生成答辩材料 |
| 跨部门博弈 | 图谱可视化多方关系，模拟器预演会议走向，三层叙事应对不同听众 |
| 突发危机 | 自动唤醒历史预警记忆，生成"化事故为功劳"的重构话术 |
| 向上管理 | 识别领导风格和诉求，生成匹配其偏好的汇报口径 |
| 竞争对手应对 | 图谱追踪对手的拉拢路径和影响力变化，提前预判攻击方向 |
| 央企/国企环境 | 理解"政治站位"逻辑，给出符合体制生态的策略（文件留痕、红头文件、党委会叙事） |
| 互联网大厂 | 理解"数据说话"逻辑，生成 ROI 导向的汇报和技术复盘 |
前置要求：Docker、Python 3.10+、Node.js 18+、pnpm
cd BySideScheme_backend
docker compose up -d # 启动 Neo4j (端口 17474/17687)cd BySideScheme_backend
cp .env.example .env # 填写 LLM API Key 等配置
uv venv && uv pip install -r requirements.txt
uv run main.py # 默认 http://localhost:8000cd BySideScheme_web
pnpm install
pnpm dev # 默认 http://localhost:5173打开浏览器访问 http://localhost:5173，配置你的局势，开始输入第一条事实。
BySideScheme/
│
├── BySideScheme_backend/ # 后端核心服务
│ ├── docker-compose.yml # Neo4j 容器编排
│ ├── main.py # 程序入口
│ ├── requirements.txt # Python 依赖
│ ├── .env # 环境变量 (API Key, DB 配置)
│ └── src/
│ ├── api/routers/ # advice / graph / simulator / feedback
│ ├── core/ # llm_client / memory / neo4j_client / graph_engine
│ │ # decision / generator / insights
│ ├── services/ # AdvisorService (核心编排)
│ ├── autogen_agents/ # AutoGen 多智能体定义
│ └── prompts/ # YAML Prompt 模板 (decision / narrative / graph)
│
├── BySideScheme_web/ # 前端用户界面
│ └── src/
│ ├── pages/ # Dashboard / Advisor / Simulator / GraphView
│ │ # Memory / Profile
│ ├── components/ # Layout / EntityDetailPanel / AnalysisPanel
│ └── services/ # API 客户端
│
├── API_REFERENCE.md # 完整 API 接口文档
├── REQUIREMENTS.md # 产品需求文档
├── WALKTHROUGH_SCRIPT.md # 互联网大厂演练剧本
└── WALKTHROUGH_SOE_SCRIPT.md # 央企环境演练剧本
我们提供了两套完整的端到端演练剧本，覆盖从局势配置到危机反转的全流程：
| 剧本 | 背景 | 核心冲突 | 天数 |
|---|---|---|---|
| 互联网大厂版 | P6 冲刺 P7，手握核心项目 | 竞争对手三段式围剿 vs Plan B 伏笔引爆 | 9 天 |
| 央企版 | 科级冲处级，数字化转型项目 | 地头蛇三线攻势 vs 政治通路构建 | 12 天 |
每个剧本都标注了图谱变化、记忆读写、模拟器使用和三层叙事输出的预期效果，可直接作为系统演示脚本使用。
BySideScheme — 职场不是战场，但你需要一个军师。