AI Act Risk Classifier Agent

欧盟合规

生产级人工智能治理和欧盟人工智能法案评估平台，具有确定性策略引擎、受控审查工作流、第一方MCP服务器、审计包导出和双运行时兼容性 OpenRouter 和 Ollama.

如果您想进行非技术性演练，请从这里开始：

• 欧盟合规指南

目录

• 指南手册
• 简短摘要
• 当前已验证快照
• 深度介绍
• 整个系统解释
• 当前产品范围
• 仓库布局
• 详细的本地设置
• 详细部署指南
• 验证和质量
• 开发说明
• 参考文献

指南手册

有关带有示例的简单分步使用手册，请参阅：

• 欧盟合规指南

简短摘要

EU Comply是为欧盟人工智能法案准备就绪背后的真实工作流程而设计的。

该平台存储了一个 真实的案件档案，吸收证据，提取结构化事实，评估这些事实 通过确定性规则包传递事实，通过人类传递敏感结果 审查并导出保存证据、评估、， 例如决策时使用的工作流状态和策略上下文。

此存储库是作为产品构建的，而不是一次性演示：

• FastAPI控制平面公开案例、评估、报告、运行时和集成API
• Next.js分析师工作台在后端操作实时案例
• LangGraph协调受管理的评估工作流程和审查门
• 第一方MCP服务器通过流式HTTP公开策略、档案和评估表面
• 包括Docker打包、组合部署、基准测试工具和迁移

目前的实施已经是主要产品的端到端 表面。重要的诚实提示是，确定性法律内容是 仍处于基线覆盖层，而不是《人工智能法案》的完整条款 编纂。平台架构为生产级；法律规则 图书馆有意扩建。

当前已验证快照

深度介绍

这个项目解决了什么问题

如果一个组织想在欧洲推出或继续运营人工智能系统， 最难的部分通常不是阅读《人工智能法案》的摘要。最难的部分是 将一个混乱的现实世界人工智能系统变成治理团队可以评估的东西 和防守。

这通常意味着要同时回答所有这些问题：

• 这个系统到底是什么
• 谁充当提供者、部署者、进口商或分销商
• 我们有什么证据，从哪里来的
• 涉及哪些义务
• 冲突或缺失的事实在哪里
• 谁审查了结果
• 我们如何证明后来的决定

大多数“AI Act分类器”项目停止得太早。他们做法律检索 文本，给出一个整洁的答案，然后称之为完成。这很有用 原型，但这不是企业合规计划实际运作的方式。

欧盟合规是围绕监管决策支持应该着眼于 更像是一个内部治理系统，而不是聊天机器人。

用简单的英语来说这意味着什么

思考平台的最简单方法是：

1. 一个团队为人工智能系统创建了一个案例
2. 他们填写一份结构化的档案并上传证据
3. 平台将这些文件解析成块并提取事实
4. 确定性引擎根据策略规则评估案例
5. LangGraph决定结果是否可以继续或需要人工审查
6. 审阅者批准或拒绝机器建议
7. 平台导出报告和审计包
8. 以后的变化可能会引发重新评估

这就是“回答法律问题的应用程序”和 “支持真正治理过程的产品。”

为什么RAG不是核心

该存储库不将检索视为法律决策者。

• 策略快照和规范化片段提供结构化的法律上下文
• 确定性规则包决定当前机器的结果
• 提取的事实被存储为显式数据，而不仅仅是提示上下文
• 审查决定与机器输出分开保存
• 审计导出是基于存储的记录构建的，而不是基于短暂的聊天历史

LLM在这里仍然很重要， 总结和未来的解释流程。法律结果仍然存在 确定性和可追溯性。

整个系统解释

1.产品表面

EU Comply是一种具有三个连接表面的产品：

• FastAPI控制平面 用于案例、工件、评估、审查、报告、运行时控制、连接器、策略访问和健康/指标
• Next.js分析师工作台 供操作员和审查人员管理实时人工智能治理案例
• 安装的MCP服务器 用于可互操作的机器访问策略、档案和评估上下文

2.高层架构

flowchart LR
    W[Next.js Analyst Workbench] --> API[FastAPI Control Plane]
    API --> DB[(Postgres)]
    API --> REDIS[(Redis)]
    API --> OBJ[(MinIO / Artifact Storage)]
    API --> POLICY[Policy Snapshot Service]
    API --> ASSESS[Deterministic Assessment Engine]
    API --> REPORTS[Report And Audit-Pack Service]
    API --> CONNECT[Connector And Reassessment Services]
    API --> MON[Readiness And Metrics]
    ASSESS --> GRAPH[LangGraph Workflow]
    ASSESS --> RULES[Rule Pack Evaluation]
    API --> RUNTIME[LLM Runtime Gateway]
    RUNTIME --> OLLAMA[Ollama]
    RUNTIME --> OPENROUTER[OpenRouter]
    API --> MCP1[Policy MCP]
    API --> MCP2[Dossier MCP]
    API --> MCP3[Assessment MCP]

3.案例生命周期

flowchart TD
    A[Create Case] --> B[Attach Structured Dossier]
    B --> C[Upload Evidence]
    C --> D[Parse And Chunk Artifacts]
    D --> E[Extract Facts]
    E --> F[Run Deterministic Assessment]
    F --> G{Review Required?}
    G -- No --> H[Completed Workflow]
    G -- Yes --> I[Human Review Decision]
    I --> J[Approved Or Needs Changes]
    H --> K[Export Report / Audit Pack]
    J --> K
    K --> L[Connector Event Or Manual Trigger]
    L --> M[Reassessment]

4.评估案件时会发生什么

在技术层面上，评估流程目前是这样运作的：

1. 案件档案提供了初步的结构化事实
2. 处理后的工件有助于提取事实
3. 相互矛盾的事实被明确标记，并可能迫使 needs_more_information
4. 规则包服务评估合并的事实模型
5. 匹配规则中的义务标签被映射到审阅者面临的义务中
6. 工作流层将禁止或事实冲突的结果升级为审查要求状态
7. 审阅者可以记录批准或请求的更改
8. 报告导出和ZIP审核包是从持久记录生成的

5.确定性策略引擎

当前的确定性引擎在广度上故意简单，但在广度上却很强大 形状。

基线规则包目前涵盖了以下方面的代表性规则：

• 公共空间执法中禁止的实时远程生物识别
• 高风险就业决策支持
• 聊天机器人交互的透明度义务

这意味着该架构已经适合企业级监管 决策，而法律图书馆仍处于早期覆盖层 可以扩展到更广泛的文章和附件覆盖范围。

6.政策知识模型

策略层存储为：

• 政策来源 有来源类型和出处
• 策略快照 与某个时间点相关
• 标准化片段 带有引用、标题、演员范围和标签

种子基线快照目前包括：

• Regulation (EU) 2024/1689
• 委员会常见问题指南
• 委员会标准化指南

这为平台提供了足够的结构来参考引文和出口政策 每个受控结果的上下文。

7.文档智能层

工件目前支持以下解析：

• txt
• md
• json
• pdf
• docx
• xlsx

已实施的管道：

• 存储上传的工件
• 从支持的文件类型解析文本
• 将内容分块
• 生成提取的候选事实
• 使用来源元数据保存提取的事实
• 标记冲突，而不是默默地覆盖它们

目前，提取逻辑是启发式的，并且故意保守。 这是目前正确的权衡，因为它在保持系统可解释性的同时 更广泛的规则和证据图在增长。

8.受控工作流层

LangGraph在这里用于编排，而不是用于自由形式的法律 推理。

当前工作流行为：

• 运行确定性评估
• 检查结果
• 路线 prohibited 或 needs_more_information 进入明确的审查要求状态
• 将工作流状态与评估运行分开保存

这种分离很重要。机器决策状态和治理编排 如果系统应该是可审计的，则不应将状态混为一谈。

9.审查、批准和可审计性

人工审核是一流的产品表面，而不是附加在评论框上的 LLM回答。

当前平台已经存在：

• 评估运行
• 工作流运行
• 审查决定
• 批准的结果
• 报告导出
• ZIP审核包
• 重新评估触发因素
• 连接器同步历史记录

审计包捆绑了当前工作区快照、报告工件和策略 上下文，因此治理记录可以离开正在运行的系统，而不会变成 无法追踪。

10.MCP层

该应用程序安装了三个第一方MCP服务器：

• policy-corpus-mcp
• system-dossier-mcp
• assessment-mcp

这些为以下内容提供了可流式传输的HTTP表面：

• 列出和读取策略快照
• 搜索归一化片段
• 阅读案例工作区
• 列出工件、评估、工作流和评审
• 触发确定性评估和受控工作流
• 导出报告和审核包
• 创建重新评估触发器

这使得该平台不仅可用作人工操作的网络产品，而且 作为机器可访问的合规基础设施。

11.LLM运行时兼容性

通过设计避免了提供商锁定。

运行时层支持：

• 开放路由 用于托管推理
• 奥拉玛 用于本地或自托管推理

运行时控制是组织范围的，包括：

• 提供者发现
• 模型发现
• 默认聊天模式选择
• 默认嵌入提供程序/模型选择

这很重要，因为一个严肃的治理平台不应该只需要一个供应商 路径只是为了操作。

12.监测和释放表面

后端包括：

• 活性终点
• 准备就绪终点
• 经过身份验证的组织范围指标输出
• 基准CLI
• 策略种子CLI
• Alembic迁徙
• API和web的Dockerfiles
• 适用于本地或自托管部署的全栈Docker Compose
• 备份和还原脚本
• 部署和发布文档

当前产品范围

此存储库中已经存在的内容

• 跨案例、工件、评估、审查、报告、运行时、连接器和策略表面的真正FastAPI API
• 连接到后端的实时Next.js分析控制台
• 持续的病例、档案、人工制品、提取的事实、评估、工作流程、审查、连接器和重新评估记录
• 基于义务映射的确定性规则评估
• 通过LangGraph管理工作流路由
• 安装在主应用程序内运行的MCP服务器
• JSON、Markdown和ZIP审计包导出
• 基准执行和操作健康表面
• 应用程序映像和组合构建的Docker构建验证

今天有意设定的基线是什么

仍然需要深入研究的主要领域是编纂法律覆盖范围的广度。

现在，该平台证明了端到端的产品形态和受控的执行 具有基线策略快照和代表性基线规则包的模型。 这与POC不同。POC通常缺乏生产表面。这 存储库已经有了产品表面。接下来扩展的是法律 内容和基准深度。

当前结果类别

• out_of_scope
• prohibited
• high_risk
• transparency_only
• gpai_related
• minimal_risk
• needs_more_information

仓库布局

eu-comply/
  apps/
    api/                  FastAPI control plane, services, migrations, tests
    web/                  Next.js analyst workbench
  fixtures/
    policies/             Seeded policy snapshot fixture
    rule_packs/           Deterministic rule-pack fixture
  packages/
    evaluation/           Golden-case benchmark fixture
  ops/
    docker/               Full-stack compose definition
    scripts/              Backup, restore, and verification helpers
  docs/
    architecture.md
    deployment.md
    release-checklist.md
    verification.md
    PROGRESS.md
    HANDOFF.md
    DECISIONS.md
  CLAUDE.md               Working memory / continuity file

详细的本地设置

先决条件

• python 3.13
• uv
• Node.js 22
• Docker桌面或其他Docker守护进程

1.安装依赖项

uv sync --directory apps/api --extra dev
npm --prefix apps/web install

2.启动基础设施

docker compose -f ops/docker/compose.full.yml up -d postgres redis minio

3.准备数据库

uv run --directory apps/api alembic upgrade head
uv run --directory apps/api python -m eu_comply_api.tools.seed_policy

4.运行API

uv run --directory apps/api uvicorn eu_comply_api.main:app --reload --app-dir src

5.运行分析师工作台

npm --prefix apps/web run dev

6.登录控制台

默认情况下，分析控制台需要以下配置的引导凭据 API环境。当前的开发流程使用种子引导 在应用程序启动期间创建的组织和管理员帐户。

控制台还接受以下任一选项：

• 主机上的API URL，例如 http://127.0.0.1:8001
• 或完整的API前缀，例如 http://127.0.0.1:8001/api/v1

详细部署指南

发布打包已在此存储库中实现。

构建个人图像

docker build -f apps/api/Dockerfile -t eu-comply-api:latest .
docker build -f apps/web/Dockerfile -t eu-comply-web:latest .

构建完整堆栈

docker compose -f ops/docker/compose.full.yml build

运行整个堆栈

docker compose -f ops/docker/compose.full.yml up -d

如果默认的localhost端口已被占用，则compose文件现在支持 通过环境变量进行端口重写，例如：

$env:EU_COMPLY_API_PORT='8001'
docker compose -f ops/docker/compose.full.yml up -d

包括部署资产

• apps/api/Dockerfile
• apps/web/Dockerfile
• ops/docker/compose.full.yml
• apps/api/.env.example
• apps/web/.env.example
• ops/scripts/backup.ps1
• ops/scripts/restore.ps1

验证和质量

已验证的命令

uv run --directory apps/api ruff check .
uv run --directory apps/api pytest
uv run --directory apps/api python -m eu_comply_api.tools.run_benchmarks
$env:EU_COMPLY_DATABASE_URL='sqlite+aiosqlite:///D:/Mehul-Projects/AI Act Risk Classifier Agent with MCP + LangGraph/apps/api/alembic-verify.db'
uv run --directory apps/api alembic upgrade head
uv run --directory apps/api python -m eu_comply_api.tools.seed_policy
npm --prefix apps/web run lint
npm --prefix apps/web run build
docker build -f apps/api/Dockerfile -t eu-comply-api:verify .
docker build -f apps/web/Dockerfile -t eu-comply-web:verify .
docker compose -f ops/docker/compose.full.yml build
docker compose -f ops/docker/compose.full.yml config

电流验证读数

• API皮棉道次
• API测试通过 36 passed
• 基准CLI通过 accuracy = 1.0 论回购黄金时段
• Alembic干净地升级 009_connector_reassessment
• 策略种子CLI在干净的验证数据库上成功
• 网棉绒通过
• web生产构建通过
• API Docker镜像构建通过
• web Docker镜像构建过程
• 编写构建过程
• 使用上可访问的API验证完整的本地主机堆栈部署 8001 以及可在上访问的web应用程序 3000

当前基准意味着什么

目前的基准还不足以要求广泛的法律覆盖。 它确实表明了确定性引擎、夹具结构和 回归工具已到位且可重复。

这种区别很重要。质量声明应保持诚实。

开发说明

核心决策

• 法律决策保持确定性和可追溯性
• LLM的使用与提供者无关
• Ollama 对于本地和自主机部署来说是一流的
• OpenRouter 对于托管部署来说是一流的
• MCP是一个产品接口，而不是一个辅助实验
• 通过将机器运行、工作流运行和人工审批分开来保持可审计性

为什么这个仓库不是玩具演示

即使有基线规则覆盖，存储库也已经包含了这些系统 玩具演示通常会跳过：

• 迁移
• 身份验证和租户边界
• 伪影持久性
• 实时操作员界面
• 受控编排
• 审计包导出
• MCP服务器
• 运行时抽象
• 基准
• 健康和指标
• Docker打包
• 部署就绪打包

诚实的下一条扩张之路

如果此项目继续超出当前验证的版本，则最高值 接下来的步骤是：

1. 将策略快照和规则包扩展到更广泛的《人工智能法案》文章和附件中
2. 深化提取事实本体论与证据冲突处理
3. 扩大基准和对抗性评价语料库
4. 添加更丰富的审阅者工作流状态、通知和企业连接器

参考文献

• 欧盟人工智能法案常见问题
• 欧盟人工智能监管框架
• AI法案标准化
• 欧元Lex AI法案文本
• 欧盟合规指南