AuditLuma是一个智能代码审计系统，采用创新的层级RAG架构，结合多个AI代理和先进技术，包括Haystack-AI编排器、txtai知识检索、R2R上下文增强和Self-RAG验证，为代码库提供全面、精准的安全分析。

• 🏗️ 层级RAG架构 - 四层智能架构：Haystack编排 + txtai检索 + R2R增强 + Self-RAG验证
• 🚀 Haystack-AI编排器 - 智能任务分解和结果整合，支持传统编排器回退
• 🔍 智能知识检索 - txtai驱动的语义检索和上下文理解
• 🎯 精准验证 - Self-RAG多模型交叉验证，有效减少假阳性
• 🔄 自适应架构 - 根据项目规模自动选择最优架构模式

• Haystack编排层 - 智能任务分解、并行执行和结果整合
• txtai知识检索层 - 语义检索和上下文理解
• R2R上下文增强层 - 动态上下文扩展和关联分析
• Self-RAG验证层 - 多模型交叉验证和假阳性过滤

• Haystack-AI编排器 - 基于AI的智能任务编排（推荐）
• 传统编排器 - 规则驱动的稳定编排方案
• 自动回退机制 - AI编排器不可用时自动切换
• 动态架构选择 - 根据项目规模自动选择最优架构

• 🛡️ 综合安全分析 - 全面检测漏洞并提出有效修复建议
• 🌐 跨文件安全分析 - 检测传统单文件分析无法发现的跨文件漏洞
• 📊 全局上下文构建 - 构建代码调用图、数据流图和依赖关系
• 🎯 污点分析 - 追踪用户输入在代码中的传播路径
• 🔄 MCP（多代理合作协议） - 增强代理之间的协调与合作

• 多LLM厂商支持 - 支持OpenAI、DeepSeek、MoonShot、通义千问等多家厂商
• 自动厂商检测 - 根据模型名称自动识别并配置正确的厂商API
• 异步并行处理 - 使用异步并发技术提高性能，加快分析速度
• 可视化功能 - 生成依赖关系图和详细安全报告

• 快速开始
• 层级RAG架构
• 文档
• 安装
• 使用
• 配置
• 支持语言
• 架构
• 报告格式
• 贡献
• 许可证

# 1. 克隆项目
git clone https://github.com/Vistaminc/AuditLuma.git
cd AuditLuma

# 2. 安装依赖
pip install -r requirements.txt

# 3. 使用层级RAG架构分析（推荐）
python main.py --architecture hierarchical --haystack-orchestrator ai -d ./your-project

# 4. 查看架构信息
python main.py --show-architecture-info

AuditLuma 2.0引入了创新的四层RAG架构，显著提升分析精度和效率：

┌─────────────────────────────────────────────────────────────┐
│                    层级RAG架构                                │
├─────────────────────────────────────────────────────────────┤
│ 第一层：Haystack编排层                                        │
│ ├─ Haystack-AI编排器（推荐）- 智能任务分解和结果整合           │
│ └─ 传统编排器 - 规则驱动的稳定方案                            │
├─────────────────────────────────────────────────────────────┤
│ 第二层：txtai知识检索层                                       │
│ ├─ 语义检索和相似性匹配                                       │
│ └─ 上下文理解和知识图谱构建                                   │
├─────────────────────────────────────────────────────────────┤
│ 第三层：R2R上下文增强层                                       │
│ ├─ 动态上下文扩展                                            │
│ └─ 关联分析和依赖追踪                                         │
├─────────────────────────────────────────────────────────────┤
│ 第四层：Self-RAG验证层                                        │
│ ├─ 多模型交叉验证                                            │
│ └─ 假阳性过滤和置信度评估                                     │
└─────────────────────────────────────────────────────────────┘

• 🎯 精准度提升 - 四层验证机制，显著减少假阳性
• ⚡ 性能优化 - 智能缓存和并行处理，提升分析速度
• 🔄 自适应 - 根据项目规模自动选择最优配置
• 🛡️ 可靠性 - 多重回退机制，确保系统稳定运行

• 安装指南 - 详细的安装步骤和环境配置
• 用户指南 - 从入门到精通的完整使用教程
• 快速参考 - 常用命令和配置速查手册

• 层级RAG架构指南 - 详细的层级RAG架构说明和使用指南
• 配置参考 - 完整的配置选项和参数说明
• 最佳实践 - 使用建议、性能优化和安全配置

• 架构设计 - 系统架构和设计理念
• 故障排除指南 - 常见问题、错误诊断和解决方案
• 项目结构 - 详细的项目目录结构和模块说明

• AuditLuma 相关文档 - 完整的在线文档和教程

克隆仓库并安装依赖：

git clone https://github.com/Vistaminc/AuditLuma.git
cd AuditLuma
pip install -r requirements.txt

FAISS向量检索库

默认情况下，AuditLuma会使用一个简单的内置向量存储实现。如果需要处理大型代码库，建议安装FAISS以提高性能：

# CPU版本
pip install faiss-cpu

# GPU版本(支持CUDA)
pip install faiss-gpu

安装FAISS后，系统将自动检测并使用它进行向量存储和检索，显著提高分析大型项目时的性能。

# 使用层级RAG架构（推荐）
python main.py --architecture hierarchical -d ./your-project -o ./reports

# 使用Haystack-AI编排器（默认，推荐）
python main.py --architecture hierarchical --haystack-orchestrator ai -d ./your-project

# 使用传统编排器
python main.py --architecture hierarchical --haystack-orchestrator traditional -d ./your-project

# 自动选择架构（根据项目规模）
python main.py --architecture auto -d ./your-project

# 传统RAG架构（向后兼容）
python main.py --architecture traditional -d ./your-project

# 启用性能对比模式
python main.py --architecture hierarchical --enable-performance-comparison -d ./your-project

# 查看架构信息和配置
python main.py --show-architecture-info

# 配置迁移（从传统配置升级到层级RAG）
python main.py --config-migrate

# AI增强的跨文件分析
python main.py --architecture hierarchical --enhanced-analysis -d ./your-project

通过编辑config/config.yaml文件配置系统。AuditLuma 2.0支持层级RAG架构配置。

# 层级RAG架构模型配置
hierarchical_rag_models:
  # 是否启用层级RAG架构
  enabled: true
  
  # Haystack编排层配置
  haystack:
    # 编排器类型选择：traditional（传统）或 ai（Haystack-AI，推荐）
    orchestrator_type: "ai"  # 默认使用Haystack-AI编排器
    
    # 默认模型（支持 model@provider 格式）
    default_model: "qwen3:32b@ollama"
    
    # 任务特定模型配置
    task_models:
      security_scan: "gpt-4@openai"        # 安全扫描使用更强的模型
      syntax_check: "deepseek-chat@deepseek" # 语法检查
      logic_analysis: "qwen-turbo@qwen" # 逻辑分析
      dependency_analysis: "gpt-3.5-turbo@openai" # 依赖分析
  
  # txtai知识检索层模型配置
  txtai:
    retrieval_model: "gpt-3.5-turbo@openai"  # 知识检索模型
    embedding_model: "text-embedding-ada-002@openai"  # 嵌入模型
  
  # R2R上下文增强层模型配置
  r2r:
    context_model: "gpt-3.5-turbo@openai"    # 上下文分析模型
    enhancement_model: "gpt-3.5-turbo@openai" # 增强模型
  
  # Self-RAG验证层模型配置
  self_rag_validation:
    validation_model: "gpt-3.5-turbo@openai"  # 主验证模型
    cross_validation_models:  # 交叉验证使用的多个模型
      - "gpt-4@openai"
      - "deepseek-chat@deepseek"
      - "gpt-3.5-turbo@openai"

AuditLuma支持使用统一的模型规范格式 model@provider 来指定模型和提供商：

deepseek-chat@deepseek  # 指定使用DeepSeek提供商的deepseek-chat模型
gpt-4-turbo@openai      # 指定使用OpenAI提供商的gpt-4-turbo模型
qwen-turbo@qwen         # 指定使用通义千问提供商的qwen-turbo模型

如果不指定提供商（不使用@符号），系统将自动根据模型名称推断提供商。

# 全局设置
global:
  # 默认架构模式：traditional, hierarchical, auto
  default_architecture: "hierarchical"
  # 自动切换阈值（文件数量）
  auto_switch_threshold: 100
  # 是否启用性能对比
  enable_performance_comparison: false

AuditLuma支持多家LLM厂商，并能根据模型名称自动检测厂商：

-注意：openai厂商可以对接所有openai格式的中转平台

AuditLuma支持分析以下编程语言：

• Python (.py)
• JavaScript (.js, .jsx)
• TypeScript (.ts, .tsx)
• Java (.java)
• C# (.cs)
• C++ (.cpp, .cc, .hpp)
• C (.c, .h)
• Go (.go)
• Ruby (.rb)
• PHP (.php)
• Lua (.lua)

• Rust (.rs)
• Swift (.swift)
• Kotlin (.kt)
• Scala (.scala)
• Dart (.dart)
• Bash (.sh, .bash)
• PowerShell (.ps1, .psm1)

• HTML (.html, .htm)
• CSS (.css)
• JSON (.json)
• XML (.xml)
• YAML (.yml, .yaml)
• SQL (.sql)

AuditLuma使用多代理架构，包含以下组件：

1. Agent Orchestrator - 协调工作流中的所有代理
2. 代码分析代理 - 分析代码结构并提取依赖关系
3. 安全分析代理 - 识别安全漏洞
4. 修复建议代理 - 生成针对性漏洞修复方案
5. 可视化组件 - 生成直观的报告和依赖关系图

AuditLuma支持以下报告格式：

• 📋 HTML报告 - 包含漏洞详情、统计图表和交互式可视化
• 📄 PDF报告 - 适合打印和分享的格式
• 🔄 JSON报告 - 适合进一步处理和集成的机器可读格式

欢迎贡献代码和建议！请遵循以下步骤：

1. Fork 仓库
2. 创建特性分支 (git checkout -b feature/amazing-feature)
3. 提交更改 (git commit -m 'Add some amazing feature')
4. 推送到分支 (git push origin feature/amazing-feature)
5. 创建Pull Request

-QQ：1047736593

• 棉花糖网络安全圈

如果您觉得AuditLuma对您有帮助，欢迎通过以下方式支持我们：

• 您的赞助将用于帮助我们持续改进和完善 AuditLuma！

MIT