Agent 5 -- Security & Compliance Layer

Opis projektu

---

1. Wprowadzenie

Agent 5 stanowi warstwę bezpieczeństwa i zgodności (Security & Compliance Layer) w architekturze systemu wieloagentowego opartego na modelach językowych (LLM). Jego zadaniem jest kontrola treści wejściowych oraz wyjściowych przy wykorzystaniu mechanizmu Pure Retrieval-Augmented Generation (Pure RAG).
Pełni funkcję logicznej zapory bezpieczeństwa (AI Firewall) działającej w architekturze wieloagentowej.

System realizuje kontrolę:

• Danych wejściowych użytkownika (PRE-filter -- Gatekeeper)
• Danych wyjściowych modelu (POST-filter -- Audit)
• Zgodności z regulaminem przechowywanym w bazie wektorowej (Qdrant)
• Rejestrowania decyzji w bazie PostgreSQL - Audit log

Kluczowe założenie:
Wszystkie decyzje podejmowane są dynamicznie w oparciu o mechanizm Pure RAG.

---

2. Architektura systemu

Użytkownik
   ↓
/gatekeeper  (PRE | Anonimizacja + RAG Policy Check)
   ↓
Model LLM / Agent
   ↓
/audit       (POST | Kontrola zgodności odpowiedzi)
   ↓
Odpowiedź końcowa

---

3. Komponenty technologiczne

Warstwa	Technologia
API	FastAPI
Model językowy	Ollama (llama3)
Embedding	nomic-embed-text
Baza wektorowa	Qdrant
Logi systemowe	PostgreSQL
Integracja RAG	LangChain

---

4. Struktura projektu

.
├── docker-compose.yml
├── app.py
├── ingest_security.py
├── requirements.txt
├── ui.py
├── resources/
│   ├── dokumenty PDF/DOCX/TXT/JSON
└── scripts/

Najważniejsze pliki

• app.py -- główna logika Agenta 5
• resources/ -- dokumenty zawierające regulaminy i polityki bezpieczeństwa wykorzystywane jako baza wiedzy
• docker-compose.yml -- konfiguracja infrastruktury
• ingest_security.py -- proces wektorowania dokumentów
• ui.py -- interfejs testowy

---

5 Instalacja i uruchomienie

5.1 Wymagania

• Python 3.10+\
• Docker\
• Ollama

---

5.2 Uruchomienie infrastruktury

docker-compose up -d;
./agents/agent5_security/scripts/start_ui.sh

---

5.3 Instalacja zależności

pip install -r requirements.txt

---

4️⃣ Uruchomienie aplikacji

ai-stack/agents/agent5_security/scripts/start_agent5.sh

API dostępne pod:

http://localhost:8015

Dokumentacja Swagger:

http://localhost:8015/docs

UI dostępne pod:

http://localhost:8005

---

6. Ingestion dokumentów

Endpoint:

POST /ingest/files

Proces:

1. Odczyt dokumentów z katalogu resources/
2. Podział na fragmenty (chunk_size = 1000, overlap = 100)
3. Generowanie embeddingów
4. Zapis do kolekcji agent5_rules w Qdrant Wektorowa baza wiedzy stanowi jedyne źródło zasad wykorzystywanych w procesie decyzyjnym.

---

7. Endpointy

PRE /gatekeeper

Funkcjonalność:

• Anonimizacja danych wrażliwych (imiona, nazwiska, PESEL, adresy).
• Pobranie zasad z Qdrant
• Decyzja i klasyfikacja zapytania: SAFE / DANGER

W przypadku naruszenia zasad zwracana jest decyzja BLOCK.

---

POST /audit

Funkcjonalność:

• Analiza odpowiedzi wygenerowanej przez model
• Ocena zgodności z zasadami przechowywanymi w Qdrant
• W przypadku naruszenia zwracany komunikat:

<!-- -->

BLOKADA: [Powód]

---

8. Rejestrowanie zdarzeń

Tabela PostgreSQL:

security_logs

Rejestrowane dane:

• timestamp
• endpoint
• input_text
• output_text
• decision (PASS / BLOCK)

Mechanizm zapewnia pełną audytowalność działania systemu.

---

9. Założenia projektowe

• Brak reguł bezpieczeństwa o wysokim stopniu skomplikowania
• Dynamiczne pobieranie zasad z bazy wektorowej
• Separacja logiki aplikacyjnej od polityk
• Deterministyczne działanie modelu (temperature = 0)
• Możliwość aktualizacji zasad bez modyfikacji kodu
• Decyzje podejmowane wyłącznie na podstawie wiedzy pobranej z bazy wektorowej

---

10. Licencja i autorzy

Projekt przygotowany w celach badawczych i wdrożeniowych.

Autorzy:

• Rafał S
• Daniel T
• Jan S
• Jakub Ł