ThreatMind 的核心目标不是让大模型“知道更多安全知识”，而是把公开威胁情报整理成有来源、可计算、可检索、可解释的安全上下文。系统将事实计算与生成式解释分开，避免模型修改 CVE、优先级或 ATT&CK 映射等基础事实。
七类公开来源进入统一入口
当前同步框架覆盖 NVD、CISA KEV、MITRE ATT&CK、GitHub Advisories、Red Hat、arXiv AI Security 与 NIST CSRC Drafts。不同来源的数据粒度和更新方式并不相同，因此采集层需要保留来源标识、时间与原始引用，而不是立即压成一段无出处文本。
统一 Source Registry 让后续检索、报告和引用校验使用同一套来源身份。
确定性事实层先于 AI
数据库与 Python 服务负责结构化事实和确定性规则。Priority Score 由可解释公式计算：CVSS 占主要权重，KEV、勒索关联和近期进入 KEV 提供附加分。相同输入应得到相同结果，模型不能覆盖这个分数。
Public sources
→ normalized facts
→ deterministic enrichment
→ Security Context
→ retrieval / graph / bounded analysis
→ cited report
本地 RAG 负责补充上下文
本地检索使用 bge-small-zh-v1.5 生成向量，并由 FAISS 建立索引。Evidence Fusion 将结构化事实与检索证据组合，但引用仍回到 Source Registry。这样可以让中文问题命中相关材料，同时保留原始来源供复核。
RAG 不是事实数据库的替代品。它更适合寻找相关段落和背景，而 CVE 标识、CVSS 数值与 KEV 状态仍应来自结构化层。
知识图谱区分事实边与语义边
图谱从 Security Context 派生。确定性事实边与模型建议的语义关系需要明确区分，否则可视化会把推测展示成事实。ATT&CK v19.2 数据保存在本地，事件映射遵循确定性逻辑，使相同事件输入能够复现相同战术技术关系。
协同分析受到步数和工具限制
自适应 Planner 可以组织多个角色，但最多执行十步，并且角色只能调用限定工具。执行轨迹被保存，LLM 不可用时系统应降级，而不是让整个事实查询链失效。
这种约束解决的是可控性问题：每一步做了什么、调用了什么、基于哪些证据，都应该能被报告层解释。
报告是证据链的出口
系统输出结构化报告与 Markdown，引用校验和证据缺口也属于结果。FastAPI 提供后端接口，SQLAlchemy 与 SQLite 保存数据；React、TypeScript、Vite 和 React Flow 构成管理与图谱界面，Docker Compose 用于组合运行环境。
项目当前强调“工程证据”：来源覆盖、同步、富化和流程完成度可以自动验证；没有人工金标准的数据，不应被包装成准确率声明。这个区分让架构说明保持真实，也为后续评测留下清晰入口。