aurora

---

⬇️ 下载桌面应用

运行 Aurora 最简单的方式——无需 Python、终端或设置。 下载适用于你操作系统的安装程序，双击即可，Aurora 会作为原生应用启动，分析后端已打包其中。

→ 下载最新版本

选择与你的操作系统相符的文件（文件名中包含版本号，例如 0.2.0）：

操作系统	要下载的文件	安装方式
Windows 10/11	Aurora_x.x.x_x64-setup.exe （推荐）	运行安装向导。
Windows 10/11	Aurora_x.x.x_x64_en-US.msi	备用 MSI 安装程序（应用相同）。
macOS（Apple Silicon · M1/M2/M3/M4）	Aurora_x.x.x_aarch64.dmg	打开 .dmg，将 Aurora 拖到“应用程序”中。
Linux（Debian / Ubuntu / Mint）	Aurora_x.x.x_amd64.deb	sudo apt install ./Aurora_x.x.x_amd64.deb
Linux（Fedora / RHEL / openSUSE）	Aurora-x.x.x-1.x86_64.rpm	sudo dnf install ./Aurora-x.x.x-1.x86_64.rpm

Aurora_aarch64.app.tar.gz 是自动更新器构件，不是下载版本—— macOS 请使用 .dmg。目前没有 Intel Mac（x86_64）或 Linux AppImage 版本； Intel Mac 用户可以从源代码运行。

首次启动时，Aurora 会初始化一份小型知识库种子，随后即可完全离线运行——无需 API 密钥、云服务或遥测。将 CSV 拖到窗口中，即可查看分析结果。Aurora 以本地为先：你的数据永远不会离开你的设备，除非你明确分享单条发现——详见 PRIVACY.md。

关于“未知发布者”警告的提醒。 当前版本尚未进行代码签名，因此 Windows SmartScreen 可能会显示 “Windows 已保护你的电脑”，macOS Gatekeeper 可能会提示 “无法验证开发者身份”。对于一个年轻的开源项目来说，这是预期情况。Windows 用户：更多信息 → 仍要运行。macOS 用户：右键点击应用 → 打开。代码签名已列入路线图。

桌面应用 — 使用提示和已知特性

以下几种情况是预期行为，不是错误：

• 首次启动时会显示欢迎界面，而不是运行结果。 这是有意设计的——全新启动时界面是干净的。拖入一个 CSV 文件（或点击演示卡片）即可开始；过去的运行结果始终可在 Data → Bundles 下查看。
• 首次启动时，请给后端几秒钟时间。 Aurora 首次打开时会启动本地分析服务（127.0.0.1:8001）；状态指示点会显示“正在连接…”约 5–10 s，然后服务才会启动。如果这个状态持续了一会儿，说明应用仍在预热——并非已冻结。
• 大型数据集需要更长时间，结果会一次性全部显示。 大文件可能会在 “正在分析…” 状态停留一段时间。完成后，你会看到 “分析完成”，视图随即填充内容。如果 Overview 在完成后短暂显示为空，请等待几秒，或点击其他标签页再切回来——系统仍在获取整理后的状态，稍后就会填充完成。
• 重新运行同一个文件会立即完成。 相同的数据和设置会复用缓存的分析；横幅会显示 “instant · cached.” 这是速度上的提升，并不代表跳过了运行。
• 全新安装时，Knowledge Bank 的内容较少。 随应用附带的种子知识库会随着时间推移不断增长；你可能在截图中看到的大型数千条目知识库，是在持续导入数据一段时间的机器上逐步构建的。无论本地有什么内容，引用功能都仍然可用。

想自行构建或从源代码运行？请继续阅读。

---

⚡ 快速入门（60 秒）

# 1. Clone + create a virtualenv
git clone https://github.com/FantasyLab-ai/aurora.git
cd aurora
python -m venv .venv
# Windows:
.\.venv\Scripts\Activate.ps1
# macOS / Linux:
source .venv/bin/activate

# 2. Install
pip install -r requirements.txt

# 3. Run the Studio
python studio_api.py

打开 http://127.0.0.1:8000。点击 ▶ 试用演示，立即进行冒烟测试；也可以拖入自己的 CSV / Parquet / JSON / XLSX 文件。

首次运行会下载一个小型种子知识库（约 50 MB）。之后，Aurora 将完全离线运行——无需 API 密钥、云服务，也不会收集遥测数据。

可选额外组件（仅在需要时安装）：

pip install cryptography             # Ed25519 bundle signing
pip install mcp                      # MCP server for LLM agents (Claude Desktop, Cursor, etc.)
pip install -r requirements-dev.txt  # contributor / test extras

若要构建可选的 Vite + TypeScript 前端（仅供开发者使用），请参阅§ 可选前端构建。

---

🖥️ 桌面应用

这是一款可安装的原生应用，采用无边框窗口和侧边栏导航，支持将任意文件拖放到应用中。它使用 Tauri 2 构建，安装程序内置了 Aurora 的完整分析后端，因此无需任何配置即可运行：无需 Python、venv 或终端。

大多数人只需下载应用即可。 本节其余内容适用于想从源代码构建应用或修改 UI 的开发者。

功能

界面	行为
无边框窗口	透明 OS 背景上的圆角卡片；带有最小化/最大化/关闭按钮的 aurora ◆ 标题栏
侧边栏（左侧）	Workspace · Data · Full Studio 分区 + 实时“aurora: 在线 / 离线”状态指示点
标签栏（顶部）	Overview / Findings / Data，共用一条滑动下划线
拖放任意文件	CSV、TSV、JSON、JSONL、Parquet、XLSX——拖到窗口任意位置，或点击浏览文件
Overview	统计卡片（Findings · Methods · Anomalies · Regimes）+ Aurora 的自然语言叙述
Findings	按严重程度筛选的卡片网格；点击卡片可查看完整证据面板
Methods	每次运行的方法统计及占比条
Datasets	附带的测试数据 + 演示数据集——点击任一卡片即可运行
Bundles	过去的运行结果——磁盘上所有签名的 .aurora.json 文件，按状态标记
Aurora Studio 侧边栏	在 iframe 中显示完整的旧版 UI——所有功能仍可访问

从源代码构建 / 开发

桌面应用位于 desktop/。若要自行构建安装程序（PyInstaller 后端 + Tauri 外壳），或在热重载开发模式下运行 UI，请参阅 desktop/README.md——其中介绍了前置条件（Node、Rust）、单命令启动器（launch.ps1）、安装程序构建脚本（build_installer.ps1），以及 Windows Smart App Control 的注意事项。推送 git tag vX.Y.Z 会触发跨平台发布 CI。

---

🚨 Aurora Sentinel — 决策契约就在眼前

Aurora 在 demos/ 下提供了一套完整的 演示设备，将一次决策契约之旅变得触手可及——Discord 提醒、Slack 警报、OBS 叠加卡片，或是让房间里的智能插头切换状态。五个“我给本地 AI 提供 X，看看它发现了什么”的视频，全部基于同一套脚手架构建。

#	演示	重点画面	展示内容
1	Aurora Alarm	数据出错时，实体灯亮起	闭环真实存在——软件 → 有依据的原因 → 现实后果
2	Community Sentinel	Discord 嵌入消息显示方法 + 行 + |z|σ	可直接接入任何 Discord 社区；异常有据可查，不依赖云端
3	The Save	Slack 提醒在机制转换时送达	展示“盯着仪表盘的人可能会错过这一刻”的演示
4	Verification Cortex	Agent 调用 Aurora 的 MCP，并依据一个已验证数值采取行动	展示面向 Agent 构建者的应用场景；不再出现看似自信却错误的 z 分数
5	Rediscover the Law	Aurora 从一段小球下落视频中推导出 y = ½·a·t²	旗舰亮点——免费的本地 AI 重新发现重力，且结论有 SINDy 依据

演示快速入门（完成上述安装后）：

# Generate the synthetic datasets one time:
python -m demos.datasets.falling_ball.generate
python -m demos.datasets.server_metrics.generate

# Install the demo contracts into Aurora's contracts dir:
cp demos/contracts/*.json ~/.aurora/decision_contracts/        # macOS / Linux
copy demos\contracts\*.json $env:USERPROFILE\.aurora\decision_contracts\   # Windows

# Configure your webhooks once (copy the template + paste your URLs):
cp demos/.env.demos.example demos/.env.demos                   # macOS / Linux
copy demos\.env.demos.example demos\.env.demos                 # Windows

# Run the relay (it reads .env.demos for Discord/Slack URLs):
python -m demos.relay.app

包含 OBS 设置、契约安装和各演示运行手册的完整分步录制指南，请参阅 demos/README.md。

---

查看 Aurora 的实际运行

在环境空气质量数据集上进行的一次真实运行——直接从 Studio 会话中截取。

### 护城河：每个句子都有来源引用

以结构化原子形式呈现发现。每张卡片都是一个带类型的对象——方法、严重程度（crit / high / med）、阈值、证据、引用——而不是一段大模型生成的文字。+448.6σ 和 p < 0E+0 并非凭感觉判断的“异常”，而是对第 6715 行计算的 Hampel z 分数，你可以重新运行验证。	如实披露的 19 种高级方法。HMM（3 个潜在状态）、互信息（13 特征矩阵）、Granger（5 对因果关系）、Wavelet Morlet CWT、高斯过程、持续拓扑、多变量离群值（5000 个样本中有 325 个被 ≥2 个检测器标记）。无法运行的方法会明确标记为 skipped，并说明原因——no_time_axis、negative_values_present、cross_sectional_no_time_axis。不会静默失败。
时空世界线。将八条实体世界线（Wind、Atmospheric pressure、Solar input、Humidity、Air temperature、Sea-surface temp、Wave height、Precipitation）绘制在时间轴上。垂直的“NOW”线将过去与预测区域分隔开。橙色标记表示预测将在 +2.0h 时越过阈值——由 Aurora 触发，而非人工触发。	相空间。将系统简化为二维状态投影。青色的 NOW 标记表示当前位置；其后的轨迹显示系统如何到达此处。压力 ↔ 太阳辐射、压力 ↔ 湿度、压力 ↔ 气温的共振（35.71m，coh 1.0）决定了几何形态。

_{截取自一个包含 9,357 行的横截面空气质量数据集，层级为 AUTO。使用消费级硬件在本地运行耗时约 14 秒。0 fabricated。引用了 12 条知识条目。三种方法因说明的原因暂缓执行。}

---

验证安装

运行 python studio_api.py 启动后，你应该会看到类似这样的内容：

[aurora] frontend = /path/to/aurora/frontend
 * Running on http://127.0.0.1:8000

打开该 URL。Studio 会显示一个“拖放数据集”区域。可使用以下任意数据集：

data/fixtures/factory_bearing_demo.csv      # ships with the repo — bearing failure
data/fixtures/climate_buoy_demo.csv         # ships with the repo — NOAA-style buoy data
data/fixtures/patient_cohort_demo.csv       # ships with the repo — clinical cohort

拖入一个数据集，点击 AUTO + ▶ RUN ANALYSIS。约 10-20 秒后，你会看到：

• 六个分析视角加载完成（Overview、Anomalies、Regimes、Motifs、Forecast、Physics）
• Findings 卡片列出所有引用的结论
• 0 fabricated 标记（始终如此——这是 Aurora 的承诺）

如果一切正常，你就可以用于生产环境了。

可选：增强型前端构建（v0.10 Phase 2）

运行 Aurora 并不需要这个。 只需运行 python studio_api.py。本节面向希望在未来面板开发中获得类型安全和 Vite 热重载开发循环的开发者。

Phase 2 构建包增加了一个 Vite + TypeScript 层，包含类型化 API 辅助工具、强化的服务器发送事件，以及由 Nanostores 支持的状态模型。它与现有前端并行运行，完全向后兼容——无论是否启用，Studio 的可见界面都完全相同。

要求：Node 18+ 和 npm。

只需构建一次即可启用：

cd frontend
npm install              # installs Vite, TypeScript, @types/node, Nanostores
npm run build            # produces frontend/dist/aurora.js + aurora.css
cd ..

就这么简单。下次任何人加载 Studio 时（无论 Flask 是否已在运行），构建包都会自动启用——Flask 的静态路由会提供新文件，index.html 会在加载时通过 HEAD 请求检测这些文件。重新加载页面后打开 DevTools 控制台，你会看到 ⚡ Aurora 0.10.0+phase2 loaded，并且可以使用 window.Aurora.api / .store / .stream 进行自定义面板开发。

要关闭它：rm -rf frontend/dist/（或删除该文件夹）。页面会恢复为纯旧版模式，且不会出现控制台警告。

使用热重载进行 TypeScript 开发（打开两个终端）：

# Terminal 1 — Flask backend on :8000
python studio_api.py

# Terminal 2 — Vite dev server on :5173 with HMR + Flask proxy
cd frontend && npm run dev

打开 http://127.0.0.1:5173（不是 :8000）。对 frontend/src/ 下任何内容的修改都会立即热重载。完整指南：docs/frontend-build.md。

状态： v1.1 已发布（2026 年 5 月）。v1.2 已大幅完成（流式处理、云端、Jupyter、合约操作、运行库、MCP HTTP）。v2.0 正在 main 分支上积极推进（因果 do-calculus、多数据集联接、插件 SDK、自定义知识库导入、构建包证明、知识库市场、Kafka + Postgres CDC 连接器、GPU 嵌入）。本地测试通过 599 项；CI 中约 625 项。已有真实用户在真实数据上使用。

在 Docker 中运行（自带大模型）

cp .env.example .env           # pick a provider + paste your key
docker compose up              # → Aurora Studio at http://localhost:8000

一条命令即可运行，状态持久保存在主机上（./aurora-data/），无需依赖云服务。有关 Fly / Railway / Render / VPS 部署方案及新的多租户身份验证模型，请参阅 docs/cloud-deploy.md。

---

一个引擎。两个界面。同样的玻璃盒。

Aurora 有两个界面，共用同一个分析引擎。代码相同，原则相同，集成形式有两种——一种供人们点击查看分析结果，另一种供 AI 系统调用 API。

🧠 Aurora Copilot — 面向人类

适合分析师、量化研究员、科学家和工程师。

一款本地量化助手，适用于那些重要到不能交给会产生幻觉的模型的工作。导入数据集，即可获得严谨的分析结果——发现异常、检验因果关系、生成带置信界限的预测，并为每项结论标注其依据的计算过程。不靠云端 LLM 猜测，不用黑箱数学。

• 透明分析工作台 — 六种分析视角（概览、异常、状态、模式、预测、物理），时空系统图，状态空间投影
• 24+ 种研究级方法 — Isolation Forest、稳健 z 分数（Hampel）、Granger、HMM Baum-Welch、持久同调、SINDy、高斯过程、互信息、VAR、DTW、BOCPD、Robust PCA、EMD、Kalman、Spectral entropy 等
• 以知识为依据的综合分析 — 每条“What This Means”结论都引用公开授权知识库中的 seed:* 条目
• 分析前数据质量检查 — 运行任何分析之前，先进行架构验证、缺失模式检测和不规则采样检查（虚构计数器旁的 data ok / N issues 状态标记）
• 因果推断（do-calculus） — Pearl 风格的后门识别 + 调整 OLS 估计。旧版 WHAT-IF 面板现在会在每项模拟输出下方显示“do() 因果判定”；v2.0 LAB 则提供专用的全屏因果选项卡，可明确查询处理、结果和干预，并分析反事实
• 流式 / 连续模式 — 将 Aurora 指向某个目录；有新数据写入时，分析结果会自动刷新。按结果去重，确保总线只针对真正的新结果触发；可选择启用 Decision Contracts 自动触发桥接。非文件数据源支持 Kafka + Postgres CDC 连接器（依赖项受控启用，详见 v2.0 LAB → Connectors 选项卡）
• 可组合的分析结果 — 已完成运行拟合出的物理特性 / 状态 / 基线，可作为下一次运行的先验；匹配的结果会标记为 PRIOR
• 多数据集联接 — 配对两次已完成的运行，查看共享键、架构兼容性和可继承项
• 运行库 — 跨会话固定运行、对任意两次运行进行 A/B 对比，并将运行分享为可移植的 .aurora.json 包
• 自定义知识库导入 — 导入一个包含 PDF / TXT / MD 文件的文件夹；Aurora 会遍历文件夹、提取文本，并将文本块整合到工作区知识库中。v2.0 LAB 提供浏览文件夹界面
• 知识库包市场 — 安装精选领域知识库包（气候 / 金融 / 生物医学 / 工业）；预览状态的知识库包会如实标注
• 包完整性证明 — 对任意 .aurora.json 执行三项检查汇总（完整性 + Ed25519 签名 + 可信签名者注册表）
• 如实披露 — 明示采样、超时和跳过的方法；绝不暗中伪造

→ 查看实际效果：examples/factory-bearing/
→ 概念概览：docs/concepts.md

🛡️ Aurora Cortex — 面向 AI 系统

面向 AI 构建者、Agent 开发者和 AI 产品团队。

当 AI Agent 和 AI 产品无法承受定量结论出现幻觉时，它们就会调用这一验证层。如今，每个 LLM 都会编造数字；Aurora 是从结构上解决问题的不同方案——它通过计算和验证，而非预测来得出结论。可通过 MCP、Python SDK 或 Decision Contracts 接入。

四种可编程接口，全部使用相同的 .aurora.json bundle 格式：

import aurora_sdk as aurora

r = aurora.run("data.csv", depth="standard")
r.findings.critical().by_method("iso-forest")
r.forecast.peak(horizon_hours=24)
r.bundle.save("audit.aurora.json")        # SHA-256 integrity + optional Ed25519 signing

# Verify on any machine with Aurora installed
b = aurora.Bundle.load("audit.aurora.json")
b.verify()                                  # raises if tampered

层	面向对象	功能
Aurora SDK (文档)	Python 开发者、notebook、流水线	只需执行 pip install，即可获得带引文、过程透明的定量推理
Aurora Jupyter (文档)	Notebook 用户	使用 aurora.run(df) 生成丰富的 HTML 表示，并通过 to_html_report() 导出
Aurora MCP (文档)	LLM Agent（Claude Desktop、Claude Code、Cursor、自定义客户端）	uvx aurora-mcp——通过 stdio 或 HTTP 传输提供 7 个工具；限制允许访问的路径、限制输出大小、仅输出 JSON
Decision Contracts (文档)	自动化流水线	可编程谓词 → 当发现结果匹配时发送 webhook、写入日志或文件，或发送到 Slack / Discord / 邮件。提供 SSRF 和收件人数量上限防护。流式桥接会在出现实时发现结果时触发合同
Aurora Streaming (文档)	实时数据流	文件监视器 + 滚动窗口 + SSE 事件总线；按发现结果去重；可选自动触发合同。Kafka + Postgres CDC 连接器（依赖项受控）
Aurora Causal (文档)	探究“如果 X 发生会怎样？”的分析师	Pearl do-calculus：在运行的 system_model DAG 上进行后门识别 + 调整 OLS + 反事实查询
Runs Library (文档)	任何需要反复处理数据集的人	跨会话固定运行结果，对比两次运行，并导出可移植的 .aurora.json
Plugin SDK (文档)	领域专家	通过 aurora_plugins 入口点组注册第三方方法；与内置方法使用相同的发现结果契约
自定义 KB 导入	拥有私有资料库的研究人员	将包含 PDF / TXT / MD 的文件夹放入工作区 KB
Bundle Attestation	任何使用共享 .aurora.json 的人	一次调用即可验证完整性、Ed25519 签名和可信签名者注册表
Aurora Cloud (文档)	可自托管部署	Docker 镜像、自带 LLM、多租户身份验证、按工作区隔离数据、使用情况日志
Research Kit (文档)	研究人员、学者	用于申请 DOI 的 methods.md + references.bib + replication.json + .zenodo.json

→ 用 5 分钟将 Aurora 接入 Claude Desktop：examples/mcp-claude-desktop/ → 构建“出现 3 个或更多严重异常时触发”的自动化：examples/decision-contracts/

---

Aurora 存在的原因

如今的每个 AI——包括最优秀的云端 LLM——都会在定量结论上产生幻觉。更大的模型无法解决这个问题。单靠 RAG 也无法解决。思维链只会生成更长、更自信的谎言。

Aurora 是最罕见的一类解决方案——从结构上就与众不同。它通过计算和验证，而非预测来得出结论。它在你的机器上本地运行。它会展示计算过程。Aurora 报告的每种关系都是经过计算的，而非猜测的。每项结论都注明来源。每项不确定的发现都会明确标示为不确定——绝不会在不可靠的基础上给出看似确定的计算结果。

核心原则

• 🔍 每一层都清晰可查。 每个节点、边、发现和建议都可追溯到来源。数据包包含 SHA-256 内容哈希，并可使用 Ed25519 签名。
• 💻 始终本地优先。 你的数据留在自己的设备上。不收集遥测数据。不向外发送数据。MCP 服务会按每次调用强制执行路径允许列表；Decision Contracts 默认会拦截指向私有 IP 的 webhook 目标。
• 🎯 诚实原则。 不确定的关系会标记为不确定。方法进行抽样或超时时，系统会告知用户。Aurora 的 fabricated_count 徽标是契约规定的 0，并且会实时审计。
• 📖 开源。 Apache 2.0。可检查、可分叉、归你所有，可供审计、供应商集成、嵌入和再分发。

---

经过校准，而不只是提供引用

无法量化自身错误率的裁判就称不上裁判。从 v0.10.0 开始，Aurora 内置了校准引擎：对于变点检测方法（BOCPD、CUSUM、PELT），每项发现都会附上实测值，说明当数据中没有任何可发现内容时，该检测器触发的频率——测试数据的特征与你的数据相似。

Aurora 自有生产环境中的 CUSUM 检测器得出的实测关键数据（n=90，每个单元格进行了 4,000 次带种子的零假设试验）：对于独立平稳序列，触发率为 0.1%；滞后 1 自相关系数 φ=0.6 时为 48.3%；φ=0.8 时为 89.5%。在日常需求或传感器数据中如此常见的自相关，会让一次“检测”变成抛硬币——未经校准，下游环节便无从得知。数据长度也会加剧问题：φ=0.4 时，触发率从 13.6%（n=90）升至 39.6%（n=180）——收集更多数据反而会让这种故障模式恶化，而非改善。与此同时，同一数据集也表明哪些情况不会误导检测器：强烈的 7 天季节周期（4,000 次试验中触发 0 次）和重尾噪声（0.4%）几乎不会造成影响。自相关才是关键问题，现在它已得到测量。

因此，Aurora 会在生成发现时告知你：

• 与数据特征（长度、偏差校正后的自相关、尾部特征、季节性、缺失情况）匹配的实测误触发率，并附 Wilson 95% 区间
• 明确的状态——calibrated、interpolated（披露最大误差）、unavailable（超出实测范围，并指出超限维度）或 not_yet_calibrated——绝不静默采用默认值
• 降级判定：数据无法支撑的发现会改为 not_identifiable，同时仍报告原始统计量并披露配置的上限
• 推导得出的补救措施——所需的连续确认次数、使用估算的 φ 进行预白化——仅在数学依据充分时提供
• 发现和数据包中包含数据集版本及 SHA-256，以便质疑者核实生成该结论所用的表格

看看它如何识别出一个出于虚假理由而采取的、符合约束的操作：

python -m demos.phantom_signal.run_demo

详细信息、架构和完整的诚实规则集：docs/CALIBRATION.md。它不会声称：不提供功效/灵敏度数据，不提供真实数据的基准真值；v1 数据集覆盖变点检测方法——其他方法会明确说明 not_yet_calibrated，而不是假装已完成校准。

---

如何集成

Aurora 的构建目标是为人类和 AI 系统提供可调用的基础设施：

• MCP 服务——连接任何兼容 MCP 的 AI 客户端（Claude Desktop、Claude Code、Cursor、自定义 Agent）。公布 7 个工具；采用路径允许列表；输出上限为 2 MB；仅以 JSON 格式封装错误
• Python SDK——在笔记本、脚本、流水线和 Agent 框架中使用 import aurora_sdk
• Decision Contracts——可编程谓词会触发操作（webhook / 日志 / 仅追加文件）。防护 SSRF、限制速率并进行审计
• Webhooks——将已验证的发现发送到 Slack / Discord / PagerDuty / 你自己的接收 API（Slack/Discord/PagerDuty 操作类型将在 v1.2 中推出；通用 webhook 现已提供）
• Local Studio——通过完整的透明界面探索发现、智能面板、系统图和多维数据立方导航器
• Aurora Bundle Format v1——可移植、可签名、可引用的 .aurora.json 工件，上述每一层都会生成和使用它

---

快速示例

作为 Copilot — 拖入 CSV，了解 Aurora 的发现

python studio_api.py
# Open http://127.0.0.1:8000 → click "Try a demo → factory_bearing_demo"
# 10 seconds later: 11 cited findings, 3 critical, confidence 84%, 0 fabricated.

作为 Cortex — 让 Claude Desktop 能够引用真实的数学依据

添加到你的 claude_desktop_config.json：

{
  "mcpServers": {
    "aurora": {
      "command": "uvx",
      "args": ["aurora-mcp", "--allow-root", "/Users/you/data"]
    }
  }
}

无需安装步骤 — 首次运行时，uvx 会从 PyPI 获取 aurora-mcp。 （如果你要从源码检出目录运行？请使用 "command": "/path/to/aurora/.venv/bin/python", "args": ["-m", "aurora_mcp.server", "--allow-root", "/Users/you/data"]。）

然后询问 Claude：

以标准深度对 /Users/you/data/factory_bearing.csv 运行 Aurora，然后深入分析最关键的异常，并提供完整证据。

Claude 会串联 aurora_analyze → aurora_findings(severity=crit) → aurora_explain(claim_id=…)，并给你一份引用每种方法的答复 — 绝不捏造行号或 z 分数。

完整演练：examples/mcp-claude-desktop/

作为 Cortex — 将发现接入自动化流程

~/.aurora/decision_contracts/bearing-watch.json：

{
  "id": "bearing-watch",
  "trigger": {"field": "findings.crit_count", "op": ">=", "value": 3},
  "actions": [
    {"type": "webhook", "url": "https://hooks.example.com/aurora"},
    {"type": "file", "path": "alerts.jsonl"}
  ],
  "rate_limit": {"max_per_hour": 12}
}

from aurora_sdk import Bundle
from fantasyai.aurora.decision_contracts import load_contracts, fire_contract

bundle = Bundle.load("latest.aurora.json").doc
for c in load_contracts():
    fire_contract(c, bundle)               # webhook fires, audit row appended

---

目前已实现的功能

v1.1 基础层——Bundle Format、SDK、MCP、Decision Contracts、Research Kit、六种分析视角——已发布并趋于稳定。v1.2 冲刺已基本完成；v2.0 工作正持续合入 main。

分析方法（17 → 24+）：

• v1.1：Isolation Forest、Hampel z-score、HMM、互信息、Granger、小波、Lomb-Scargle、高斯过程、持久拓扑、SINDy、多变量异常值、聚类稳定性、贝叶斯、面板、生存分析、空间分析、网络分析、DiD
• v1.2 新增：VAR、DTW、BOCPD、Robust PCA、EMD、Kalman、Spectral entropy——每种方法均提供跳过原因，并符合玻璃盒合规要求

v1.2 功能（大部分已发布）：

• 流式／连续模式——/api/stream/start|stop|status|events，配备 SSE 事件总线、按发现结果去重、可选的 Decision Contracts 桥接，以及 Studio 中的实时发现结果栏
• Aurora Cloud（阶段 1 + 2）——Docker + docker-compose + 云部署指南。设置 AURORA_AUTH_REQUIRED=1 后启用多租户身份验证、按工作区隔离数据和用量日志
• 自带 LLM（BYO-LLM）——可插拔的提供商抽象层，支持 5 种后端（Anthropic / OpenAI / Gemini / Ollama / OpenAI-compatible）
• Decision Contracts：Slack / Discord / Email 操作——扩展 v1.1 的 webhook / log / file 类型。包含 SSRF 防护、收件人数量上限和 URL 令牌脱敏
• 运行库 UI——可从顶部工具栏的按钮固定运行、进行 A/B 对比（通过 joins 端点）以及分享为 bundle
• MCP HTTP 传输——为无法在本地运行子进程的远程 Agent 提供 /mcp/v1/* 端点；独立服务模式支持可选的令牌门控
• 预检数据质量检查——检查 schema、缺失值和不规则采样。fabricated 按钮旁显示 data ok / N issues 提示
• Jupyter 集成——支持 aurora.run(df)、富 HTML 表示形式、to_html_report() 和示例 notebook
• KB 包分发——提供清单、下载器、4 个入门包和注册表自动检测

v2.0 功能（正在发布，可在 ⚡ v2.0 LAB 模态框中使用）：

• 因果推断（do-calculus）——fantasyai/aurora/causal/。支持后门识别、基于调整的 OLS 估计和反事实查询。旧版 WHAT-IF 面板现在也会在每个模拟器输出下方返回“do() causal verdict”
• 多数据集联接——/api/joins/analyze 可分析两次已完成运行之间的共享键、schema 兼容性、交叉相关提示和继承候选项
• 可组合发现结果——从已完成的运行中提取先验并继承到下一次运行；对齐的发现结果会显示 PRIOR · matches / drifts / novel 徽标
• 插件 SDK——第三方方法通过 aurora_plugins 入口点组注册；使用与内置方法相同的契约；故障会被隔离
• 自定义 KB 导入——放入包含 PDF / TXT / MD 文件的文件夹；Aurora 会遍历文件夹，并将内容分块后导入工作区 KB。v2.0 LAB 中提供文件夹选择器和拖放功能
• Bundle 证明——针对任何 .aurora.json 提供三项检查汇总（完整性 + Ed25519 签名 + 可信签名者注册表）
• KB 包市场——安装精选的领域 KB 包（气候 / 金融 / 生物医学 / 工业）。预览状态的包会如实标注为“尚未发布”
• 流式连接器——为非文件来源提供 Kafka + Postgres CDC 连接器。依赖项采用门控方式；v2.0 LAB → Connectors 选项卡会列出安装提示
• GPU 嵌入——通过 AURORA_EMBEDDINGS_DEVICE=cuda|mps|auto 环境变量选择设备，并在需要时平稳回退到 CPU

计数：

• 本地通过 599 项测试；CI 中约 625 项（依赖 scipy + flask 的测试在 CI 中运行）
• 16 个后端模块可正常导入
• 0 个虚构发现结果——这是契约要求

可在本地端到端执行。初次下载知识库后不依赖云服务。

尚不完善之处

如实说明：

• 知识库随附一组初始内容；完整资源包需单独下载，且仍在扩充
• 4 个 v2.0 市场资源包（Climate / Finance / Biomed / Industrial）已在清单中预留，但尚未托管——其 SHA 为 PENDING_FIRST_BUILD。Studio 将它们标记为 PREVIEW，并在下一次清单修订前禁用安装
• 某些高级方法会在数据集缺少必需结构（无时间轴、无实体列）时跳过——这些跳过属于正确的透明机制行为；如果不查看跳过原因，可能会令人困惑
• 每种方法都有超时限制（默认 90 s），因此会延后处理某些超大型数据集；对此会如实说明
• 移动设备 / 平板电脑适配仍待完成
• 浏览器安全机制使 Aurora 无法从 <input type="file"> 选择器读取绝对文件夹路径；知识库导入会预填文件夹名称，并提示用户输入绝对路径

公开构建日志：CHANGELOG.md。

---

开源构建。由真人打造。服务真实工作。

Aurora 采用 Apache 2.0 许可证，完全开源。引擎、架构、基线模板、MCP 服务、SDK、Webhook 层——全部开源。每一层都没有黑箱，包括代码库本身。

路线图公开发布。构建过程记录在 YouTube 上。为知识库贡献条目或模板的领域专家，将能够从即将推出的市场（v2.0）中获得收益。社区不断壮大，Aurora 也会越来越智能。

• ⭐ 在 GitHub 上点星 — 提高知名度
• 💜 在 Patreon 上支持我们 — 定期支持为项目构建提供资金
• 📺 在 YouTube 上关注构建进展
• 🎬 TikTok 每日短片
• 🐦 X 上的每日进展

---

路线图

完整路线图请参阅 ROADMAP.md。近期进展：

• v1.2 — 已大幅交付： 流式处理第 1 + 2 阶段 · Aurora Cloud 第 1 + 2 阶段（Docker + BYO-LLM + 多租户身份验证）· 7 种全新分析方法 · Jupyter 集成 · 知识库资源包分发 · 数据质量预检 · Slack/Discord/Email 合约操作 · 运行库 UI · MCP HTTP 传输
• v2.0 — 正在 main 上积极交付： 因果推断（do-calculus）· 多数据集联接 · 可组合发现 · 插件 SDK · 自定义知识库导入（PDF → 知识库） · 资源包证明服务 · 知识库资源包市场（预览） · Kafka + Postgres CDC 流式连接器 · GPU 嵌入设备门控
• v1.2 收尾（仍未完成）： Bundle Format v1.1（已签名的增量更新）· 对话式副驾驶润色 · 知识库社区贡献流程 · 领域模板资源包 · DuckDB 导入 · 移动设备 / 平板电脑适配
• v2.0+（6–12 个月）： 联邦式知识贡献 · 创作者收益分成市场 · Aurora 内核 · Aurora-as-CI · Web Component 嵌入 · 移动端伴侣应用

---

项目家族

Aurora 隶属于 FantasyLab.ai——面向严肃工作的本地优先 AI 工具。姐妹项目：

• Fantasy Studio — 使用真实光线追踪模拟进行 AI 指导的电影级 3D 渲染。将同一理念应用于创意工作，而非分析工作。

参与贡献

欢迎贡献。有关设置、代码风格、测试要求和开发工作流，请参阅 CONTRIBUTING.md。

适合入门的方向：

• 标记为 good first issue 的问题
• 标记为 help wanted 的问题
• 知识库贡献——为新领域添加带引用的条目。请参阅 docs/knowledge-bank.md
• Aurora MCP 集成——示例笔记本、演示 Agent

安全

Aurora 在本地处理数据。SDK 和 MCP 服务没有遥测、回传或分析功能。验证皮层是核心壁垒，并经过审计。完整的安全模型以及漏洞报告方式，请参阅 SECURITY.md。

许可证

Aurora 采用 Apache License 2.0 许可。可用于商业用途、修改和再分发，只需保留版权声明，且不得声称我们为你的衍生作品背书。

如需在客户管理的云环境中部署并获得企业支持，请联系 [email protected]。

致谢

Aurora 建立在数十年的统计与分析研究成果之上。每项 Aurora 输出都附有引用。基础方法来自包括以下研究人员在内的学者：

• Vipin Chandola、Arindam Banerjee、Vipin Kumar（异常检测）
• Judea Pearl（因果推断）
• Rob Hyndman、George Athanasopoulos（预测）
• Steven Brunton、Joshua Proctor、Nathan Kutz（SINDy／稀疏辨识）
• Frank Hampel（稳健统计，1974 年）
• Fei Tony Liu、Kai Ming Ting、Zhi-Hua Zhou（Isolation Forest）
• Carl Edward Rasmussen、Christopher K. I. Williams（高斯过程）
• C. W. J. Granger（因果关系）
• L. E. Baum、T. Petrie、G. Soules、N. Weiss（Baum–Welch HMM）
• Thomas Malthus（指数动态，1798 年）
• Reverend Thomas Bayes（贝叶斯推断）
• ……以及更广泛的开放科学社区，他们的研究让 Aurora 成为可能

Aurora 项目本身是作为 FantasyLab.ai 的一部分构建的。

---