多 Agent 合规流水线：用 RAG + 自修正架构对抗 WCAG 幻觉问题

多 Agent 合规流水线：用 RAG + 自修正架构对抗 WCAG 幻觉问题 | 前端进阶之旅

Full translation

完整中文译文

静态代码扫描器的产品困局

传统网页无障碍（WCAG）工具对非技术背景的小企业主而言，从根上就是坏的。标准规则检查器本质上只是吵闹的扫描器——它们把海量的未经核实的违规一股脑倒给用户，既无法判断图片的 alt 文本是否真正具备上下文描述性，也无法提供任何上下文验证。这使得小企业极易遭受掠夺性 ADA 诉讼，因为一份原始的、未经验证的报告并不能解决底层代码漏洞。

为了弥合这个缺口，我把在 Google All Things Agentic Hackathon 上构建的一个原型，工程化成了一个完全生产就绪的开源公共服务：MAD Platform（Multi-Agent Defense），托管于 mad-platform.org。

它不是生成一份静态报告，而是部署了一种确定性的、自纠正的多智能体编排模式——爬取、可视化、通过 RAG 验证，并输出生产就绪的修复方案。以下是我构建它的技术架构。

核心架构：Analyst 与 Editor 验证循环

在高风险的合规环境中，依赖单一 LLM 调用是产品的死穴。模型会产生幻觉——导致假阴性（让企业面临法律风险）或假阳性（浪费开发者时间）。为了达到生产级准确度，MAD Platform 将认知劳动拆分到专业智能体中，让它们相互审查彼此的执行路径。

[Web Crawler / Playwright] 
       │
       ▼
┌─────────────────────────────────┐
│       1. ANALYST AGENT          │ ◄── Discovers violations via parallel visual & code checks
└────────────────┬────────────────┘
                 │ (Flags Finding)
                 ▼
┌─────────────────────────────────┐
│        2. EDITOR AGENT & RAG    │ ◄── Cross-checks findings against live screenshot & official WCAG
└────────────────┬────────────────┘
                 │
         ┌───────┴───────┐
         ▼               ▼
   [Dismissed]     [Confirmed] ──► [Reporter Agent] ──► Jira CSV / HTML

管道首先使用 Playwright 进行无头渲染、截图捕获和计算样式提取。Analyst Agent（由 gemini-3.5-flash-lite 驱动，追求高容量的成本效益）对每个页面运行三项并行检查：

确定性检查：传统代码规则解析（如原始对比度、缺失的表单标签）。

语义检查：评估结构化布局层级和 ARIA 角色。

多模态视觉检查：对实际渲染截图进行推理，检测被糟糕样式隐藏的元素。

Analyst 标记的任何违规都被视为未经验证。它会被传递给 Editor Agent（利用 gemini-3.7-flash 的高判断力推理）。

为了完全突破「幻觉屏障」，系统不依赖脆弱的 LLM 记忆。相反，我工程化了一个高精度检索增强生成（RAG）架构。系统查询一个本地化的、精心策划的向量知识库（gemini-embedding-001），其中包含精确的、未篡改的 Web 内容无障碍指南（WCAG）成功标准。这份严格的监管文本被直接注入到提示上下文中。

Editor 独立地对照原始视觉截图和检索到的 WCAG 标准的绝对 Ground Truth，对 Analyst 的发现进行交叉审查。如果证据匹配严格的法规文本，发现被确认；如果不匹配，则以经过审计、有据可查的理由驳回。

为确保平台能在无需手动代码修改的情况下扩展，一个每周一次的 Cloud Run 后台任务（pattern-miner）运行一个批处理任务。它分析来自边缘案例升级的人工驳回日志，识别反复出现的误报模式，并将它们编纂为永久性系统 grounding。随着时间推移，产品实际上在自愈其自身的知识库。

基础设施优化：零扩展可持续性

为了让这个工具对小企业永久免费，我将整个技术栈工程化为无服务器、零扩展模型，使用 Google Cloud Run 和 Firestore，将运营成本降至接近零。基础架构的资金完全来自我个人口袋。

由于公共设施需要完全透明，代码 100% 开源，采用 AGPL-3.0 许可证。需要注意的是，我们在扫描提交时严格需要经过验证的电子邮件地址，作为反滥用措施以保护我们的 API 限额免受机器人利用——无需注册账户或登录。

在线工具：mad-platform.org

开源代码：Github

当 AI 从简单的聊天界面过渡到自主工作流时，最大的障碍不是底层模型——而是我们围绕它们构建的系统架构和验证循环。您在自己的自主 LLM 工作流中如何处理错误纠正循环？欢迎在下方讨论。