Aurora 是一款本地优先、开源、可核查的定量分析工具，定位为“玻璃盒定量智能”。其核心理念是：云端大语言模型倾向于猜测，而 Aurora 通过计算和验证给出结论，每一条关系都是算出来的而非预测出来的，每条结论都标注来源。
用途 Aurora 面向两类用户：一是需要分析硬数据的分析师、量化研究者、科学家和工程师；二是不能容忍幻觉的 AI 系统与智能体开发者。它用于异常检测、因果推断、预测、物理定律发现、数据质量预检等定量分析任务。
主要能力
- 六种分析视角：概览、异常、状态、模式、预测、物理。
- 24 种以上研究级方法：Isolation Forest、稳健 z-score（Hampel）、Granger、HMM Baum-Welch、持续同调、SINDy、高斯过程、互信息、VAR、DTW、BOCPD、Robust PCA、EMD、卡尔曼、谱熵等。
- 知识库支撑的综合：每句“What This Means”都引用公共授权知识库中的 seed:* 条目。
- 预检数据质量：模式校验、缺失模式检测、不规则采样检查。
- 因果推断（do-calculus）：Pearl 式后门识别与调整 OLS 估计，支持反事实查询。
- 流式/持续模式：指向目录，新数据到达时刷新结论，按结论去重。
- 可组合结论：上一次的运行结果可作为下一次的先验。
- 多数据集连接：比较两次运行的共享键、模式兼容性和继承候选。
- 运行库：跨会话固定运行、A/B 对比、以 .aurora.json 包分享。
- 自定义知识库摄取：支持 PDF/TXT/MD 文件夹。
- 知识库包市场：可安装精选领域知识包（气候、金融、生物医学、工业）。
- 包证明：完整性、Ed25519 签名、可信签名者注册表三重检查。
- 校准引擎：对变化点检测族（BOCPD、CUSUM、PELT）给出在无信号数据上的经验误报率。
- 诚实披露：采样、超时、跳过的方法都会明确显示，不会假装执行。
使用方式 桌面应用：下载对应操作系统的安装包，双击运行。首次启动会引导一个小型知识库种子，随后完全离线运行。支持拖放 CSV、Parquet、JSON、XLSX 文件。 从源码运行：运行 studio_api.py，打开 http://127.0.0.1:8000 ，可点击演示或拖入数据。首次运行会下载约 50 MB 的知识库种子。 Docker：一条命令运行，状态持久化在宿主机的 ./aurora-data/ 目录。 MCP 与 SDK：Aurora Cortex 提供 MCP 服务器和 Python SDK，可接入 Claude Desktop 等，示例位于 examples/mcp-claude-desktop/。 决策契约：可配置“出现 3 个以上严重异常时触发”的自动化，示例位于 examples/decision-contracts/，支持 Discord、Slack、OBS 叠加卡片、智能插座等联动演示。
适用场景
- 环境空气质量、工业轴承等硬数据的异常与预测分析
- 金融与经济数据的状态识别与因果检验
- 科研数据的物理定律发现与模式识别
- AI 智能体在生成定量结论前调用 Aurora 进行验证
- 需要本地部署、数据不出机器的合规场景
限制 桌面版当前未代码签名，Windows SmartScreen 和 macOS Gatekeeper 会提示“未知发布者”，属于预期行为。没有 Intel-Mac（x86_64）和 Linux AppImage 构建，Intel-Mac 用户可从源码运行。首次启动后端需 5–10 秒预热；大数据集分析耗时较长且结果一次性返回；重复文件因缓存会瞬间完成。知识库在全新安装时较小，随时间增长。部分连接器（Kafka、Postgres CDC）依赖需自行满足。价格、付费方案、具体性能指标和更多平台支持信息暂未提供。
