dieya_risk_prediction_backend/docs/architecture.md

后端架构

后端采用模块化分层单体。HTTP、业务编排、领域计算和持久化彼此隔离，后续可以替换风险模型而不改 API 层。

HTTP Request
  -> app/api/v1              路由、参数接收、响应
  -> app/services            用例编排
  -> app/domain              纯领域规则/模型适配器
  -> app/repositories        数据访问
  -> app/models              SQLAlchemy ORM
  -> PostgreSQL

• app/core：配置、日志和统一异常。
• app/database：异步 Engine、Session 和事务边界。
• app/schemas：Pydantic 请求/响应契约，外部 JSON 使用 camelCase。
• app/domain/risk_engine.py：当前为可替换的基线评分引擎；未来可接 sklearn、XGBoost 或远程模型服务。
• 风险评分遵循 PRD：输入值表示风险程度，先按 S = 100 - X 转为安全得分，再按权重求综合分；R >= 80 低风险，60 <= R < 80 较低风险，40 <= R < 60 中等风险，20 <= R < 40 高风险，R < 20 极高风险。
• migrations：Alembic 数据库迁移。
• tests：API 和领域服务测试。

认证与审核链路：

密码登录 / 钉钉 authCode
  -> UserAccount + 角色映射
  -> JWT
  -> 每次请求从 JWT 查用户并读取 role_permissions
  -> 风险项自动预审
  -> 待审核队列
  -> 审核通过写入 anomaly_cases / 驳回退回
  -> operation_audits 追加式留痕

PRD 核心数据表

首期数据库包含 anomaly_cases、supplier_profiles、risk_assessments、risk_items、 review_records、standard_rules、user_accounts 和 role_permissions 八张核心表。

目标 PostgreSQL 当前未安装 pgvector，因此 anomaly_cases.embedding 暂用可空 JSONB 保存浮点数组。安装 vector 扩展后，应通过独立迁移将该字段改为 VECTOR(768) 并补充向量索引。