跨平台行为智能
一个以隐私为先、多平台的社交行为和动力学分析框架
MOSAIC 并非简单的开源情报（OSINT）聚合工具。 它是一个行为分析框架，旨在帮助研究人员、分析师和安全专业人员观察、结构化并解释跨多个在线平台的行为信号。
MOSAIC 收集异构的公开数据，并将其组织成行为维度，从而实现单一数据源无法获得的比较和纵向分析。
⚠️ MOSAIC 不提供心理诊断或绝对真相。 它提供结构化的信号和分析假设，这些信号和假设必须由人类分析师进行解读。
大多数工具关注的是人们发布了什么。 MOSAIC 关注的是行为如何在不同的环境中涌现。
MOSAIC 不聚合个人资料，而是构建跨三个互补维度的行为指纹：
技术 技能、专业知识、问题解决策略 （GitHub、StackOverflow）
社交 互动、隶属关系、话语模式、社区动态 （Telegram、Reddit、Mastodon、Bluesky）
影响力 内容产出、主题、可见性、叙事连贯性 （YouTube、Medium）
这种多角度方法能够实现社会动力学、安全和可信度分析，且始终保持情境化、可解释和隐私意识。
git clone https://github.com/Or1un/MOSAIC.git
cd MOSAIC
pip install -r requirements.txt
# 大多数平台无需凭证即可使用
# 部分来源（YouTube、Telegram）需要 API 密钥
cp modules/config.yaml.example modules/config.yaml
nano modules/config.yaml
python3 mosaic.py
pip install -r requirements_llm.txt
# Linux/macOS
curl -fsSL https://ollama.com/install.sh | sh
# Windows
# 从 https://ollama.com/download 下载
ollama serve &
ollama pull qwen:0.5b
超越简历，分析：
示例： 通过 GitHub 活动（技术严谨性）、StackOverflow 回答（问题解决风格）以及 Medium 文章（知识传播）评估一位高级 DevSecOps 人员。
识别暴露风险、过度分享模式以及公开存在中的不一致性。
示例： 审计高管或安全敏感岗位的在线足迹，发现潜在攻击面或声誉风险。
跨平台交叉验证主张和行为一致性。
示例： 在建立合作关系或投资之前，评估其公开行为是否与声称的专业知识和职责相符。
研究：
示例： 分析技术权威如何（或如何不）转化为不同生态系统中的社会影响力。
MOSAIC 收集异构的公开数据，以避免单平台偏见。
当前支持的来源：
💡 当你已经知道目标活跃在哪些平台时，MOSAIC 效果最佳。聚焦收集能提高信号质量，降低噪声。
未来来源（研究方向）：专业平台、论坛、小众社区。欢迎贡献和讨论。
分析由情境提示引导，而非通用指令。
Alpha 版本提供的上下文：
Recruitment.md — 技术与软技能评估OPSEC_audit.md — 数字足迹与暴露分析Threat_Intelligence.md — 归属与一致性研究PoC.md — 快速探索性分析提示词是存储在 modules/prompts/ 中的 Markdown 模板。
⚠️ Alpha 版本说明 当前提示词优先考虑架构和可扩展性而非精炼。 MOSAIC 假定分析师会根据自身方法论和领域调整提示词。
MOSAIC 支持两种分析模式：
✅ 本地（隐私优先——推荐）
ollama pull mistral:7b-instruct
支持的模型：mistral、llama、qwen 等。
⚠️ 云端（可选）
results/ 目录中导出的 JSON 文件💡 将 MOSAIC 输出与外部背景信息（简历、访谈、推荐信、时间线）结合使用可获得最佳效果。
洞察质量取决于：
MOSAIC 提供结构和信号。您提供判断。
MOSAIC 仅供合法的、基于同意且符合法律的使用。
results/，已加入 .gitignore）config.yaml 中使用 MOSAIC 即表示您同意以道德、负责任且合法的方式使用它。
有疑问、想法或研究方向？
MOSAIC 是一个方法论框架——特别欢迎改进提示词、分析逻辑或伦理保障的贡献。
由 Or1un 以 🔍 制作