security-scan / secret-scan (push) Failing after 3s

Details

feat(compliance): add NIS2/ISO27001/SOC2 mappers, Compliance-Robot, EU-AI-Act-Agent; docs(flexoptix-os): consolidation concept

Extends the existing ATLAS/OWASP/EU-AI-Act compliance module with three
new control-framework mappers (NIS2 Art. 21(2), ISO/IEC 27001 Annex A,
SOC 2 Trust Services Criteria), each honestly marking what ShieldX
covers vs. what remains an organizational/legal gap.

ComplianceRobot aggregates all four frameworks into a single prioritized,
owned action plan. EUAIActAgent adds active workflows on top of the
existing static reporter: Art. 6/Annex III risk pre-screening, Annex IV
technical documentation scaffolding, Art. 72 post-market monitoring plan,
and the corrected 2027/2028 enforcement timeline.

Adds docs/flexoptix-os/ — a broader consolidation concept covering the
current state (Magatama/ShieldX, EO Global Pulse), target architecture
for BEO (LibreChat/Presidio-based), a Transceiver Intelligence Platform
architecture recommendation, and RunWork OS externalization strategy,
grounded in adversarially-verified research citations.

2026-07-14 14:46:51 +00:00

7.0 KiB

Raw Blame History

Ziel-Architektur: BEO als zentrales Chat-/Agenten-Cockpit

Ziel laut Auftrag: eine selbstgebaute Kopie von LangChain / den gängigen Chat-Agenten-Plattformen — Skills, Konnektoren, spezialisierte Sub-Agenten mit automatischer Erkennung, Token-Kompression, vollständige Anonymisierung vor Außenkommunikation. Ohne Lizenzkosten, self-hosted.

Die Recherche (108 + gezielte Folge-Suchagenten, siehe 06-marktrecherche-quellen.md) liefert dafür ein klares, verifiziertes Architekturvorbild plus zwei wichtige Korrekturen gegenüber dem, was man naiv annehmen würde.

Blueprint: LibreChat (MIT-Lizenz)

LibreChat ist bereits als Fork in deinem GitHub-Account vorhanden (renefichtmueller/LibreChat) — das passt zur Idee, hier die Basis für BEO zu legen. Was konkret übernehmenswert ist (jede Aussage einzeln mit 3 unabhängigen Gegenprüfungen verifiziert):

LibreChat-Feature	Was es tut	Für BEO relevant
Skills-System	`SKILL.md`-Bundles, drei Aufruf-Modi: manuell, automatisch (Modell wählt aus injiziertem Skill-Katalog), always-on (jede Runde geladen)	Das ist exakt die "automatische Skill-Erkennung", die du für BEO wolltest
Subagents	Primäragent delegiert an isolierte Kind-Agenten-Läufe mit eigenem Kontextfenster, parallel, mit Rekursions-/Graph-Limits	Basis für "verschiedene Sachen spezialisiert, die automatisch erkannt werden"
Credential-Trennung	Pro-Nutzer verschlüsselte Zugangsdaten (Frontend) vs. Admin-ENV-Variablen (org-weit), pro Manifest-Flag `sensitive`	Direkt übernehmbares Muster für einen eigenen Konnektor-Speicher
Multi-Provider	OpenAI, Azure, Anthropic, Bedrock, Vertex AI, plus Ollama, Groq, Cohere, Mistral, OpenRouter — beliebig mischbar mit lokalen Modellen	Erfüllt "lokale LLM und Adapter"
Lizenz	MIT — komplett frei self-hostbar, keine SaaS-Pflichtkomponente (nur der optionale gehostete Code-Interpreter ist kostenpflichtig, nicht Kernfunktion)	Erfüllt "keine Lizenzkosten"

Zwei wichtige Korrekturen

"Volle MCP-Unterstützung" wurde widerlegt (0-3 Gegenstimmen). LibreChat wirbt mit MCP-Kompatibilität, aber die Recherche fand das nicht belastbar bestätigt — die MCP-Reife ist im Fluss. Konsequenz: MCP/OpenAPI Actions als Zielarchitektur für Tool-Anbindung übernehmen (das offiziell dokumentierte Nachfolgemodell des alten LangChain-Tool-Plugins), aber vor Produktivnahme selbst nachprüfen, nicht dem Marketing glauben.
Das alte LangChain-Tool-Plugin-System ist offiziell deprecated (3-0 bestätigt, Docs verweisen explizit auf MCP/OpenAPI Actions als Nachfolger). Für BEO heißt das: nicht das alte LangChain-Tool-Subclassing-Muster nachbauen — das ist bereits Altlast, selbst im Vorbild.

Anonymisierungs-Gateway: Presidio (MIT) — als eine Schicht, nicht die einzige

Microsoft Presidio ist die stärkste self-hostbare Anonymisierungs-Pipeline vor externen LLM-Aufrufen: Analyzer (Erkennung) → Anonymizer (Transformation) → optional Image-Redactor / Structured-Modul für Tabellen/JSON. Läuft komplett on-prem (Docker/Kubernetes/PySpark).

Wichtiger Fund: Presidio disclaimt selbst Vollständigkeit, und unabhängige Benchmarks (u. a. arXiv:2606.19881 "REDACT") fanden Recall-Werte von teils nur 7 % bei High-Sensitivity-Kategorien gegenüber 74–77 % bei LLM-basierten Detektoren (GPT-4.1, Claude). Konsequenz für "100%ige Anonymisierung": Das Ziel ist mit Presidio allein nicht erreichbar. Architektur muss defense-in-depth sein:

Nutzereingabe
     │
     ▼
[Presidio Analyzer]  NER + Regex + Checksum + Kontext
     │
     ▼
[Regelbasierter Zusatzfilter]  ShieldX-CredentialRedactor-Muster
   (Firmennamen, Projektcodes, interne IDs — domänenspezifisch,
    das kann kein generisches Tool wissen)
     │
     ▼
[Policy-Gate]  Nur wenn Ziel = externe API (Claude/GPT/etc.):
   Anonymisierung erzwingen. Wenn Ziel = lokales Ollama-Modell:
   optional, da Daten das Haus nicht verlassen.
     │
     ▼
Externe/lokale LLM-API

Die dritte Schicht (Policy-Gate: nur bei externem Ziel anonymisieren) ist die praktische Antwort auf "100%ige Anonymisierung, bevor es nach außen geht" — lokale Ollama-Aufrufe brauchen diese Schicht gar nicht, weil "außen" nicht zutrifft.

Token-Kompression: offener Punkt, kein Wundermittel gefunden

LLMLinguas Zahlen (20x Kompression, 1,7–5,7x Latenzgewinn) wurden beide widerlegt (1-2 bzw. 0-3). Eine gezielte Folgerecherche zu Alternativen ergab:

LLMLingua-2 (task-agnostisch, GPT-4-generiertes Extraktions-Trainingsset, als Token-Klassifikation formuliert) wird in aktuellen Vergleichsartikeln als "einzige unter Produktionsbedingungen praktikable Variante" der LLMLingua-Familie beschrieben — aber das ist eine schwächere, nicht unabhängig gegengeprüfte Quelle, anders als die oben widerlegten Zahlen.
GPTCache (semantisches Caching, Redis/Milvus-Backend) ist eine etablierte, eigenständige Technik: keine Kompression, sondern Vermeidung wiederholter API-Calls bei semantisch ähnlichen Anfragen. Das ist der solidere, produktionsreife erste Baustein.
Fazit: Für BEO als "Token-Kompression" zunächst semantisches Caching (GPTCache-Muster) einbauen — das ist verifiziert nützlich. Aktive Prompt-Kompression (LLMLingua-2) erst nach eigener Benchmark-Prüfung nachziehen, nicht auf Marketing-Zahlen vertrauen.

Magatama als Schutzschicht für BEO

Jedes Fachtool bekommt dieselbe Middleware, die heute schon für EO Global Pulse existiert (integrations/eo-global-pulse-middleware.ts). Für BEO bedeutet das konkret:

Jeder Chat-Turn läuft durch ShieldX, bevor er an ein Subagent/Skill-System geht (Prompt-Injection-Schutz für die Multi-Agent-Delegation selbst — LibreChats Subagents haben kein eingebautes Schutzkonzept gegen injizierte Instruktionen aus Tool-Ergebnissen; das ist genau ShieldX' L7-MCP-Guard-Kompetenz).
ShieldX' EU-AI-Act- und NIS2/SOC2/ISO27001-Reporting (Kapitel 03) läuft für BEO automatisch mit, ohne dass BEO eigene Compliance-Logik bauen muss.

Bewertungstabelle: Selbst bauen vs. übernehmen

Baustein	Selbst bauen	Als Vorbild/Baustein übernehmen
Skill-Erkennung	—	LibreChat Skills-System (SKILL.md, 3 Invocation-Modi)
Sub-Agenten-Delegation	Domänen-spezifische Agenten (Fossy-, FoCI-, Lupo-Adapter)	LibreChat Subagents-Architektur (isolierte Kontexte)
Tool-/Konnektor-Anbindung	—	MCP/OpenAPI Actions (nicht das alte LangChain-Tool-Muster)
Anonymisierung	Domänenspezifischer Zusatzfilter + Policy-Gate (lokal vs. extern)	Presidio Analyzer/Anonymizer als Basisschicht
Token-Kompression	Eigene Benchmark vor Produktivnahme jeder Lösung	GPTCache (semantisches Caching) zuerst, LLMLingua-2 später prüfen
Sicherheit	—	Magatama/ShieldX-Middleware (bereits produktiv für EO Global Pulse)
Credential-Speicher	—	LibreChat Credential-Trennungsmodell (per-User verschlüsselt vs. Admin-ENV)

7.0 KiB Raw Blame History Unescape Escape