信贷业务余额归因分析智能体产品系统

信贷业务余额归因分析智能助手
在银行及消费金融领域，信贷业务余额是核心经营指标，其波动直接影响营收和风险敞口。传统归因分析依赖人工逐层拆解，效率低下且易遗漏关键因素。本项目旨在解决以下痛点：1）业务指标异动原因难以快速定位；2）归因分析流程繁琐，需跨多系统取数对比；3）缺乏标准化分析框架，分析质量依赖个人经验。通过AI智能体自动化归因诊断，将原本需要数小时的人工分析压缩至分钟级完成，大幅提升运营决策效率。

1、智能需求澄清：通过多轮对话理解用户分析意图，自动识别时间范围、客群维度、统计口径等关键参数，并查询基线数据辅助决策。
2、动态归因树生成：基于RAG知识库检索业务分析框架，自动构建多层级归因树结构（流入因素→新增放款→申请量/通过率/执行率），支持树节点自定义编辑。
3、逐节点智能诊断：Agent自主遍历归因树叶子节点，调用指标API获取实时数据，LLM分析变化率判定节点状态（正常/警告/异常），并结合知识库检索异常原因。
4、修复策略推荐：根据诊断出的根因，检索历史成功案例，生成可执行的修复策略，包含预期效果、实施难度、优先级评估及指标提升模拟。
可视化归因报告：汇总全流程分析结果，输出结构化Markdown报告，支持归因树可视化展示、实时诊断状态更新、策略卡片交互。
5、反馈驱动优化：用户反馈向量化存储，自动注入Prompt实现Few-shot学习，持续优化分析质量。

我的核心贡献与技术亮点
1. 多智能体工作流编排系统：设计并实现基于LLM路由决策的工作流引擎（WorkflowOrchestrator），通过Prompt Engineering让大模型动态判断工作流状态转换，智能调度6个专业化Agent（ClarifyAgent/TreeAgent/DiagnosisAgent/StrategyAgent/ReportAgent/FollowupAgent），实现复杂业务流程的自动编排。
2. ReAct智能体框架：从零实现完整的Reasoning+Acting循环，支持OpenAI Function Calling规范、流式推理输出、多轮工具调用、DeepSeek Reasoner推理内容处理，最大50轮迭代确保复杂任务完成。
3. 向量检索+重排序两阶段RAG：集成Milvus向量数据库，实现Embedding+HNSW索引+Reranker重排序的工业级检索管线，支持按项目ID隔离的多租户知识库。
4. 结构化输出解析引擎：设计标签化输出协议（[DIMENSION_CARD]/[ATTRIBUTION_TREE]/[NODE_DIAGNOSIS]等），通过正则解析从LLM流式输出中实时提取结构化数据，驱动前端卡片渲染。
技术栈：AgentScope 1.0 + FastAPI + Milvus + PostgreSQL + Redis + SSE流式传输