← Back to Blog
金融领域 AI Chat Agent 技术架构设计方案
1. 概述
本文档基于当前 Dearios Web 项目的实际架构，设计针对金融领域业务场景的AI Chat Agent技术方案。该方案重点解决Client KYC Research等复杂业务流程的智能化处理，基于现有的Next.js + Prisma + Vercel AI SDK技术栈，采用LangGraph.js作为核心编排引擎，集成Composio工具平台，实现可信赖的多Agent编排系统。
1.1 核心目标
- LangGraph驱动的编排: 采用LangGraph.js状态图引擎实现复杂的Agent工作流编排
- 分层协作架构: 借鉴DeerFlow成功实践，实现协调器-规划师-执行器的分层决策模式
- 人机协作机制: 集成人工反馈节点，实现智能的人工干预和协作
- 可信赖性: 确保Agent决策过程透明、可追溯、符合金融合规要求
- 迭代优化: 通过状态图的循环机制实现持续改进和质量提升
- 多场景适配: 支持从简单查询到复杂业务流程的全场景覆盖
1.2 业务场景支持分析
基于实际业务需求，本架构设计支持以下核心场景：
| 场景类别 | 具体场景 | 架构支持能力 | 对应Agent组合 |
|---|---|---|---|
| 客户研究类 | Client KYC Research | ✅ 完全支持 | KYC Research Agent + Document Analysis Agent + Compliance Agent |
| 市场研究类 | Stock/News Market Research | ✅ 完全支持 | Market Research Agent + Document Analysis Agent |
| 客户服务类 | 客户画像与投资偏好更新 | ✅ 完全支持 | Customer Profile Agent + Risk Assessment Agent |
| 个性化推荐 | 礼物推荐 | ✅ 完全支持 | Recommendation Agent + Customer Profile Agent |
| 会议分析类 | 从会议纪要中提取关键信息辅助投资决策 | ✅ 完全支持 | Meeting Analysis Agent + Investment Strategy Agent |
| 自动化处理 | 自动化报价处理 | ✅ 完全支持 | Pricing Agent + Market Data Agent + Compliance Agent |
| 风险控制类 | 交易前风险控制 | ✅ 完全支持 | Risk Assessment Agent + Compliance Agent + Portfolio Agent |
| 投资分析类 | 投资观点总结 | ✅ 完全支持 | Investment Analysis Agent + Market Research Agent |
| 组合管理类 | 投资组合管理 | ✅ 完全支持 | Portfolio Management Agent + Risk Assessment Agent |
1.3 技术栈
前端技术栈:
- Next.js 15.2.4 + React 19
- TypeScript + Tailwind CSS
- Radix UI + Lucide React
- Vercel AI SDK 4.3.13
后端技术栈:
- Next.js API Routes
- Prisma ORM + PostgreSQL
- Better Auth 认证系统
- Redis 缓存
AI & 编排引擎:
- LangGraph.js (核心编排引擎)
- Vercel AI SDK (LLM集成)
- Composio SDK (工具管理和执行)
- OpenAI API (@ai-sdk/openai)
- 向量数据库 (知识库检索)
2. 基于DeerFlow模式的核心架构设计
2.1 DeerFlow架构分析与借鉴
从DeerFlow的架构图中，我们可以看到其核心设计模式：
- 分层编排: coordinator_node() → planner_node() → research_team_node() 的层次化决策
- 工具专业化: 每个Agent节点调用特定的工具集合（web_search_tool, crawl_tool, python_repl_tool）
- 条件路由: 基于上下文状态的智能路由决策
- 人机协作: human_feedback_node() 提供人工干预机制
2.2 金融Agent工具调用架构
基于DeerFlow的成功模式，结合我们的金融业务场景，设计如下架构：
graph TB
subgraph "金融AI Agent工具调用架构 (基于DeerFlow模式)"
subgraph "用户交互层"
USER[用户查询] --> API[Next.js API]
API --> STREAM[Chat Stream Endpoint]
end
subgraph "LangGraph编排层"
STREAM --> COORDINATOR[协调器 Coordinator]
COORDINATOR --> INTENT[意图分析子Agent]
COORDINATOR --> CONTEXT[上下文分析子Agent]
COORDINATOR --> ROUTER[路由决策子Agent]
ROUTER --> BG_INV[背景调研员]
ROUTER --> PLANNER[金融规划师]
ROUTER --> AGENT_TEAM[Agent团队协调器]
PLANNER --> HUMAN_FB[人工反馈节点]
HUMAN_FB --> AGENT_TEAM
BG_INV --> PLANNER
AGENT_TEAM --> KYC_AGENT[KYC研究Agent]
AGENT_TEAM --> RISK_AGENT[风险评估Agent]
AGENT_TEAM --> MARKET_AGENT[市场研究Agent]
AGENT_TEAM --> PRICING_AGENT[报价处理Agent]
AGENT_TEAM --> MEETING_AGENT[会议分析Agent]
AGENT_TEAM --> PORTFOLIO_AGENT[组合管理Agent]
KYC_AGENT --> REPORTER[报告生成器]
RISK_AGENT --> REPORTER
MARKET_AGENT --> REPORTER
PRICING_AGENT --> REPORTER
MEETING_AGENT --> REPORTER
PORTFOLIO_AGENT --> REPORTER
end
subgraph "工具抽象层 (Tools Layer)"
subgraph "数据访问工具"
MEETING_TOOL[会议数据工具]
CONTACT_TOOL[联系人数据工具]
NOTE_TOOL[会议笔记工具]
CUSTOMER_TOOL[客户数据工具]
PORTFOLIO_TOOL[投资组合工具]
end
subgraph "外部API工具"
MARKET_API[市场数据API工具]
NEWS_API[新闻API工具]
COMPLIANCE_API[合规检查API工具]
PRICING_API[定价API工具]
end
subgraph "分析处理工具"
NLP_TOOL[文本分析工具]
RISK_CALC[风险计算工具]
REPORT_GEN[报告生成工具]
CHART_TOOL[图表生成工具]
end
subgraph "集成工具"
COMPOSIO_TOOL[Composio集成工具]
EMAIL_TOOL[邮件发送工具]
CALENDAR_TOOL[日历工具]
end
end
subgraph "数据存储层"
POSTGRES[(PostgreSQL)]
REDIS[(Redis缓存)]
VECTOR_DB[(向量数据库)]
FILE_STORAGE[(文件存储)]
end
%% 工具调用关系
KYC_AGENT -.-> CUSTOMER_TOOL
KYC_AGENT -.-> COMPLIANCE_API
KYC_AGENT -.-> NLP_TOOL
RISK_AGENT -.-> PORTFOLIO_TOOL
RISK_AGENT -.-> MARKET_API
RISK_AGENT -.-> RISK_CALC
MARKET_AGENT -.-> MARKET_API
MARKET_AGENT -.-> NEWS_API
MARKET_AGENT -.-> NLP_TOOL
PRICING_AGENT -.-> PRICING_API
PRICING_AGENT -.-> MARKET_API
PRICING_AGENT -.-> COMPLIANCE_API
MEETING_AGENT -.-> MEETING_TOOL
MEETING_AGENT -.-> NOTE_TOOL
MEETING_AGENT -.-> NLP_TOOL
PORTFOLIO_AGENT -.-> PORTFOLIO_TOOL
PORTFOLIO_AGENT -.-> MARKET_API
PORTFOLIO_AGENT -.-> RISK_CALC
%% 数据层连接
MEETING_TOOL -.-> POSTGRES
CONTACT_TOOL -.-> POSTGRES
NOTE_TOOL -.-> POSTGRES
CUSTOMER_TOOL -.-> POSTGRES
PORTFOLIO_TOOL -.-> POSTGRES
MARKET_API -.-> REDIS
NEWS_API -.-> REDIS
NLP_TOOL -.-> VECTOR_DB
REPORT_GEN -.-> FILE_STORAGE
end
style COORDINATOR fill:#e3f2fd
style PLANNER fill:#e8f5e8
style AGENT_TEAM fill:#fff3e0
style HUMAN_FB fill:#ffeb3b2.3 协调器子Agent拆分设计
基于DeerFlow的分层决策模式，我们将协调器拆分为三个专业化子Agent：
graph TB
subgraph "协调器子Agent拆分架构"
subgraph "用户输入"
USER_QUERY[用户查询]
end
subgraph "协调器主节点"
MAIN_COORD[主协调器 Main Coordinator]
end
subgraph "意图分析子Agent"
INTENT_AGENT[意图分析Agent]
INTENT_TOOLS[意图分析工具集]
INTENT_AGENT --> INTENT_NLP[NLP意图识别]
INTENT_AGENT --> INTENT_CLASSIFY[业务分类器]
INTENT_AGENT --> INTENT_ENTITY[实体提取器]
end
subgraph "上下文分析子Agent"
CONTEXT_AGENT[上下文分析Agent]
CONTEXT_TOOLS[上下文工具集]
CONTEXT_AGENT --> CUSTOMER_LOOKUP[客户信息查询]
CONTEXT_AGENT --> HISTORY_LOOKUP[历史记录查询]
CONTEXT_AGENT --> SESSION_CONTEXT[会话上下文分析]
end
subgraph "路由决策子Agent"
ROUTER_AGENT[路由决策Agent]
ROUTER_TOOLS[路由决策工具集]
ROUTER_AGENT --> COMPLEXITY_EVAL[复杂度评估器]
ROUTER_AGENT --> PRIORITY_CALC[优先级计算器]
ROUTER_AGENT --> WORKFLOW_SELECT[工作流选择器]
end
subgraph "决策输出"
ROUTING_DECISION[路由决策结果]
ROUTING_DECISION --> BG_RESEARCH[背景调研路径]
ROUTING_DECISION --> DIRECT_PLAN[直接规划路径]
ROUTING_DECISION --> FAST_EXEC[快速执行路径]
end
%% 流程连接
USER_QUERY --> MAIN_COORD
MAIN_COORD --> INTENT_AGENT
INTENT_AGENT --> CONTEXT_AGENT
CONTEXT_AGENT --> ROUTER_AGENT
ROUTER_AGENT --> ROUTING_DECISION
%% 工具调用
INTENT_AGENT -.-> INTENT_TOOLS
CONTEXT_AGENT -.-> CONTEXT_TOOLS
ROUTER_AGENT -.-> ROUTER_TOOLS
end
style MAIN_COORD fill:#e3f2fd
style INTENT_AGENT fill:#e8f5e8
style CONTEXT_AGENT fill:#fff3e0
style ROUTER_AGENT fill:#f3e5f53. 核心交互流程设计
3.1 整体工作流程
sequenceDiagram
participant User as 用户
participant API as API网关
participant Coord as 协调器
participant Planner as 规划师
participant Human as 人工反馈
participant AgentTeam as Agent团队
participant Tools as 工具层
participant Reporter as 报告器
User->>API: 发送查询请求
API->>Coord: 启动LangGraph工作流
Note over Coord: 意图分析 + 上下文分析 + 路由决策
alt 复杂场景需要背景调研
Coord->>Coord: 背景调研员收集信息
Coord->>Planner: 传递调研结果
else 简单场景
Coord->>Planner: 直接进入规划
end
Planner->>Planner: 生成业务计划
alt 需要人工审核
Planner->>Human: 请求人工反馈
Human-->>Planner: 返回审核结果
end
Planner->>AgentTeam: 分配任务给专业Agent
loop 执行所有任务
AgentTeam->>Tools: 调用相关工具
Tools-->>AgentTeam: 返回处理结果
end
AgentTeam->>Reporter: 汇总执行结果
Reporter->>Reporter: 生成最终报告
Reporter-->>API: 返回结果
API-->>User: 流式返回响应3.2 场景驱动的智能路由
graph TD
A[用户查询] --> B[意图分析]
B --> C{场景分类}
C -->|KYC研究| D[KYC工作流]
C -->|市场分析| E[市场分析工作流]
C -->|风险控制| F[风险控制工作流]
C -->|会议分析| G[会议分析工作流]
C -->|投资组合| H[组合管理工作流]
C -->|客户服务| I[客户服务工作流]
D --> J[需要背景调研]
E --> J
F --> K[快速响应路径]
G --> K
H --> J
I --> L[直接执行路径]
J --> M[背景调研员]
K --> N[直接进入Agent团队]
L --> N
M --> O[金融规划师]
O --> P{需要人工审核?}
P -->|是| Q[人工反馈节点]
P -->|否| N
Q --> N
N --> R[专业Agent执行]
R --> S[报告生成]4. 项目数据工具化设计
4.1 核心数据工具
基于当前项目的数据资源，我们设计以下工具封装：
4.1.1 会议数据工具 (Meeting Data Tools)
- 功能: 会议搜索、内容分析、投资洞察提取、参与者管理
- 数据源: meetings表、transcription表、notes表
- 应用场景: 会议分析Agent、投资决策辅助
4.1.2 联系人数据工具 (Contact Data Tools)
- 功能: 客户档案管理、关系等级分析、沟通历史追踪
- 数据源: contacts表、meeting_participants表
- 应用场景: 客户画像Agent、关系管理、礼物推荐
4.1.3 会议笔记工具 (Meeting Notes Tools)
- 功能: 行动项提取、决策识别、跟进任务管理
- 数据源: notes表
- 应用场景: 投资决策辅助、任务管理
4.2 Agent-工具映射表
| Agent类型 | 主要工具 | 辅助工具 | 应用场景 |
|---|---|---|---|
| 意图分析Agent | NLP工具、意图分类器 | 实体提取器 | 查询理解 |
| 上下文分析Agent | 联系人数据工具、会议数据工具 | 会话上下文工具 | 背景信息收集 |
| KYC研究Agent | 客户数据工具、合规API | 文档分析工具 | 客户尽调 |
| 会议分析Agent | 会议数据工具、会议笔记工具 | NLP工具 | 会议洞察提取 |
| 风险评估Agent | 投资组合工具、风险计算工具 | 市场数据API | 风险分析 |
| 市场研究Agent | 市场数据API、新闻API | 趋势分析工具 | 市场洞察 |
| 报价处理Agent | 定价API、市场数据API | 合规检查API | 自动报价 |
| 组合管理Agent | 投资组合工具、性能分析工具 | 风险计算工具 | 组合优化 |
5. 协作模式与优势
5.1 分层决策模式特点
- 智能路由: 协调器根据查询复杂度和类型智能决定处理路径
- 分层决策: 协调器→规划师→Agent团队的层次化任务分解
- 人机协作: 通过人工反馈节点实现计划审查和修改
- 专业分工: 不同Agent专注于不同的金融领域任务
- 迭代优化: 支持多轮规划和执行，直到获得满意结果
- 状态记忆: LangGraph的检查点机制保持执行状态
5.2 相比传统架构的优势
5.2.1 更强的编排能力
- 声明式定义: 使用LangGraph的状态图清晰定义工作流
- 灵活路由: 基于状态的动态路由，不依赖预定义路径
- 状态管理: 自动的状态持久化和恢复机制
5.2.2 更好的人机协作
- 智能中断: 在需要时自动暂停等待人工输入
- 上下文保持: 人工干预后能够无缝继续执行
- 审批工作流: 内置的计划审核和批准机制
5.2.3 更高的可靠性
- 错误恢复: 节点级别的错误处理和恢复
- 状态检查点: 支持从任意节点重新开始执行
- 执行追踪: 完整的执行轨迹记录
6. 实施路线图
第一阶段 (1-2个月) - LangGraph基础架构
- 集成LangGraph.js到现有项目
- 实现核心状态定义和管理
- 开发协调器和规划师节点
- 建立基础的Agent路由机制
第二阶段 (2-3个月) - 专业Agent开发
- 实现KYC Research Agent的LangGraph版本
- 开发其他专业Agent节点
- 集成人工反馈和审批机制
- 完善错误处理和恢复逻辑
第三阶段 (3-4个月) - 高级特性和优化
- 实现动态Agent团队编排
- 集成持续学习和优化机制
- 完善监控和性能分析
- 生产环境部署和运维
7. 监控和治理
7.1 执行监控
- 实时状态追踪: 监控Agent执行状态和性能指标
- 工作流可视化: 提供LangGraph执行过程的可视化界面
- 性能分析: 分析各个节点的执行时间和资源消耗
7.2 质量保障
- 自动质量评估: 建立Agent输出质量的自动评估机制
- A/B测试: 支持不同Agent策略的对比测试
- 持续优化: 基于执行结果优化Agent选择和路由策略
7.3 合规治理
- 审计追踪: 完整的决策过程记录，满足金融合规要求
- 权限控制: 基于角色的Agent访问控制
- 数据安全: 确保客户数据在Agent处理过程中的安全性
8. 总结
这个基于DeerFlow模式的金融AI Agent架构设计实现了：
- 🔄 智能编排: LangGraph驱动的状态图编排，支持复杂业务流程
- 🛠️ 工具专业化: 将项目数据封装为专业工具，提高处理效率
- 📊 分层协作: 协调器-规划师-执行器的清晰分工
- 🤝 人机协作: 内置人工反馈机制，确保关键决策的准确性
- 📈 持续优化: 支持基于执行结果的持续学习和改进
- 🔒 合规保障: 满足金融行业的合规和安全要求
相比DeerFlow的通用研究场景，我们的架构专门针对金融业务进行了优化，特别是在合规检查、风险评估和客户关系管理方面，为金融AI应用提供了完整的解决方案。