LangGraph多智能体投资研究系统：化工行业AI投研实战

基于LangGraph构建的多技能智能体系统——ai_invest_agent，针对化工行业投资研究场景设计，整合RAG混合检索、LightGBM量化排序与多源数据融合技术，解决信息分散、数据异构等痛点，实现从信息收集到投资决策建议的端到端自动化流程，重塑AI投研新范式。

化工行业投研面临信息分散、数据异构、分析维度复杂等痛点，传统人工方式难以全面覆盖。本项目采用LangGraph作为智能体编排框架（支持循环、条件分支和状态管理），系统架构包含三大模块：数据收集层（多数据源采集）、智能分析层（专业智能体执行分析）、决策融合层（整合结果生成建议）。

系统采用混合检索策略：向量检索（金融文本优化嵌入模型，语义匹配）、关键词检索（BM25精确匹配关键实体）、结构化查询（SQL-like处理结构化数据）。三种结果通过重排序模型融合，兼顾召回率与精确度，适配化工行业专业术语密集的特点。

引入LightGBM构建量化排序模型，特征涵盖基本面（营收增长率、ROE等）、市场情绪（文本情感得分）、产业链（供需关系）、技术面（价格趋势等）维度。模型高效且输出综合得分，结合SHAP值提供可解释性，帮助理解评分驱动因素。

融合多渠道信息：财报数据（解析PDF提取财务指标）、行业报告（提取趋势判断）、供应链情报（监控产能/订单/库存）、政策与新闻（跟踪宏观影响）。采用置信度加权机制，标记信息冲突，确保决策依据全面可靠。

系统由多个专业智能体组成：数据收集、财报分析、行业研究、风险评估、量化模型、决策融合智能体。智能体通过LangGraph状态图协作，支持条件分支（如高风险触发深度尽调）和循环迭代（信息不足时扩大检索）。

实战价值：提升效率（解放研究员）、覆盖全面（多源融合）、可解释性强（逻辑链条清晰）、持续学习（优化策略与模型）。未来可整合卫星图像（工厂开工率）、音频（财报电话会议）等多模态数据，提供更全面情报支持。