Multi-Agent Complaint System：基于LangGraph的金融客诉自动化处理系统

该项目是一个多智能体AI系统，利用LangGraph工作流和多个专业代理自动化处理金融消费者投诉全流程（分类、根因分析、路由、解决方案生成），解决传统人工处理耗时、分类错误、响应延迟及合规风险等问题，为金融机构提供效率提升、质量保证、合规保障等多维度价值。

金融服务业客户投诉处理传统人工方式资源密集，易因人为因素导致问题。本系统定位为企业感知的投诉操作系统，通过LangGraph工作流结构化流程，整合公司知识层（分类体系、严重程度、政策、路由、控制候选），实现从投诉接入到最终路由的完整闭环，兼顾标准化与灵活性。

十阶段处理管道

1. 投诉接入：接收并标准化原始数据
2. 公司知识层：动态构建分类、政策、路由等知识
3. 分类映射与验证：LLM映射类别并验证置信度
4. 风险评估：计算风险评分触发升级
5. 根因推断：分析问题根本原因
6. 解决方案规划：生成个性化建议
7. 合规审查：检查法规与政策符合性
8. 质量门控：确保字段完整逻辑一致
9. 路由决策：确定处理路径
10. 案例管理：维护生命周期

多智能体协作

系统包含接入、分类、风险、根因、解决方案、合规、审查、路由等代理，通过LangGraph状态管理共享信息协作。

采用检索增强生成（RAG）架构：

• 向量数据库：PostgreSQL + pgvector存储历史投诉向量，支持相似案例检索
• 嵌入模型：默认Hugging Face BAAI/bge-small-en-v1.5，可配置OpenAI API
• 知识检索：参考相似历史案例提升准确性
• 数据摄取：支持CFPB公开数据集分层抽样构建知识库

部署流程

1. 环境准备：Python3.11+、FastAPI
2. 配置变量：设置OPENAI_API_KEY和DATABASE_URL
3. 启动PostgreSQL（含pgvector）：docker compose up -d
4. 摄取数据（可选）：python -m app.retrieval.ingest --sample 50000
5. 启动API：uvicorn main:app --reload
6. 测试投诉：curl提交JSON请求

评估框架

1. 放入带标签测试数据到指定目录
2. 运行评估脚本：python -m app.evals.run_evals
3. 查看分类准确率、混淆矩阵等指标

• 效率提升：响应时间从数天缩短到数分钟
• 质量保证：标准化流程确保一致专业处理
• 合规保障：内置审查降低监管风险
• 洞察生成：根因分析识别系统性问题
• 成本优化：减少人工依赖，聚焦高价值案例

该系统展示多智能体架构在复杂业务流程自动化的潜力，通过专业化子任务与结构化编排实现智能化可控处理。随LLM和RAG技术成熟，将在更多场景应用，开源实现为其他组织提供参考，值得金融机构研究借鉴。