基于 LangGraph 的金融智能体架构：RAG 重排序与代码解释器实践

3. 改进效果展示

通过字符串替换和状态接管，Agent 可精准生成趋势图。

三、从'搜得到'到'搜得准'：RAG 混合检索与重排序

基础 RAG 依赖向量相似度检索，易受模糊语义干扰。采用两阶段检索 Pipeline。

1. 痛点：向量检索的'语义盲区'

Bi-Encoder 将文本压缩为空间点，距离近代表相似。但在金融领域，高度依赖精确匹配，对模糊语义敏感（如 A 股与 B 股）。

2. 破局：引入 Cross-Encoder 重排序机制 (Rerank)

第一阶段 - 广撒网 (Recall)：用普通向量模型粗筛前 10 篇文档。 第二阶段 - 精挑选 (Rerank)：引入 Cross-Encoder 模型（如 BAAI/bge-reranker-base），将问题与文档拼接交叉打分。

3. 核心代码实现

# --- 第一阶段：广撒网 (Recall) ---
initial_docs = vectorstore.similarity_search(query, k=10)

# --- 第二阶段：精挑选 (Rerank) ---
pairs = [[query, doc.page_content] for doc in initial_docs]
scores = reranker_model.predict(pairs)
top_k_indices = np.argsort(scores)[::-1][:3]
final_results = [initial_docs[idx].page_content for idx in top_k_indices]

4. 效果对比：用数据说话

Rerank 机制有效过滤了低相关性文档，降低了模型幻觉风险。

四、告别单兵作战：基于 LangGraph 的 Supervisor 多智能体架构

单体模型挂载多个工具易导致认知过载。利用 LangGraph 重构为多智能体集群。

1. 痛点：单兵作战的'认知过载'与'上下文污染'

小参数模型难以同时维护搜索、知识库、Python 等工具的上下文，易产生逻辑断链。

2. 破局：Supervisor (主管 - 员工) 协作模式

设定三个角色：

• Supervisor (主管)：负责拆解任务并派单。
• Researcher (研究员)：配备联网搜索和 RAG 工具。
• Coder (程序员)：配备 Python 代码解释器。

3. 核心代码解析：构建状态图 (StateGraph)

from langgraph.graph import StateGraph, START, END, MessagesState

workflow = StateGraph(MessagesState)
workflow.add_node("Supervisor", supervisor_node)
workflow.add_node("Researcher", researcher_node)
workflow.add_node("Coder", coder_node)

workflow.add_edge("Researcher", "Supervisor")
workflow.add_edge("Coder", "Supervisor")
workflow.add_conditional_edges("Supervisor", lambda x: x["next"], {"Researcher": "Researcher", "Coder": "Coder", "FINISH": END})
workflow.add_edge(START, "Supervisor")

agent_executor = workflow.compile()

步骤一：定义 Supervisor 节点

def supervisor_node(state: MessagesState):
    messages = [{"role": "system", "content": system_prompt}] + state["messages"]
    response = llm.invoke(messages)
    content = response.content
    next_step = "FINISH"
    if "Researcher" in content:
        next_step = "Researcher"
    elif "Coder" in content:
        next_step = "Coder"
    
    if next_step == "FINISH":
        return {"next": next_step, "messages": [AIMessage(content="✅ 任务流程已结束。请检查上方是否有生成的图表和报告。")]}    
    return {"next": next_step}

4. 见证时刻

专人做专事，即使是 7B 参数的小模型也能完成复杂的业务逻辑闭环。

五、Local LLM 的鲁棒性工程

本地部署 7B 小模型面临指令遵循弱、易受干扰等问题。以下是三大天坑及修复方案。

1. 习惯性偷懒的'哑巴 Agent'

现象：Agent 输出空字符串。 原因：模型认为工具结果已清晰，跳过总结步骤。 解决：强制溯源读取 (ToolMessage Fallback)。若 AIMessage 为空，倒序遍历历史消息提取 ToolMessage。

2. 越权指挥的'幻觉指令'

现象：员工 Agent 模仿主管输出 JSON 指令。 原因：上下文污染。主管决策被写入全局历史。 解决：上下文净化与'主管隐身模式'。主管决策不 append 到全局 state["messages"]。

3. 被大括号逼疯的'语法报错'

现象：LangChain 抛出 Input to ChatPromptTemplate is missing variables 异常。 原因：f-string 格式化冲突。Prompt 中的 {} 被误判为变量占位符。 解决：双大括号转义 (Jinja2 / f-string Escaping)。将 {"next": ...} 改写为 {{"next": ...}}。

总结与展望：构建更智能的金融助理

回顾项目，核心突破在于架构设计升级：

1. 以'确定性计算'对抗'概率生成'：引入 Python 代码解释器。
2. 以'精准排序'对抗'模糊检索'：加入 Cross-Encoder 重排序。
3. 以'分层架构'对抗'逻辑混乱'：LangGraph 的 Supervisor 模式。

在垂直领域落地 AI，系统工程的重要性往往大于单纯的模型能力。轻量级模型配合合适工具和流程，同样能成为生产力工具。