# banking-agent

**Repository Path**: floatpen/banking-agent

## Basic Information

- **Project Name**: banking-agent
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-03-21
- **Last Updated**: 2026-03-21

## Categories & Tags

**Categories**: Uncategorized

**Tags**: Java, Python

## README

# 🏦 banking-agent

银行智能客服 Agent - 基于 LangChain + Ollama + Spring Boot

一个演示银行场景的智能客服系统，支持 RAG 知识库问答、账户查询、交易记录查看、理财经理预约等功能。

## ✨ 功能特性

- **RAG 知识库问答**：基于向量检索回答银行业务问题（利率、产品、流程等）
- **账户余额查询**：调用后端 API 查询真实账户数据
- **交易记录查看**：查询最近交易流水
- **理财经理预约**：智能预约流程，支持自然语言时间理解

## 🛠️ 技术栈

| 层级 | 技术 |
|------|------|
| LLM | Ollama + Qwen2.5 (本地部署) |
| Agent 框架 | LangChain |
| 向量数据库 | Chroma |
| 后端服务 | Java Spring Boot |
| 前端界面 | Streamlit |

## 📁 项目结构

```
banking-agent/
├── agent/                 # Python Agent 核心
│   ├── agent.py          # Agent 入口
│   ├── tools.py          # 工具函数定义
│   ├── rag.py            # RAG 检索
│   └── app.py            # Streamlit 界面
├── backend/              # Java Spring Boot 后端
│   └── src/main/java/
│       └── com/example/
│           ├── controller/  # API 控制器
│           ├── service/    # 业务逻辑
│           └── model/      # 数据模型
├── data/                 # 知识库文档
│   └── bank_faq.md
├── chroma_db/            # 向量数据库（运行时生成）
└── README.md
```

## 🚀 快速开始

### 前置要求

- Java 17+
- Python 3.9+
- Ollama

### 1. 启动 Java 后端

```bash
cd backend
mvn spring-boot:run
```

后端服务启动在 `http://localhost:8080`

### 2. 启动 Ollama

```bash
# 拉取模型
ollama pull qwen2.5

# 启动服务（默认 11434 端口）
ollama serve
```

### 3. 启动 Agent

```bash
cd agent

# 创建虚拟环境
python -m venv venv
# Windows
venv\Scripts\activate
# Linux/Mac
source venv/bin/activate

# 安装依赖
pip install -r requirements.txt

# 方式一：命令行
python agent.py

# 方式二：Web 界面
streamlit run app.py
```

访问 `http://localhost:8501` 使用 Web 界面

## 📖 使用示例

```
用户: 你们银行定期存款利率是多少？
客服: 目前我行定期存款利率为：3个月1.5%，6个月1.8%，1年2.0%...

用户: 我的账户余额是多少？用户ID是user001
客服: 账户类型：私人银行账户，余额：¥1,580,000.50

用户: 我想预约理财经理
客服: 好的，请问您希望预约什么时间？
```

## 🔧 配置说明

### 修改知识库

编辑 `data/bank_faq.md`，添加或修改问答内容后，重新生成向量库：

```python
# agent/rag.py 中重新加载
vectorstore = Chroma.from_documents(...)
```

### 添加新工具

在 `tools.py` 中使用 `@tool` 装饰器定义新工具：

```python
from langchain.tools import tool

@tool
def new_tool(param: str) -> str:
    """工具描述"""
    # 实现逻辑
    return result
```

### 更换模型

修改 `agent.py` 中的模型名称：

```python
llm = Ollama(model="qwen2.5")  # 换成其他模型
```

## 📝 面试亮点说明

这个项目展示了以下能力：

1. **Agent 开发能力**：LangChain 工具封装、多轮对话、记忆管理
2. **RAG 工程能力**：文档切分、向量检索、混合检索
3. **后端工程能力**：Spring Boot API 设计、Mock 数据架构
4. **系统设计能力**：整体架构规划、技术选型
5. **问题解决能力**：LangChain 踩坑记录（见下方）

### 踩坑记录

- `@tool` 装饰器多参数不兼容，需改用 `Tool` 类 + 单参数字符串
- Tool description 必须明确"直接传入值"，否则 LLM 会传 `param="value"` 格式
- AgentType 选用 `CONVERSATIONAL_REACT_DESCRIPTION` 最稳定

## 📄 License

MIT License