当前位置：首页 > news >正文

LangGraph与Python的多智能体协作框架在信贷审批自动化中实践|附完整代码教程

news 2026/5/12 17:28:09

全文链接：https://tecdat.cn/?p=45091

原文出处：拓端数据部落公众号

关于分析师

在此对Wei Chen对本文所作的贡献表示诚挚感谢，他是一名AI/机器学习工程师，专注人工智能领域。擅长大语言模型、AI、自然语言处理和机器智能。

引言

作为数据科学家，我们经常面临一个两难：复杂的业务规则需要严谨的流程，而单一模型或Agent试图包揽所有任务时，往往会“捡了芝麻丢了西瓜”。我曾在一个信贷审批项目中亲眼目睹，一个全能的AI Agent在数据录入、风险筛查、最终决策三线作战中频繁丢失上下文、跳过关键步骤，导致审批结果难以追溯。客户问我们：“你们的数据科学解决方案，能像我们最优秀的信贷主管那样，带着团队有序工作吗？”

正是这个需求催生了我们今天要分享的模式——监督者智能体（Supervisor Agent）。它不直接处理任务，而是像团队负责人一样，将复杂流程拆解为子任务，分派给多个专用智能体，并确保每一步的质量与顺序。

本文以信贷审批为例，用LangGraph搭建一个由数据录入员、风险政策核对员、信贷决策员组成的“AI信贷团队”，并让一个监督者来管理他们。你会发现，这种架构不仅让决策过程透明可追溯，还能在复杂的业务场景中大幅提升可靠性。

本文内容改编自过往客户咨询项目的技术沉淀并且已通过实际业务校验，该项目完整代码与数据已分享至交流社群。阅读原文进群获取更多最新AI见解和行业洞察，可与900+行业人士交流成长；还提供人工答疑，拆解核心原理、代码逻辑与业务适配思路，帮大家既懂怎么做，也懂为什么这么做；遇代码运行问题，更能享24小时调试支持。

监督者模式：为何需要“AI团队的负责人”

想象一下，让一位刚入职的信贷员独自完成数据录入、风险筛查和最终决策——他很可能手忙脚乱，漏掉关键信息。同样的，让一个单一的AI Agent处理多阶段复杂工作流，也容易出现上下文丢失、步骤跳跃、推理链断裂等问题。在金融、医疗等高风险领域，这些错误可能带来严重后果。

监督者模式正是为了解决这一痛点而诞生。它不再是一个任务执行者，而是一个组织者，负责协调多个专用智能体完成复杂任务。其核心职责包括：

任务分解与分派：将用户请求拆解为逻辑子任务，并分发给最合适的智能体。
流程编排：严格执行操作顺序，比如信贷审批必须先取数据、再查政策、最后做决定。
质量控制：在每个智能体执行后检查其输出是否符合规范，不合规则要求重做。
结果整合：汇总所有智能体的输出，生成连贯、清晰的最终结论。

这种设计带来的好处是显而易见的：每个智能体只需关注单一职责，逻辑简单且性能稳定；整个系统易于调试、扩展和维护。下文我们将通过一个具体的信贷审批自动化案例，手把手搭建这样一个“AI团队”。

实战：用监督者模式搭建信贷审批AI团队

我们将构建一个自动初审贷款申请的系统。输入一个申请人ID，系统根据内置风险政策评估该申请人，并给出明确的下一步建议。团队由以下成员组成：

数据录入智能体：前台专员，负责获取申请人财务信息并生成摘要。
风险政策核对智能体：分析师，将申请人信息与预设的信贷标准进行匹配。
信贷决策智能体：决策者，根据前两者输出给出最终建议（批准/拒绝/需补充材料）。
监督者智能体：团队主管，把控整个工作流，确保各环节顺序执行并检查输出完整性。

相关文章

DeepSeek、LangGraph和Python融合LSTM、RF、XGBoost、LR多模型预测NFLX股票涨跌|附完整代码数据

原文链接：https://tecdat.cn/?p=44060

第一步：安装依赖

我们将基于LangChain、LangGraph和OpenAI构建系统。LangGraph是专门用于创建有状态多智能体工作流的库。

# 安装所需包 !uv pip install langchain==1.2.4 langchain-openai langchain-community==0.4.1 langgraph==1.0.6

第二步：配置API密钥与环境

设置OpenAI API密钥以驱动语言模型。

第三步：导入所需模块

第四步：定义业务逻辑——模拟数据集

为了让示例自包含，我们创建几个简单的内存数据集，代表风险政策、贷款建议和申请人记录。

# 风险政策库 (已简化) policy_rules = [ { "loan_category": "住房贷款", "risk_level": "低风险", "conditions_needed": [ "信用分 >= 750", "稳定收入 >= 3年", "债务收入比 < 30%" ], "comment": "可享最优利率，快速审批通道。" }, # ... 省略其他政策 ] # 贷款建议库 loan_guidance = [ { "risk_level": "低风险", "next_action": "自动批准，适用标准或最优利率。" }, # ... 省略其他建议 ] # 申请人记录库 applicant_profiles = [ { "applicant_id": "A101", "age": 30, "job_type": "工薪族", "yearly_income": 1200000, "credit_score": 780, "dti_ratio": 25, "loan_category": "住房贷款", "request_sum": 4500000, "remarks": "跨国公司工作5年，无逾期记录。" }, # ... 省略其他申请人 ] # 完整数据集进群获取

第五步：为智能体打造工具

每个智能体都需要一些“设备”来与数据交互。我们定义几个工具函数，并用@tool装饰，这样LLM就可以在需要时调用它们。

# 初始化语言模型（温度设为0保证确定性） llm = ChatOpenAI( model="gpt-4.1-mini", temperature=0.0, timeout=None ) @tool def retrieve_applicant_info(applicant_id: str) -> dict: """根据申请人ID获取并总结财务记录，返回可读摘要""" for record in applicant_profiles: if record["applicant_id"] == applicant_id: summary = ( f"申请人财务摘要：\n" f"ID: {record['applicant_id']}\n" f"年龄: {record['age']}\n" f"就业类型: {record['job_type']}\n" f"年收入: {record['yearly_income']}\n" f"信用分: {record['credit_score']}\n" f"债务收入比: {record['dti_ratio']}\n" f"申请贷款类型: {record['loan_category']}\n" f"申请金额: {record['request_sum']}\n" f"备注: {record['remarks']}" ) return {"applicant_summary": summary} return {"error": "未找到该申请人。"} # 其余工具函数（政策匹配、有效性验证、推荐行动）已省略，完整代码进群获取 ......

第六步：实现专用智能体（团队成员）

我们创建三个专用智能体，每个都有极其狭窄的职责和严格的输出格式要求。注意代码中的变量名已做修改，注释也翻译成了中文。

第七步：监督者智能体——团队大脑

监督者负责读取所有消息，根据预定义顺序决定下一步该派哪个智能体执行，并检查输出完整性。

第八步：定义图节点函数

这些函数将智能体包装为LangGraph节点，执行后自动返回监督者。

第九步：构建并可视化工作流图

若安装了可视化库，可以生成如下流程图：

第十步：运行系统并观察输出

我们以申请人A101为例，让监督者带领团队完成一次审批。

运行过程分析：

监督者 → 数据录入智能体：发起任务。
数据录入智能体输出：调用工具获取A101记录，生成清晰的财务摘要。
监督者 → 风险政策核对智能体：确认数据录入完成，移交下一步。
风险政策核对智能体输出：识别出A101匹配“低风险”住房贷款政策，所有条件均满足。
监督者 → 信贷决策智能体：继续推进。
信贷决策智能体输出：根据低风险类别，建议自动批准。
监督者 → 结束：所有智能体均已完成且输出完整，监督者生成最终汇总报告。

最终输出清晰易懂。

结论

通过引入监督者智能体，我们将一个容易出错的单一AI流程转变为一个可预测、稳健且可审计的多智能体协作系统。相比单个Agent试图同时处理数据录入、风险分析和决策，监督者模式让每个智能体职责单一，流程强制有序，不仅降低了开发复杂度，更提升了结果的可靠性。这种方法论不仅适用于信贷审批，还可推广至客户服务、合同审查、医疗分诊等任何需要多步骤、多角色协作的复杂业务场景。下一次当你面对复杂任务时，不妨考虑组建一个“AI团队”，并为他们配备一位尽职的监督者。