AI Credit Underwriting Engine Using Fastmcp Langgraph

AI信用承保引擎🏦

🚀 概述

这 AI信用承保引擎 自动化复杂的信贷承销流程。它接收申请人数据，并通过一个专门的节点图对其进行处理，每个节点负责风险分析的特定方面。该系统提供了一个透明、可审计的决策过程，通过Streamlit界面提供了详细的解释和简化的用户交互。

✨ 主要特点

• 多代理架构：在信誉、欺诈检测、收入稳定和宏观经济风险方面使用不同的代理。
• 编排好的工作流：技术支持 LangGraph 以管理不同分析阶段之间的状态和依赖关系。
• 通过MCP集成工具：利用 模型上下文协议（MCP） 将功能模块化到单独的服务器中。
• 交互式用户界面：一个用户友好的网络界面，由 溪流 用于提交申请和查看结果。
• 可解释的AI：为每个信贷决策提供详细解释，确保透明度。
• 自动化审计：包括一个专门的审计步骤，以验证决策逻辑。
• 动态优惠：为批准的申请人生成量身定制的信贷优惠。
• 用户认证：安全注册和登录功能。

🏗️ 建筑

该系统由前端应用程序和后端工作流图组成。

1.前端(app.py)

• 使用Streamlit构建。
• 处理用户身份验证（登录/注册）。
• 收集申请人的详细信息（姓名、年龄、收入、债务等）。
• 可视化决策、风险评分和报价。

2.后端图(graph.py)

核心逻辑是使用LangGraph定义的状态机。它协调以下MCP服务器：

• 信贷申请受理：对输入数据进行规范化和结构化。
• 信用评分：估计信用评分/风险水平。
• 欺诈风险评估：检查潜在的欺诈迹象。
• 宏观经济风险评估：考虑到更广泛的市场条件。
• 收入稳定性评估：分析就业和收入历史。
• 信用决策引擎：汇总所有分数以做出最终批准/拒绝决定。
• 信贷决策说明：为决策生成自然语言解释。
• 信贷决策审计：审查决定的合规性和逻辑性。
• 信贷优惠：（有条件）如果申请获得批准，则生成贷款条款。

3.MCP服务器（工具）

每个特定任务都由一个充当MCP服务器的独立Python脚本处理：

• credit_application_intake_server.py
• creditworthiness_scoring_server.py
• fraud_risk_server.py
• income_stability_server.py
• macroeconomic_risk_server.py
• credit_decision_engine_server.py
• credit_decision_explanation_server.py
• credit_decision_audit_server.py
• credit_offer_server.py

🛠️ 安装

1. 克隆仓库:

   git clone 
   cd 

1. 安装依赖项:

请确保您已安装Python。建议使用虚拟环境。

   pip install -r requirements.txt

1. 环境设置:

确保您在您的环境中设置了必要的API密钥（例如，OpenAI API密钥）或 .env 文件，因为MCP服务器可能依赖LLM进行推理。

🏃 用法

1. 启动应用程序:

运行Streamlit应用程序：

   streamlit run app.py

1. 访问用户界面:

打开浏览器并导航到提供的URL（通常 http://localhost:8501).

1. 登录/注册:

- 创建新帐户或使用现有凭据登录。 - 默认用户存储在 users.yaml （如果预先配置）。

1. 提交申请:

- 在信贷申请表中填写申请人的财务详细信息。 - 点击 提交 以触发承保工作流程。

1. 查看结果:

- 见最终决定（批准/拒绝）。 - 审查个人风险评分（欺诈、收入、宏观）。 - 阅读详细说明。 - 如果获得批准，请查看生成的信用报价。

📂 文件结构

• app.py：Streamlit web应用程序的主要入口点。
• graph.py：定义LangGraph工作流和边。
• state.py：定义应用程序状态的Pydantic模型(ApplicantState, CreditState).
• auth_utils.py：用户身份验证的帮助函数。
• ***_server.py**：工作流程的每个步骤都有单独的MCP服务器实现。
• requirements.txt：Python项目依赖项列表。