Company Research Assistant

📘 README.md--公司研究助理

*企业级公司研究与客户计划生成（Groq+LangChain+MCP+RAG+Web剪贴）*

______________________________________________________________________

🚀 概述 :

公司（AI）研究助理 是一个以企业为中心的代理系统，它进行深入的公司研究，综合多源情报，检测冲突信息，并生成结构化的客户计划。 它是为需要以下功能的销售、战略、GTM和咨询工作流程而构建的 快速、准确、可解释 研究。

该平台结合了：

• 法学硕士智力（Groq Llama 3.1）
• RAG（LangChain+Chroma）
• MCP工具 对于代理行为
• Serper网络搜索 外部数据
• FastAPI+Jinja2 用户界面
• 交互式聊天, 冲突解决, 章节编辑，以及 图表生成

此应用程序设计为 高会话质量, 主动代理行为，以及 适应性，直接符合黑客马拉松评估标准。

______________________________________________________________________

📄 文档 :

PRD——产品要求文件 :

https://drive.google.com/file/d/17LZm0odnt4ouAGqWfoYKSM-Mi5wVHO9V/view?usp=sharing

技术文档 :

https://drive.google.com/file/d/12YYwqG1PMnbMLTkldrKt9nryThJqRIP0/view?usp=sharing

🎥 演示视频：

简短的端到端演示 公司（AI）研究助理，展示了代理研究工作流程、多源综合、UI交互和反馈生成。

🔗 演示链接： https://drive.google.com/file/d/1oyP1g1vnA4c0HTMmuPLku1XPm9rUd5bS/view?usp=drivesdk

______________________________________________________________________

🧠 核心能力 :

1.多源研究管道

AI代理从以下来源收集研究：

• 内部RAG文件（PDF） 通过 Chroma 向量数据库
• 外部网络搜索（Serper）
• 结构化LLM合成 利用Groq的高速推理
• 自定义MCP工具 启用多步骤代理工作流

2.冲突检测和深度解决

LLM被指示 检测相互冲突的财务、指标或战略声明 并将其显示为结构化JSON：

• "conflicts": [{ topic, details, needs_deep_dive }]

用户可以命令AI *“深入了解收入数据”* 并且代理自动获取新数据并解决不一致问题。

3.结构化账户计划生成

研究成果包括：

• 执行概述
• 市场分析
• 公司简介
• 财务亮点
• 竞争对手
• 优势、劣势、机会、威胁
• 机会（详细）
• 风险
• 30-60-90天GTM计划
• KPI总结
• 雷达和饼图就绪数据
• 源元数据和研究步骤

4.对话工作流程（聊天UI）

• 代理人 记住之前的转弯
• 提供 洞察力丰富的回应
• 主动跟进：

*“你想让我更深入地了解竞争对手、财务或市场趋势吗？”*

5.选择性章节编辑

用户可以通过UI或聊天修改生成的计划的任何部分。 系统同时更新 AccountPlan模型 和 UI卡内容.

6.图表数据生成

代理可以为以下对象返回结构化数据：

• SWOT雷达图
• 竞争对手饼图
• KPI条形图

这些存储在 plan.sources 并可通过聊天访问。

7.完整的用户界面（FastAPI+Jinja2）

前端路线包括：

• /ui/research –进入公司和深度
• /ui/research/:id –视图分析
• /ui/research/:id/chat –与代理人聊天
• /ui/research/:id/edit –更新章节
• /ui/feedback/:id –计划评估

______________________________________________________________________

🏛️ 架构概述 :

系统图 :

                       ┌──────────────────────────┐
                       │         Frontend          │
                       │  FastAPI + Jinja2 HTML    │
                       └──────────────┬───────────┘
                                      │
                                      ▼
                         ┌────────────────────────┐
                         │     FastAPI Backend    │
                         │ (REST, SSE, UI routes) │
                         └─────────────┬──────────┘
                                       │
   ┌───────────────────────────────────┼─────────────────────────────┐
   │                                   │                             │
   ▼                                   ▼                             ▼
┌───────────┐                 ┌────────────────┐            ┌───────────────────┐
│ RAG Layer │                 │  MCP Tools     │            │  LLM Engine (Groq)│
│ LangChain │                 │ start/chat/... │            │ llama-3.1-8b       │
│ Chroma DB │                 │ agentic actions│            │ streaming + sync   │
└───────────┘                 └────────────────┘            └───────────────────┘
      │                                 │                             │
      └────────────────────────┬────────┴───────────────┬────────────┘
                               ▼                        ▼
                     ┌────────────────┐       ┌─────────────────────┐
                     │ Web Search     │       │ Structured JSON Plan│
                     │ Serper API     │       │ + Conflicts + Charts│
                     └────────────────┘       └─────────────────────┘

______________________________________________________________________

⚙️ 技术栈 :

后端 :

• 快速API
• Groq法学硕士 （Llama-3.1-8B瞬时）
• LangChain （拥抱人脸嵌入+色度矢量数据库）
• MCP（模型上下文协议） 用于研究、聊天和反馈的自定义工具
• Serper API网络搜索
• 检索增强生成
• Web剪贴

前端 :

• Jinja2模板
• HTML/CSS/JS
• 图表渲染（SWOT雷达、竞争对手饼图、KPI栏）

数据 :

• 内存对话存储(_CONVERSATIONS)
• RAG的持久色度数据库

______________________________________________________________________

🔄 端到端流程 :

1.用户输入公司名称

路线： /ui/research/start 后端构建了一个 综合研究提示 使用：

• RAG块
• Web摘要
• 自定义JSON模式
• 冲突检测说明

2.LLM执行多源合成

LLM生产：

• 叙述字段
• 优势、劣势、机会、威胁
• 竞争对手
• 关键绩效指标
• 30-60-90计划
• 雷达/饼图数据
• 冲突数组
• 置信度分数

3.创建会计计划对象

AccountPlan 由结构化JSON构建。

4.管道历史记录和聊天已初始化

系统自动生成管道步骤以实现透明度。

5.用户与代理交互

他们可以：

• 提出问题
• 请求图表
• 深潜冲突
• 编辑部分

6.反馈+下载

用户可以导出计划或获得AI生成的审核。

______________________________________________________________________

🧪 用户交互模式：

✔ 困惑的用户

Agent阐明了范围、意图，并提供了示例。

✔ 高效用户

Agent快速生成摘要并提供快捷方式。

✔ 聊天用户

代理在保留上下文的同时，温和地重定向到目标。

✔ Edge Case用户

无效输入→ 有指导性建议的安全回退。

______________________________________________________________________

🚀 在本地运行项目 :

1.安装依赖项

pip install -r requirements.txt

2.环境变量

GROQ_API_KEY=
SERPER_API_KEY=
SERPER_URL=https://google.serper.dev/search

3.启动后端

uvicorn backend.app:app --reload

4.访问UI

http://localhost:8000/ui/research

______________________________________________________________________

📁 项目结构 :

backend/
 ├── app.py                     # FastAPI routes + UI flow
 ├── models.py                  # Pydantic data models
 ├── services/
 │     ├── llm_service.py       # Groq LLM integration
 │     ├── rag_service.py       # RAG pipeline (LangChain + Chroma)
 │     └── research_service.py  # Full research + synthesis pipeline
 ├── mcp_server/
 │     └── company_research_mcp.py   # MCP tools for research, chat & feedback
 ├── templates/                 # Frontend templates (Jinja2)
 └── static/                    # CSS, JS, assets

______________________________________________________________________

📜 设计决策：

1.会话质量第一 :

• 所有响应都是上下文感知的
• 模型逻辑中嵌入的后续提示
• 没有幻觉图表，只有衍生图表数据
• 冲突意识提高了可靠性

2.代理行为 :

• 自定义MCP工具让代理执行操作
• 步骤日志显示透明度
• 冲突解决循环支持自主性

3.技术实施 :

• 高性能Groq推理
• 现代LangChain RAG堆叠
• 干净的模块化架构
• SSE流媒体支持实时研究

4.适应性 :

• 处理困惑的用户
• 容错JSON解析
• 空RAG/Web结果的回退模式

______________________________________________________________________

📸 UI预览和应用程序屏幕截图：

以下是来自 公司（AI）研究助理 展示

研究工作流程、代理交互、结果仪表板、反馈页面和编辑流程。

🏠 主页：

📘 关于页面：

📝 研究输入表：

🧠 研究工作区：

📊 反馈分析仪表板：

______________________________________________________________________