🏪 MerchantIQ - 实时商家智能平台
    ](https://docker.com)
🏆 编程马拉松（黑客松）获奖候选者
一个复杂的多智能体人工智能系统，用于处理 1200万+真实金融交易 通过Lenses MCP从实时Kafka数据流中识别并分析高价值商户，利用机器学习、归因建模和AI驱动的洞察进行深入分析。
______________________________________________________________________
📊 演示文稿
快速访问： 📄 PDF（文件格式：便携式文档格式） | 🎯 PowerPoint（演示文稿）
📸 View All 15 Presentation Slides (Click to expand)
幻灯片001 - 项目名称
幻灯片002 - 引言
幻灯片003 - 应用仪表盘选项卡
幻灯片004 - 概述选项卡
幻灯片005 - 商家分析
幻灯片006 - 欺诈检测
幻灯片007 - 分析与人工智能标签页
幻灯片008 - 分析与人工智能标签（续）
幻灯片009 - 实时监控选项卡
幻灯片010 - MCP镜片
幻灯片011 - 微透镜阵列（MCP）（续）
幻灯片012 - 多智能体框架
幻灯片013 - 多智能体框架（续）
幻灯片014 - 技术栈
幻灯片015 - 投资回报率（ROI）
______________________________________________________________________
🌟 什么是MerchantIQ？
MerchantIQ是一个先进的商家智能平台，通过直观的仪表板提供统一的分析功能，其特点包括：
- 实时交易监控 - 对金融数据流进行实时处理
- 风险评估 - 基于机器学习的商户评分系统，准确率高达94%以上
- 欺诈检测 - 通过实时监控实现85%的欺诈预防
- 预测性分析 - 基于人工智能的商业智能和预测分析
🎯 关键区别点
- ✅ 100%真实数据 - 使用来自Lenses MCP的实际商户数据
ref-merchants主题；话题 - ✅ 现场直播 - 处理来自4个活跃Kafka主题的1200万+真实交易
- ✅ 高级分析 - 基于XGBoost的机器学习商家评分系统
- ✅ 实时欺诈检测 - 85%的欺诈预防准确率
- ✅（这个符号在中文中通常表示“正确”或“确认”，没有直接的对应文字，但可以根据上下文翻译为“正确”或“确认”等意思。） AI见解 - 带置信度评分的自然语言商业智能
- ✅ 多智能体架构 - 为未来升级准备就绪的生产系统
🔴 实时数据集成
- 连接到真实镜头MCP（多相机校准程序/模块） - 处理1150万+真实金融交易
- 实时数据流 - PayPal（340万），信用卡（720万），贷款（79.6万）
- 实时处理 - 每秒从实时Kafka主题处理161笔交易
- 生产就绪 - 13.4亿美元的交易量分析
______________________________________________________________________
🚀 快速入门
先决条件
- Python 3.8或更高版本
- 访问MCP平台的镜头
- 用于仪表板可视化的Streamlit
安装与启动
选择您偏好的部署方法：
选项1：本地直连模式（推荐用于开发）
步骤1：克隆仓库
git clone
cd MerchentIQ步骤2：创建并激活虚拟环境
# Create virtual environment
python3 -m venv venv
# Activate virtual environment
source venv/bin/activate # On macOS/Linux
# OR
venv\Scripts\activate # On Windows步骤3：安装依赖项
pip install -r requirements.txt步骤4：启动仪表盘
streamlit run app/merchantiq_dashboard.py --server.port 8500步骤5：访问应用程序
- 打开您的浏览器并导航至： http://localhost:8500 翻译为中文是：“本地主机上的8500端口”。不过，通常我们不会直接这样翻译网址，而是根据上下文可能解释为“访问本地开发服务器的8500端口”或“打开本地运行的服务（如Consul等）的8500端口界面”。在这里，“localhost”指的是本地计算机，“8500”是端口号
- 仪表盘将自动连接到实时的Lenses MCP数据流
______________________________________________________________________
选项2：Docker模式（建议用于生产环境）
步骤1：克隆仓库
git clone
cd MerchentIQ步骤2：使用Docker Compose构建并运行
# Build and start the container
docker-compose up -d
# View logs (optional)
docker-compose logs -f步骤3：访问应用程序
- 打开您的浏览器并导航至： http://localhost:8500 翻译为中文是：“本地主机上的8500端口”。不过，通常我们不会直接这样翻译URL，而是会根据上下文来解释其意义，比如“访问本地开发服务器的8500端口”或“查看本地运行的服务（端口8500）”。但在这里，直接翻译URL本身就是“本地主机上的8500端口”
- 仪表板将自动连接到实时的Lenses MCP数据流
Docker 管理命令：
# Stop the application
docker-compose down
# Rebuild after code changes
docker-compose up -d --build
# View running containers
docker-compose ps______________________________________________________________________
📊 仪表板功能
1. 概述选项卡 🏠
- 实时指标 - 从镜头MCP进行实时处理（161条消息/秒）
- 交易量 - 总交易量13.4亿美元的可视化展示
- 活跃商户 - 实时追踪48,252家商户
- 类别细分 - 电子产品、零售、食品与餐饮分销
- 实时处理图表 - 实时消息处理可视化
2. 商家标签 🏪
- 顶级商家排名 - 基于交易量的商家情报
- 高价值分析 - 风险与成交量散点图
- 增长率分布 - 商户增长模式分析
- 交互式过滤 - 类别和体积阈值控制
- 商户资料 - 详细的交易和风险指标
3. 欺诈检测标签 🚨
- 实时欺诈监控 - 实时欺诈检测（欺诈率为5%）
- 欺诈金额追踪 - 检测到超过6700万美元的欺诈金额
- 预防指标 - 85%的欺诈预防准确率
- 类别风险分析 - 按商户类别划分的欺诈模式
- 风险评分分布 - 商户风险评估可视化
4. 分析与人工智能标签 🤖
- 人工智能生成的见解 - 带置信度评分的商业智能
- 预测分析 - 6个月商户增长预测
- 机器学习模型性能 - 在欺诈/风险模型中，准确率超过94%
- 特征重要性 - 商家评分分析中的关键因素
- 可操作的建议 - 基于人工智能的商业决策
5. 实时监控标签 ⚡
- 实时交易流 - 实时交易信息显示
- 系统健康状况 API延迟、吞吐量、错误率
- 活动提醒 - 实时欺诈和系统警报
- 性能图表 - 处理速率和错误监控
- 实时状态更新 - 自动刷新系统指标
______________________________________________________________________
🏗️ 系统架构
多智能体管道
该系统采用了一种复杂的多智能体架构，包含6个专门的智能体：
- 📊 数据摄取代理 - 从Lenses MCP实时流式传输数据
- 连接到14+个Kafka主题 - 规范化异构金融数据 - 缓存引用数据（客户、商家）
- 🔧 特征工程代理 - 计算50多个商户级别的特征
- 规模、客户、时间、风险和增长指标 - 可配置周期的滚动窗口计算 - 特性验证和质量检查
- 🎯 归因代理 - 客户旅程重构与归因分析
- 马尔可夫链归因建模 - 多种归因模型（首次触达、最后触达、线性、时间衰减） - 客户触点间的商户价值归属
- 🎯 商户评分代理 - 用于商户价值预测的XGBoost机器学习模型
- 基于规则的备用评分系统 - 四级分类（PREMIUM（高级）、HIGH_VALUE（高价值）、STANDARD（标准）、LOW_VALUE（低价值）） - 模型性能监控与自动重新训练
- 🧠 洞察智能体 - 基于人工智能的商业洞察生成
- LangChain与OpenAI/Anthropic的集成 - 用于商户分析的自然语言洞察 - 市场趋势与风险评估 - 置信度评分和指标验证
- 🎭 协调代理 - 协调整个管道执行过程
- 代理间通信与错误恢复 - 性能监控和健康检查 - 结果缓存与历史管理
核心技术
- 镜头 MCP - 从Kafka主题获取实时数据流
- Streamlit（可直接作为专有名词使用，无需翻译） - 交互式网页仪表盘框架
- XGBoost - 用于商家评分的机器学习
- Plotly（一个用于创建交互式图表和仪表板的Python库） - 交互式数据可视化
- Pandas 和 NumPy - 数据处理与分析
- Docker（注：Docker是一个用于开发、部署和运行应用程序的容器化平台，直接音译为“道克尔”，但通常保持原名以体现其品牌特性） - 容器化部署
- Python 3.8或更高版本 - 核心开发语言
______________________________________________________________________
📈 性能指标
管道性能
- 数据摄入 - 每秒处理能力约1000个事件
- 特征工程 - 每秒处理约100家商户的特征计算
- 机器学习评分 - 预测吞吐量可达每秒约500个商户
- 端到端 - 完整管道执行时间约为30秒
准确率指标
- 欺诈检测 - 85%的预防准确率
- 机器学习模型 - 跨越欺诈/风险模型的准确率高达94%+
- 系统运行时间 - 99.9% 的可用性
- 实时处理 - 每秒更新的仪表板
______________________________________________________________________
🛠️ 项目结构
MerchentIQ/
├── app/ # Main application
│ ├── merchantiq_dashboard.py # Unified Streamlit dashboard
│ └── live_mcp_connector.py # Lenses MCP integration
├── future_enhancements/ # Production-ready multi-agent system
│ ├── agents/ # 6 specialized agents
│ │ ├── data_ingestion_agent.py
│ │ ├── feature_engineering_agent.py
│ │ ├── attribution_agent.py
│ │ ├── merchant_scoring_agent.py
│ │ ├── insight_agent.py
│ │ └── coordinator_agent.py
│ └── utils/ # Utility modules
├── assets/ # Presentation materials
│ └── slides/ # Presentation slides and PDFs
├── docker-compose.yml # Container orchestration
├── requirements.txt # Python dependencies
└── README.md # This file______________________________________________________________________
🎯 为何MerchantIQ脱颖而出
MerchantIQ在黑客马拉松中脱颖而出，具体表现在：
- 真实数据优势 - 唯一解决方案，使用来自Lenses MCP的100%真实商户数据
- 生产准备就绪 - 完整的系统架构，随时准备部署
- 全面特性 - 全商户生命周期分析，从数据摄入到洞察生成
- 可扩展设计 - 能够处理企业级工作负载的多代理架构
- ROI焦点 - 明确的商业价值：防范欺诈与优化商户运营
- 现场演示 - 带实时数据处理功能的工作仪表盘
______________________________________________________________________
🚀 未来发展
这个（或“该”） future_enhancements/ 该目录包含一个完整的多智能体系统，已准备好进行生产部署，其中包括：
- 先进的机器学习模型 - 增强的XGBoost模型，结合特征重要性分析
- 实时警报 - 自动化警报以检测欺诈行为和监控系统健康状况
- API集成 - 用于外部系统集成的RESTful终端点
- 高级分析 - 客户旅程分析和归因建模
- 可扩展性 - 适用于生产规模的Kubernetes部署配置
- 完成MCP（微机电系统）镜片集成 - 利用涵盖6个类别的全部28款镜头MCP工具
______________________________________________________________________
🐳 Docker 部署
使用 Docker Compose 启动：
docker-compose up -d访问应用程序：
- 仪表板：http://localhost:8500
______________________________________________________________________
📝 许可证
这个项目遵循MIT许可证授权——详见 许可证 文件中有详细信息。
______________________________________________________________________
🙏 致谢
- 透镜 - 用于强大的MCP平台和流数据基础设施
- Streamlit（注：这是一个专有名词，通常直接音译为“斯崔姆利特”或保持原样使用，表示一个用于创建数据应用的开源Python库） - 用于交互式仪表板框架
- Plotly（一种数据可视化工具或库） - 用于交互式数据可视化
- XGBoost - 用于高性能机器学习能力
______________________________________________________________________
🏆 准备用真实数据赢得黑客马拉松大赛！
*为Lenses MCP黑客马拉松倾情打造*