Opencode Demo Retail Loan Ml

零售贷款智能运营系统（基于 OpenCode）

基于 opencode-sdk 的零售贷款智能运营系统：支持数据加载与查看、贷款意愿模型与推荐模型训练、个性化推荐与意愿预测；用户可通过界面按钮完成全流程，也可在智能对话中用自然语言下达「加载数据」「训练模型」「给某客户推荐产品」等指令。主 Agent 必须通过 3 个子 Agent（data_agent、training_agent、recommendation_agent）完成所有业务操作，子 Agent 调用 MCP 工具并流式回复。

技术栈

• opencode-sdk：通过 SDK 调用 opencode 服务器
• Gradio：Web UI 界面
• scikit-learn：机器学习模型
• recommenders：推荐系统框架

快速开始

仅 Web UI（推荐先做）

若只需使用数据管理、模型训练、模型演示，不需要 OpenCode 服务器：

1. 环境要求：Python 3.10+，建议使用虚拟环境
2. 安装依赖：在项目根目录执行 pip install -r requirements.txt
3. 启动：python main.py
4. 访问：浏览器打开 http://localhost:7860

可依次使用：

• Tab 1「数据管理」：加载/刷新示例数据、查看数据概况
• Tab 2「模型训练」：训练贷款意愿模型与推荐模型、查看训练细节
• Tab 3「模型演示」：选择客户、获取推荐、查看意愿评估

命令行 Agent（自然语言交互）

若要使用 python -m scripts.run_agent 做自然语言对话（如「加载数据，然后训练模型」），需要：

1. 安装并启动 OpenCode 服务器（默认端口 4096）：

   # 安装 OpenCode（任选一种方式）
   npm i -g opencode-ai
   # 或
   brew install anomalyco/tap/opencode
   # 或参考：https://opencode.ai/download
   
   # 在项目根目录启动服务器
   opencode serve

1. 配置 OpenCode：

- 将 opencode.json.example 复制为项目根目录下的 opencode.json - 按需修改 model、server.port、mcp 等配置

1. 运行命令行 Agent：

   python -m scripts.run_agent

1. 交互示例：

- 输入：加载数据 → Agent 会委派 data_agent 调用 load_data - 输入：训练模型 → Agent 会委派 training_agent 调用 train_models - 输入：给客户ID为5的客户做贷款产品推荐 → Agent 会委派 recommendation_agent 调用 recommend - 输入 exit 或空回车结束对话

安装

在项目根目录执行：

pip install -r requirements.txt

注意：

• 若 opencode-ai 安装失败或版本不对，可暂时跳过，只装其余依赖（仅 Web UI 不需要 opencode-ai）
• 若仅用 Web UI，可执行：pip install anyio gradio python-dotenv pandas scikit-learn numpy recommenders plotly
• 若需命令行 Agent，可尝试：pip install --pre opencode-ai

配置

环境变量（可选）

在项目根目录创建 .env 文件，可覆盖默认值：

OPENCODE_BASE_URL=http://localhost:4096
OPENCODE_MODEL_PROVIDER=deepseek
OPENCODE_MODEL_ID=deepseek-chat
HOST=0.0.0.0
PORT=7860

OpenCode 配置

使用命令行 Agent 时，需要在 opencode 服务器中配置 MCP 服务器和子 Agent：

1. MCP 服务器配置：在 opencode.json 的 mcp 字段中注册 loan_agent MCP 服务器

   "mcp": {
     "loan_agent": {
       "type": "local",
       "command": ["python", "-m", "tools.loan_agent_mcp_server"],
       "enabled": true
     }
   }

1. 主 Agent 工具限制：在 opencode.json 的 tools 字段中禁用所有 MCP 工具（mcp__loan_agent__*: false），确保主 Agent 只能通过 Task 委派子 Agent

1. 子 Agent 配置：在 opencode.json 的 agent 字段中注册三个子 Agent：

- data_agent：负责数据加载与概况查询，可调用 load_data、get_data_summary、list_customers、list_products - training_agent：负责模型训练，可调用 train_models - recommendation_agent：负责推荐与意愿预测，可调用 recommend、predict_propensity、similar_items

参考 opencode.json.example 文件获取完整配置示例。工具定义见 tools/loan_agent_tools.py 中的 get_loan_agent_tools() 函数，子 Agent 定义见 agents/definitions.py 中的 build_sub_agent_definitions() 函数。

工作流程：主 Agent 接收用户请求 → 通过 Task 委派给相应的子 Agent → 子 Agent 调用 MCP 工具 → 返回结果给主 Agent → 主 Agent 汇总并回复用户。

架构验证

按下面顺序验证，全部通过即可认为架构正常：

验证 1：Web UI 全流程（不依赖 OpenCode）

目的：确认数据、训练、推荐链路在本项目内是通的。

1. 在项目根目录启动：python main.py
2. 浏览器打开：http://localhost:7860
3. 依次操作：

- Tab 1「数据管理」：点击「加载/刷新示例数据」→ 等待完成 → 查看「数据概况」 - Tab 2「模型训练」：点击「开始训练」→ 等待完成 → 查看训练指标 - Tab 3「模型演示」：选择一名客户 → 点击「获取推荐」→ 查看推荐列表

通过标准：三步都能完成且无报错。

验证 2：MCP 服务器能独立启动

目的：确认 tools.loan_agent_mcp_server 和 8 个工具能被正确加载。

1. 在项目根目录执行：python -m tools.loan_agent_mcp_server
2. 观察 stderr 应出现：项目根目录、已加载 loan_agent_tools 共 8 个工具、正在创建 MCP 服务器、已注册 8 个工具等日志
3. 进程会挂起等待 stdin，这是预期行为。用 Ctrl+C 结束即可。

通过标准：有上述日志且无 Python 报错。

验证 3：OpenCode 服务 + opencode.json

目的：确认 OpenCode 能按项目配置启动并加载 MCP。

1. 确保项目根目录存在 opencode.json（可参考 opencode.json.example）
2. 在项目根目录启动 OpenCode 服务器：opencode serve
3. 确认无报错、服务监听在配置的端口（默认 4096）

通过标准：opencode serve 正常启动且不报配置错误。

验证 4：命令行 Agent 能对话并调用工具

目的：证明 opencode-sdk → OpenCode → 主 Agent → Task 委派 → 子 Agent → MCP 工具 整条链路通。

1. 保持 opencode serve 在运行
2. 在项目根目录执行：python -m scripts.run_agent
3. 出现 你: 后，依次输入：

- 加载数据 → 应看到委派 data_agent，调用 load_data - 查看一下数据概况 → 应看到调用 get_data_summary - 训练模型 → 应看到委派 training_agent，调用 train_models - 给客户ID为5的客户做贷款产品推荐 → 应看到委派 recommendation_agent，调用 recommend

1. 输入 exit 或空回车结束

通过标准：至少能完成「加载数据」和「训练模型」两类指令并得到相关回复。

功能

1. 数据管理：加载和查看示例数据（MovieLens 100k 转贷款场景）
2. 模型训练：训练贷款意愿模型和推荐模型
3. 智能推荐：为指定客户推荐贷款产品
4. 意愿预测：预测客户对特定产品的申请意愿
5. 相似产品：查找与某产品相似的其他产品
6. 客户/产品列表：列出可用的客户ID和产品ID

常见问题

1. 导入错误：No module named 'app' 或 No module named 'tools'

原因：未在项目根目录运行。 解决：所有命令都在项目根目录（即包含 main.py、app/、tools/ 的目录）下执行。

2. 安装 recommenders 或 opencode-ai 失败

recommenders：需要较新版本的 pip，可先升级：pip install -U pip，再安装依赖。 opencode-ai：若仅用 Web UI，可暂时不安装；若需命令行 Agent，可尝试 pip install --pre opencode-ai 或查阅 OpenCode 文档。

3. 运行 scripts.run_agent 报错连接被拒绝

原因：OpenCode 服务器未启动或地址/端口不对。 解决：先在同一机器上执行 opencode serve，并确认 OPENCODE_BASE_URL 与 opencode.json 中的 server.port 一致。

4. 数据加载或训练很慢

首次加载会从 recommenders 拉取 MovieLens 100k 数据并做预处理，属正常现象；后续会使用缓存。

与 customer-behavior-ml-2 的区别

1. Agent 执行方式：

- ml-2: 使用 claude-agent-sdk 直接调用 Claude Code CLI，Agent 在本地进程执行 - ml-3: 使用 opencode-sdk 通过 REST API 调用 OpenCode 服务器，Agent 在服务器端执行

1. 子 Agent 配置：

- ml-2: 使用 claude-agent-sdk 的 AgentDefinition 在代码中定义子 Agent - ml-3: 子 Agent 定义在 agents/definitions.py 中提供，但需要在 opencode.json 配置文件中注册才能使用

1. 配置方式：

- ml-2: 通过 core/config.py 的 LLM_BACKEND 配置模型后端 - ml-3: 通过 opencode.json 配置文件管理模型、MCP 服务器和子 Agent

1. 工具注册：

- ml-2: 使用 claude-agent-sdk 的 create_sdk_mcp_server 在代码中创建 MCP 服务器 - ml-3: 需要在 opencode.json 中配置 MCP 服务器，工具定义通过 get_loan_agent_tools() 提供

1. MCP 工具数量：

- ml-2: 6 个工具（load_data、get_data_summary、train_models、recommend、predict_propensity、similar_items） - ml-3: 8 个工具（新增 list_customers、list_products）

1. 工作流程设计：

- ml-2: 主 Agent 可以选择直接调用 MCP 工具或通过 Task 委派子 Agent（两种方式都支持） - ml-3: 主 Agent 必须通过 Task 委派子 Agent 完成所有业务操作，不能直接调用 MCP 工具（强制通过子 Agent 的工作流程）

更多文档

• ARCHITECTURE.md：详细的架构设计图和说明