基于 CAMEL 框架开发的智能年报分析系统，通过多智能体协作实现对公司年报的深度分析。
- 多智能体协作分析
- 实时进度显示
- 可视化分析结果
- 支持多公司对比
- 自动生成分析报告
- 克隆仓库：
git clone https://github.com/pagoda111king/scholaragent.git
cd scholaragent- 安装依赖：
pip install -r requirements.txt
还有camel 相关环境 配置过的直接增加我的环境就行没配置的我之后更新完整版本- 配置环境变量：
cp .env.example .env然后编辑 .env 文件，填入你的 API 密钥和其他配置。
- 运行 Web 应用：
cd camel/scholaragent
streamlit run app.py --server.port 8501 --server.address localhost- 运行命令行版本：
cd camel/scholaragent
python main.pyscholaragent/
├── camel/
│ └── scholaragent/
│ ├── app.py # Web 应用入口
│ ├── main.py # 命令行入口
│ ├── analysis.py # 分析管理模块
│ ├── config.py # 配置管理模块
│ ├── visualization.py # 可视化模块
│ ├── toolkits.py # 工具包管理
│ └── roles.py # 角色管理
├── requirements.txt # 项目依赖
├── .env.example # 环境变量示例
└── README.md # 项目文档
ScholarAgent 是一个基于 CAMEL 框架开发的智能年报分析系统,通过多智能体协作实现对公司年报的深度分析。本教程将详细介绍系统的实现原理和使用方法。感谢datawhale给我这个机会还要camel社区来学习多智能体。下面是这次的打卡和学习记录
flowchart TB
subgraph 输入层
A[公司年报数据] --> B[数据预处理]
C[学术论文数据] --> B
B --> D[数据清洗]
D --> E[数据标准化]
end
subgraph 多智能体层
E --> F[学术研究员]
E --> G[财务分析师]
E --> H[风险管理师]
F --> I[分析结果]
G --> I
H --> I
end
subgraph 分析层
I --> J[财务分析]
I --> K[研发创新分析]
I --> L[风险评估]
end
subgraph 输出层
J --> M[投资建议]
K --> M
L --> M
M --> N[可视化展示]
end
style 输入层 fill:#f9f,stroke:#333,stroke-width:2px
style 多智能体层 fill:#bbf,stroke:#333,stroke-width:2px
style 分析层 fill:#bfb,stroke:#333,stroke-width:2px
style 输出层 fill:#fbb,stroke:#333,stroke-width:2px
sequenceDiagram
participant User
participant Analysis as 分析管理器
participant Academic as 学术研究员
participant Financial as 财务分析师
participant Risk as 风险管理师
participant Storage as 向量存储
User->>Analysis: analyze_company(company_data)
Analysis->>Storage: store_company_data(data)
Analysis->>Academic: analyze_academic(company_data)
Academic->>Storage: query_related_papers()
Storage-->>Academic: 返回相关论文
Academic->>Analysis: 返回学术分析结果
Analysis->>Financial: analyze_financial(company_data)
Financial->>Analysis: 返回财务分析结果
Analysis->>Risk: analyze_risk(company_data)
Risk->>Analysis: 返回风险评估结果
Analysis->>Analysis: generate_comprehensive_report()
Analysis->>User: 返回完整分析报告
Note over Analysis: 使用 camel.agents.ChatAgent<br/>camel.societies.RolePlaying<br/>camel.memories.AgentMemory
flowchart LR
subgraph 数据输入
A[原始数据] --> B[数据清洗]
B --> C[数据标准化]
end
subgraph 向量化处理
C --> D[文本向量化]
C --> E[数值向量化]
D --> F[向量存储]
E --> F
end
subgraph 分析处理
F --> G[相似度计算]
G --> H[特征提取]
H --> I[结果生成]
end
style 数据输入 fill:#f9f,stroke:#333,stroke-width:2px
style 向量化处理 fill:#bbf,stroke:#333,stroke-width:2px
style 分析处理 fill:#bfb,stroke:#333,stroke-width:2px
flowchart TB
subgraph 分析管理器
A[AnalysisManager] --> |init| B[初始化配置]
A --> |load_data| C[数据加载]
A --> |generate_report| D[结果生成]
end
subgraph 工具包
B --> |initialize| E[SearchToolkit]
B --> |initialize| F[BM25Retriever]
B --> |initialize| G[OpenAIEmbedding]
end
subgraph 智能体
C --> |create_agent| H[ChatAgent]
C --> |create_society| I[RolePlaying]
C --> |create_memory| J[AgentMemory]
end
subgraph 存储
D --> |store| K[MilvusStorage]
D --> |query| L[VectorDBQuery]
D --> |process| M[VectorDBQueryResult]
end
style 分析管理器 fill:#f9f,stroke:#333,stroke-width:2px
style 工具包 fill:#bbf,stroke:#333,stroke-width:2px
style 智能体 fill:#bfb,stroke:#333,stroke-width:2px
style 存储 fill:#fbb,stroke:#333,stroke-width:2px
graph TB
subgraph main
A[main] --> B[Config]
A --> C[AnalysisManager]
A --> D[analyze_company]
A --> E[compare_companies]
end
subgraph analysis
C --> F[__init__]
C --> G[analyze_financial_metrics]
C --> H[analyze_rd_investment]
C --> I[analyze_risks]
C --> J[_calculate_investment_metrics]
C --> K[_generate_specific_advice]
end
subgraph roles
L[FinancialAnalysisSociety] --> M[__init__]
L --> N[analyze_company]
M --> O[AgentMemory]
M --> P[RolePlaying]
M --> Q[PromptTemplate]
end
style main fill:#f9f,stroke:#333,stroke-width:2px
style analysis fill:#bbf,stroke:#333,stroke-width:2px
style roles fill:#bfb,stroke:#333,stroke-width:2px
- 理解多智能体系统的设计原理
- 掌握角色扮演系统的实现方法
- 学习智能体间的协作机制
- 了解系统提示词的设计原则
-
多智能体系统设计 (参考 Chapter 1.1-1.3)
- 使用
camel.agents包中的ChatAgent类实现智能体 - 应用
camel.societies包中的RolePlaying类实现角色扮演 - 参考 Chapter 1.4 中的智能体协作机制
- 使用
-
角色设计 (参考 Chapter 1.5-1.7)
- 使用
camel.types.RoleType定义角色类型 - 应用
camel.messages.BaseMessage实现消息传递 - 利用
camel.memories.AgentMemory管理对话历史
- 使用
-
系统提示词 (参考 Chapter 1.8-1.9)
- 使用
camel.prompts.PromptTemplate设计系统提示词 - 应用
camel.prompts.PromptTemplateGenerator生成提示词模板
- 使用
# scholar.py 中的实现
from camel.agents import ChatAgent
from camel.messages import BaseMessage
from camel.types import RoleType
from camel.societies import RolePlaying
from camel.memories import AgentMemory
from camel.prompts import PromptTemplate
class FinancialAnalysisSociety:
def __init__(self):
# 初始化记忆系统
self.memory = AgentMemory()
# 初始化角色扮演系统
self.society = RolePlaying(
model=self.model,
roles=self.roles,
memory=self.memory
)
# 初始化系统提示词
self.system_prompt = PromptTemplate(
template="""你是一个专业的金融分析团队，由以下角色组成：
1. 学术研究员：负责检索和分析相关学术论文
2. 财务分析师：负责评估公司财务表现
3. 风险管理师：负责评估公司风险状况"""
)# main.py 中的使用示例
def main():
print("开始分析拓维信息和振邦智能的年报摘要...")
society = FinancialAnalysisSociety()
# 拓维信息数据
talkweb_data = {
"company_name": "拓维信息",
"year": 2023,
"risk_metrics": {
"capital_adequacy_ratio": 0.482,
"profit_margin": 0.014,
"growth_rate": 0.4102
},
"financial_statements": {
"total_assets": 5287129846.78,
"net_profit": 44963139.28,
"revenue": 3154141699.10,
"operating_cash_flow": -1169883405.68
}
}
# 运行分析
analysis = society.analyze_company(talkweb_data)正在分析 拓维信息...
投资顾问正在生成投资建议...
📋 基础信息分析
学术研究员分析：
公司分析报告
执行摘要 本报告对拓维信息进行了全面分析...
研究方法说明 采用多角度分析方法，结合学术研究和实践经验...
公司概况
公司名称：拓维信息
主营业务：软件开发和信息技术服务
营业收入：15.8亿元
净利润：1.2亿元
研发投入：2.5亿元
专利数量：150项
毛利率：45%
资产负债率：35%
- 掌握财务指标的计算方法
- 理解财务分析的关键维度
- 学习财务数据的处理技巧
- 了解财务分析报告的生成逻辑
-
数据处理 (参考 Chapter 2.1-2.3)
- 使用
camel.toolkits包中的数据处理工具 - 应用
camel.retrievers包中的检索器进行数据检索 - 利用
camel.embeddings包进行数据向量化
- 使用
-
分析报告生成 (参考 Chapter 2.4-2.6)
- 使用
camel.prompts包生成分析报告模板 - 应用
camel.visualization包进行数据可视化 - 利用
camel.memories包管理分析历史
- 使用
# analysis.py 中的实现
from camel.toolkits import SearchToolkit
from camel.retrievers import BM25Retriever
from camel.embeddings import OpenAIEmbedding
from camel.prompts import PromptTemplate
from camel.visualization import VisualizationManager
class AnalysisManager:
def __init__(self, config: Config):
# 初始化检索器
self.retriever = BM25Retriever()
# 初始化向量化工具
self.embedding = OpenAIEmbedding()
# 初始化可视化管理器
self.visualization = VisualizationManager()# 在 main.py 中使用财务分析模块
def analyze_company_financials(company_data):
analysis_manager = AnalysisManager(config)
financial_analysis = analysis_manager.analyze_financial_metrics(company_data)
return financial_analysis💰 财务分析
财务分析师分析：
要全面分析一家公司的盈利能力和成长性，通常需要考虑多个财务指标和市场环境。对于"拓维信息"这家公司，根据您提供的信息——营业收入为15.8亿元，净利润为1.2亿元，我们可以做一些基本的分析。
盈利能力分析
1. 利润率
净利润率 = 净利润 / 营业收入 = 1.2亿 / 15.8亿 ≈ 7.59%
这个比率反映了每1元销售收入中，公司能赚取的净利润。7.59%的净利润率在不同行业中可能有不同的评价标准。
- 理解研发投入的分析方法
- 掌握专利密度的计算方式
- 学习创新效率的评估标准
- 了解技术风险的分析维度
-
向量数据库应用 (参考 Chapter 4.1-4.3)
- 使用
camel.storages.vectordb_storages包进行向量存储 - 应用 Milvus 数据库存储专利向量
- 利用向量相似度搜索进行专利分析
- 使用
-
检索系统 (参考 Chapter 4.4-4.6)
- 使用
camel.retrievers包实现专利检索 - 应用
camel.embeddings包进行专利文本向量化 - 利用
camel.memories包管理检索历史
- 使用
-
数据存储优化 (参考 Chapter 4.7)
- 使用向量数据库的索引优化
- 应用数据压缩和缓存策略
- 实现高效的数据检索机制
# analysis.py 中的实现
from camel.storages.vectordb_storages import MilvusStorage
from camel.retrievers import RAGRetriever
from camel.embeddings import OpenAIEmbedding
class RDInnovationAnalyzer:
def __init__(self):
# 初始化向量存储
self.vector_storage = MilvusStorage()
# 初始化检索器
self.retriever = RAGRetriever(
embedding_model=OpenAIEmbedding(),
retrieval_model=BM25Retriever()
)# 在 main.py 中使用研发分析模块
def analyze_company_rd(company_data):
analysis_manager = AnalysisManager(config)
rd_analysis = analysis_manager.analyze_rd_investment(company_data)
return rd_analysis🔬 研发创新分析
技术专家分析：
研发投入分析
- 研发投入占营业收入比例：15.82%
- 研发投入强度：极高
2. 创新能力分析
- 专利密度：9.49项/亿元
- 创新效率：高
3. 技术风险
- 技术风险等级：中等
- 风险应对建议：建议保持技术研发投入，关注行业技术发展趋势
- 掌握风险评分的计算方法
- 理解多维度风险评估体系
- 学习风险等级的划分标准
- 了解风险建议的生成逻辑
-
风险评估系统 (参考 Chapter 5.1-5.3)
- 使用
camel.agents包实现风险评估智能体 - 应用
camel.memories包管理风险评估历史 - 利用
camel.prompts包生成风险评估报告
- 使用
-
数据可视化 (参考 Chapter 5.4-5.6)
- 使用
camel.visualization包进行风险可视化 - 应用
camel.toolkits包进行数据处理 - 利用
camel.retrievers包检索历史风险数据
- 使用
-
风险预警机制 (参考 Chapter 5.7)
- 实现实时风险监控
- 应用风险预警规则
- 生成风险预警报告
# analysis.py 中的实现
from camel.agents import ChatAgent
from camel.memories import AgentMemory
from camel.prompts import PromptTemplate
from camel.visualization import VisualizationManager
class RiskAnalyzer:
def __init__(self):
# 初始化风险评估智能体
self.risk_agent = ChatAgent(
role_name="Risk Manager",
role_type=RoleType.ASSISTANT,
memory=AgentMemory()
)
# 初始化可视化管理器
self.visualization = VisualizationManager()# 在 main.py 中使用风险评估模块
def analyze_company_risks(company_data):
analysis_manager = AnalysisManager(config)
risk_analysis = analysis_manager.analyze_risks(company_data)
return risk_analysis⚠️ 风险评估
风险经理分析：
对于拓维信息（股票代码：002261.SZ）的市场风险分析，我们可以从多个角度来考虑，包括但不限于行业环境、公司自身状况、宏观经济因素以及技术发展等。
1. 行业环境
竞争态势：拓维信息主要业务集中在信息技术服务领域，尤其是软件开发和系统集成服务。这一行业内的竞争非常激烈，不仅有众多国内外同行的竞争压力，还有来自互联网巨头在某些细分市场的挑战。
- 掌握投资价值评估方法
- 理解风险收益平衡原则
- 学习投资建议的生成逻辑
- 了解多维度评分体系
-
投资分析系统 (参考 Chapter 6.1-6.3)
- 使用
camel.agents包实现投资分析智能体 - 应用
camel.memories包管理投资分析历史 - 利用
camel.prompts包生成投资建议报告
- 使用
-
数据集成 (参考 Chapter 6.4-6.6)
- 使用
camel.toolkits包集成外部数据 - 应用
camel.retrievers包检索市场数据 - 利用
camel.embeddings包进行数据向量化
- 使用
-
投资策略优化 (参考 Chapter 6.7)
- 实现投资组合优化
- 应用风险评估模型
- 生成投资策略建议
# visualization.py 中的实现
from camel.agents import ChatAgent
from camel.memories import AgentMemory
from camel.prompts import PromptTemplate
from camel.toolkits import SearchToolkit
from camel.retrievers import BM25Retriever
class InvestmentAdvisor:
def __init__(self):
# 初始化投资分析智能体
self.investment_agent = ChatAgent(
role_name="Investment Advisor",
role_type=RoleType.ASSISTANT,
memory=AgentMemory()
)
# 初始化搜索工具
self.search_toolkit = SearchToolkit()
# 初始化检索器
self.retriever = BM25Retriever()# 在 main.py 中使用投资建议模块
def generate_investment_advice(company_data):
analysis_manager = AnalysisManager(config)
investment_metrics = analysis_manager._calculate_investment_metrics(company_data)
advice = analysis_manager._generate_specific_advice(
investment_metrics['score'],
investment_metrics['risk_score']
)
return advice💡 投资建议
投资顾问分析：
基于以上分析，建议...
投资价值得分：7.79
风险等级：低
建议：建议投资，公司具有较好的投资价值和可控风险
- 安装依赖:
pip install -r requirements.txt- 配置环境变量:
cp .env.example .env
# 编辑 .env 文件,填入必要的配置信息- Web 应用:
cd camel/scholaragent
streamlit run app.py --server.port 8501 --server.address localhost- 命令行版本:
cd camel/scholaragent
python main.py系统支持以下格式的公司数据:
company_data = {
"name": "公司名称",
"business": "主营业务",
"rd_investment": "研发投入",
"patent_count": "专利数量",
"revenue": "营业收入",
"net_profit": "净利润",
"gross_margin": "毛利率",
"debt_ratio": "资产负债率",
"market_risk": "市场风险",
"operation_risk": "经营风险",
"financial_risk": "财务风险",
"tech_risk": "技术风险"
}以拓维信息为例:
company = {
"name": "拓维信息",
"business": "软件开发和信息技术服务",
"rd_investment": "2.5亿元",
"patent_count": 150,
"revenue": "15.8亿元",
"net_profit": "1.2亿元",
"gross_margin": "45%",
"debt_ratio": "35%",
"market_risk": "中等",
"operation_risk": "低",
"financial_risk": "低",
"tech_risk": "中等"
}
# 运行分析
analysis = analysis_manager.analyze_company(company)分析结果示例:
拓维信息分析报告
1. 执行摘要
本报告对拓维信息进行了全面分析...
2. 财务分析
- 营业收入: 15.8亿元
- 净利润: 1.2亿元
- 净利润率: 7.59%
- 毛利率: 45%
- 资产负债率: 35%
3. 研发创新分析
- 研发投入占比: 15.82%
- 研发投入强度: 极高
- 专利密度: 9.49项/亿元
- 创新效率: 高
4. 风险评估
- 市场风险: 中等
- 经营风险: 低
- 财务风险: 低
- 技术风险: 中等
5. 投资建议
投资价值得分: 7.79
风险等级: 低
建议: 建议投资，公司具有较好的投资价值和可控风险
以拓维信息和振邦智能为例:
companies = [
{
"name": "拓维信息",
# ... 拓维信息数据
},
{
"name": "振邦智能",
# ... 振邦智能数据
}
]
# 运行对比分析
comparison = analysis_manager.compare_companies(companies)对比分析结果示例:
公司比较分析报告
1. 财务指标对比
指标 拓维信息 振邦智能 差异
营业收入 15.8亿 12.5亿 +3.3亿
净利润 1.2亿 0.9亿 +0.3亿
研发投入 2.5亿 1.8亿 +0.7亿
毛利率 45% 40% +5%
资产负债率 35% 42% -7%
2. 研发创新对比
拓维信息:
- 研发投入占比: 15.82% (+0.71%)
- 专利密度: 9.49项/亿元 (-0.05)
振邦智能:
- 研发投入占比: 14.40% (-0.71%)
- 专利密度: 9.60项/亿元 (+0.05)
3. 风险状况对比
拓维信息:
- 综合风险得分: 1.50 (-0.25)
- 风险等级: 低
振邦智能:
- 综合风险得分: 2.00 (+0.25)
- 风险等级: 中等
4. 投资建议
拓维信息:
- 投资价值得分: 7.79
- 风险等级: 低
- 建议: 建议投资，公司具有较好的投资价值和可控风险
振邦智能:
- 投资价值得分: 7.26
- 风险等级: 中等
- 建议: 建议投资，公司具有较好的投资价值和可控风险
- 数据准确性
- 确保输入的公司数据准确完整
- 注意数据单位的统一性
- 定期更新数据以保持分析结果的时效性
- 系统性能
- 大量数据分析时注意内存使用
- 合理设置并发分析数量
- 定期清理缓存数据
- 结果解读
- 结合行业背景解读分析结果
- 注意风险提示和建议的合理性
- 定期验证分析结果的准确性
- 数据加载失败
- 检查数据格式是否正确
- 确认文件路径是否正确
- 验证数据编码格式
- 分析超时
- 检查网络连接
- 调整超时设置
- 优化分析算法
- 结果异常
- 检查数据异常值
- 验证计算逻辑
- 更新分析模型
-
在
.env文件中配置以下内容：- OpenAI API 密钥
- 模型参数
- 系统配置
-
确保已安装所有必要的依赖包
- 请确保 API 密钥的安全性，不要将其提交到代码仓库
- 建议使用虚拟环境运行项目
- 确保 Python 版本 >= 3.8
- Fork 本仓库
- 创建你的特性分支 (
git checkout -b feature/AmazingFeature) - 提交你的更改 (
git commit -m 'Add some AmazingFeature') - 推送到分支 (
git push origin feature/AmazingFeature) - 开启一个 Pull Request
本项目采用 MIT 许可证 - 查看 LICENSE 文件了解详情