财报分析自动化
自然语言输入经意图识别后，由 Python 抓取并解析财报目录，提取相关章节转为 JSON，交由模型分析，最终生成 Word 并发送邮件。
AGENT PLATFORM · SIEMENS · 2026
Adam.
From tools
to platform.
把分散的 Agent、Workflow 与知识库收敛为统一入口，让团队成员无需理解底层基础设施即可复用 AI 能力。
4 核心模块
SSO 权限鉴权
CI/CD 内部部署
§ 01 / WHY ADAM
从工具到平台.
单点工具解决一次任务，平台解决团队如何持续复用 AI 能力。
财报分析与云成本评估首先验证了 AI 自动化的业务价值；随着工具增多，入口分散、知识割裂、权限与协作成本逐渐显现。Adam 因此从真实的内部工具演进而来。
云价格与 Token 成本对比
独立设计 Azure、AWS、阿里云与模型 Token 成本对比，支持单 SKU 比价和采购视角的品类分析推荐。
统一的企业 AI 入口
当单点工具增多，入口、知识和权限逐渐割裂。我主导把既有 Agent、Workflow 与知识沉淀为统一管理平台。
一个入口，四个空间.
§ 03 / CONTEXT & MEMORY
一次回答，如何带上正确的上下文？
flowchart LR
U["当前用户输入"] --> R{"运行模式"}
H["当前会话完整历史"] --> R
M["长期用户记忆"] --> D["默认 Adam"]
K["引用文档 / DB 内容"] --> R
S["Agent System Prompt"] --> N["Native Agent"]
R --> D
R --> N
R --> W["复杂任务 Workflow"]
R --> E["Eve 编码模式"]
D --> L["LLM messages[]"]
N --> L
W --> P["拆解独立 Worker Prompt"]
P --> X["上游结果注入"]
X --> Y["最终综合"]
E --> O["JSON 结构化操作"]
O --> G["本地受控文件操作"]
L --> IPC["Electron IPC"]
IPC --> PI["pi-ai"]
PI --> API["OpenAI-compatible API"]
上下文不是聊天记录的简单拼接
当前输入、完整会话历史和引用文档会按运行模式组装；系统提示词提供 Agent 的角色、边界与工具约束。
长期记忆与当前会话分层管理
会话历史负责眼前任务的连续性，长期用户记忆负责稳定偏好与跨会话信息；只有与本次任务相关的内容才进入模型上下文。
不同任务进入不同执行链路
普通回答进入 messages[]；复杂任务拆给 Worker 后综合；Eve 则先生成 JSON 操作，再通过权限边界执行本地文件变更。
§ 04 / MEMORY LOOP
记忆如何被检索、判断与写回？
MEMORY LIFECYCLE · RETRIEVE → ANSWER → WRITE
01 · BEFORERETRIEVE
用户新消息 → 构造检索请求
过滤检索范围user_id / agent_id / run_id / metadata
Vector语义检索
BM25关键词
Entity + Time实体与时间
融合信号 → 相关性与时间排序 → Top memories
LLM
AnswerSystem Prompt
+ Question
+ History
+ Top memories
AnswerSystem Prompt
+ Question
+ History
+ Top memories
02 · AFTERWRITE
组合用户消息 + 助手回答
LLM 提取值得长期保存的稳定事实
值得保存 → 结构化事实、用户、Agent、时间与元数据否则忽略闲聊和一次性信息
History历史记录
Vector DBEmbedding
Entity实体关联
STORED MEMORY↶ 供下一轮对话检索
回答前，只取最相关的少量记忆
先按用户、Agent、Run 与元数据缩小范围，再结合向量语义、BM25 关键词、实体和时间信号完成召回与排序。
记忆通过 System Prompt 进入回答
排序后的少量记忆与当前问题、对话历史一起注入模型，让回答获得跨会话连续性，同时控制上下文长度与噪声。
回答后判断什么值得长期保存
模型从用户消息和助手回答中提取稳定事实，过滤闲聊与一次性信息，再写入历史、向量数据库和实体关联。
§ 05 / CLOUD BENCHMARK
推荐之前，先让模型调用真实数据。
sequenceDiagram
participant U as 用户
participant F as 前端
participant A as FastAPI Agent
participant L as 大模型
participant T as query_category_prices
participant C as 云厂商 API
U->>F: 计算型云服务哪家便宜？
F->>A: POST /api/agent/chat
A->>L: System + History + User + Tools
L-->>A: tool_call(category="compute")
A->>T: query_category("compute")
T->>C: 并发查询 Azure/AWS/阿里云
C-->>T: 结构化价格数据
T-->>A: prices[]
A->>L: role=tool + prices JSON
L-->>A: 基于真实数据生成对比建议
A-->>F: SSE 流式 Token + 价格表
F-->>U: 展示回答
模型选择工具，不直接编造价格
FastAPI 把 System、History、User 与工具定义一起交给模型；识别到计算型需求后，模型只返回带品类参数的 tool call。
后端统一多云数据口径
价格工具并发请求 Azure、AWS 与阿里云接口，把厂商字段转换成一致的 prices[]，再以 role=tool 的结构化结果注回模型。
分析文字与价格表同步返回
第二次模型调用只基于真实数据生成对比建议；SSE 持续推送 Token，并把结构化价格表交给前端稳定展示。
§ 06 / FINANCIAL REPORT
从一句问题，到一份可交付报告。
DOCUMENT PIPELINE · SOURCE → EXTRACT → SYNTHESIZE
01 · SOURCE OF TRUTH
用户输入茅台、五粮液 · 2023 / 2024
LLM 提取公司 / 股票代码 / 年份
巨潮资讯公告 API → 真实年报 PDF
02 · DETERMINISTIC EXTRACTION
PyMuPDF 提取全文
MD&A 章节
文本清洗
财务报告章节
三大报表结构化
单公司分析 LLM
03 · SYNTHESIZE & DELIVER
单公司报告聚合
跨公司 / 跨年度 LLM
HTML + DOCX 报告
先找到正确的原始年报
模型只负责提取公司、股票代码和年份；公告检索与 PDF 下载由巨潮资讯 API 完成，确保分析基于正式披露文件。
解析和报表结构化交给程序
PyMuPDF 提取全文后，程序定位 MD&A 与财务报告章节，分别完成文本清洗和三大报表结构化，减少模型输入噪声。
模型专注于分析，而非搬运
单公司分析先独立完成，再聚合为跨公司、跨年度比较，最终输出可浏览的 HTML 与可继续编辑的 DOCX 报告。
§ 07 / CONVERSATIONS
复杂任务如何完成？
- 语音 STT 输入与知识库上下文引用
- 复杂任务自主规划 Workflow
- Sub-agent 分工与可编辑节点
能力证明：把交互设计、上下文管理、任务编排与可编辑工作流连接成完整任务路径。
§ 08 / CREATIVITY
开放创作如何承载？
- 面向起草、头脑风暴与内容工作的开放空间
- 对话与预览并列，支持边生成边审阅
- 产出可继续沉淀到团队 AI 资产
能力证明：设计开放式 LLM 工作区，并把生成过程与可复用成果连接起来。
§ 09 / HUB
团队资产如何复用？
- 已实现 Agent、Eve 与已上线产品的统一入口和维护
- 统一资产模型为后续能力接入提供 Hub 基础
- Skills、MCP 与 Workflow 集成正在规划和持续建设
能力证明：完成当前资产的信息架构、数据建模与管理工作流，并规划可扩展的接入路径。
§ 10 / KNOWLEDGE
组织知识如何进入回答？
- 按部门与项目组织数据和文档
- 支持模型引用知识内容作为上下文
- 围绕文档进行检索与问答
能力证明：把知识组织、检索上下文和团队复用整合进产品体验。
§ 11 / DELIVERY
产品闭环与工程交付.
Experience · 统一入口业务需求：Web · Conversations · Creativity · Hub · Knowledge
↓
Node Backend权限与安全需求：SSO · Auth · Permissions · Hub
Python Services自动化需求：Report · Analysis · Data Processing
↓
Orchestration编排需求：n8n · Agent · Workflow · Sub-agent
Data & Knowledge数据与知识需求：RDS · Knowledge · Retrieval Context
↓
External Integration · 多云与模型 API采购与模型接入需求：Azure · AWS · Alibaba Cloud · Model APIs
↓
Delivery · 可持续交付运维需求：Tests · GitLab CI/CD · K8s · Siemens ACS
§ 12 / MY ROLE
从需求到上线.
我负责需求分析、产品与信息架构、前后端实现、Workflow 与外部 API 集成、鉴权权限、测试、CI/CD 和内部部署。
Adam 把此前分散的工具与工作流收敛到统一入口，新成员无需理解底层基础设施即可使用共享 Agent 与知识库。
平台最终部署到西门子内部 ACS 环境，具备 SSO、权限、测试与 CI/CD。