面向财务BP的智能表格分析系统 - AI-Powered Table Analysis System for Financial Business Partners
FiscalMind 是基于 LangGraph 框架的智能财务表格分析系统，通过深度集成大语言模型（LLM），实现从数据解析到业务理解的全流程智能化分析。
FiscalMind is an AI-powered financial table analysis system built on LangGraph, achieving end-to-end intelligent analysis from data parsing to business understanding through deep LLM integration.
大模型自动识别表头结构，区分表头行与数据行，避免误判
- 准确处理多层表头、合并单元格
- 自适应各种表格格式和偏移位置
- 提供置信度评分，低置信度时自动回退
基于业务语义的智能字段匹配，理解业务含义而非简单字符串比较
- 列名智能匹配："薪资" → "月薪"、"营收" → "销售额"
- 工作表匹配："24年预算" → "FY24_Budget"
- 关联键发现："员工编号" ↔ "工号"
- 值模糊匹配："北京" = "北京市" = "Beijing"
多智能体协作挖掘数据背后的业务逻辑
- 业务分析智能体: 识别业务领域、关键维度和核心指标
- 批评者智能体: 评估分析质量，多轮协作优化
- 评判智能体: 验证结论合理性和数据支撑
- 多文档支持: 同时处理多个Excel文档
- 多表格检测: 自动识别单个sheet中的多个表格
- PRR架构: Plan-ReAct-Reflect智能规划执行流程
- 高级查询: 过滤、排序、关联、聚合等操作
- 自然语言交互: 支持复杂的自然语言查询
- LangGraph: 智能体工作流框架
- LangChain: LLM集成和工具调用
- Pandas: 数据处理和分析
- OpenPyXL: Excel文件读写
git clone https://github.com/Heng-Bian/FiscalMind.git
cd FiscalMind
pip install -r requirements.txt# 将Excel文件放在项目根目录
cp your_data.xlsx ./
# 运行主程序（自动加载所有Excel文件并启动智能分析）
python main.py程序会自动启动 PRR Agent 进行智能分析，进入交互模式：
FiscalMind> 哪个大区表现更好？
正在分析您的问题...
业务分析：
- 业务领域: 财务
- 关键维度: 大区, 月份
- 核心指标: 预算, 实际, 差额
分析结果: 根据销售额和利润率综合评估，华东大区表现最佳。
from fiscal_mind.prr_agent import PRRAgent
from langchain_openai import ChatOpenAI
# 创建带LLM的PRR Agent
llm = ChatOpenAI(model="gpt-4", temperature=0)
agent = PRRAgent(llm=llm)
# 加载文档并查询
agent.load_documents(['financial_report.xlsx'])
answer = agent.query("哪个大区今年表现更好？")
print(answer)系统支持两种模式：
有 LLM 模式（推荐）：
- 启用智能表头识别、语义匹配、业务理解
- 提供专业级财务分析能力
无 LLM 模式：
- 使用规则方法处理
- 提供基础数据查询功能
# 无LLM模式
agent = PRRAgent(llm=None)LLM 驱动的表头识别和多表格检测
from fiscal_mind.parser import ExcelParser
parser = ExcelParser()
doc = parser.load_document('report.xlsx')
# 自动检测表头、多表格、偏移位置
summary = doc.get_document_summary()基于 LLM 的智能字段匹配
from fiscal_mind.semantic_resolver import SemanticResolver
resolver = SemanticResolver(llm=llm)
# 自动匹配业务语义："薪资" → "月薪"
columns = resolver.find_column_by_semantic(df, "薪资")Plan-ReAct-Reflect 架构 + 专业智能体
from fiscal_mind.prr_agent import PRRAgent
agent = PRRAgent(llm=llm)
agent.load_documents(['data.xlsx'])
# 自动规划、执行、反思、业务理解
answer = agent.query("哪个大区今年表现更好？")from fiscal_mind.parser import ExcelParser
parser = ExcelParser()
doc = parser.load_document('complex_table.xlsx')
# LLM自动识别表头位置，处理多层表头和合并单元格
sheet = doc.get_sheet('数据表')
print(sheet.columns) # 正确识别的表头from fiscal_mind.semantic_resolver import SemanticResolver
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4")
resolver = SemanticResolver(llm=llm)
# 智能匹配列名
df = doc.get_sheet('员工表')
salary_cols = resolver.find_column_by_semantic(df, "薪资")
# 返回: ['月薪', '基本工资', '总收入'] 等相关列from fiscal_mind.prr_agent import PRRAgent
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4", temperature=0)
agent = PRRAgent(llm=llm)
agent.load_documents(['regional_data.xlsx'])
# PRR Agent会自动：
# 1. 业务理解 - 识别财务领域、关键维度、核心指标
# 2. 智能规划 - 分解查询为执行步骤
# 3. 推理执行 - 调用工具获取数据
# 4. 质量评判 - 验证结论合理性
answer = agent.query("对比各大区的销售额和利润率，找出综合表现最好的大区")
print(answer)# 自动检测单个sheet中的多个表格
doc = parser.load_document('multi_table.xlsx')
summary = doc.get_sheet_summary('Sheet1')
print(f"检测到 {summary['num_tables']} 个表格")
for i in range(summary['num_tables']):
table = doc.get_table_info('Sheet1', i)
print(f"表格{i}: {table.description}")用户查询
↓
业务理解（多智能体协作）
├── 识别业务领域和场景
├── 提取关键维度和指标
└── 评估分析质量
↓
智能规划（PRR）
├── 分解执行步骤
└── 融合业务上下文
↓
推理执行
├── LLM语义匹配（字段/工作表）
├── LLM表头识别（多层/偏移）
└── 数据提取和聚合
↓
质量评判
├── 验证结论合理性
├── 评估数据支撑
└── 业务逻辑检查
↓
生成答案
- LLM 表头识别: 自动区分表头与数据，处理复杂格式
- LLM 语义匹配: 理解业务含义，智能匹配字段
- LLM 业务理解: 多智能体挖掘数据背后的业务逻辑
- PRR 自主规划: 自动分解复杂查询，迭代优化
from langchain_openai import ChatOpenAI
# 使用 OpenAI
llm = ChatOpenAI(model="gpt-4", temperature=0)
# 使用其他LLM提供商
from langchain_anthropic import ChatAnthropic
llm = ChatAnthropic(model="claude-3-opus")
# 创建Agent
agent = PRRAgent(llm=llm)欢迎提交 Issue 和 Pull Request！
本项目采用 MIT 许可证 - 详见 LICENSE 文件