diff --git a/agent_decision.py b/agent_decision.py deleted file mode 100644 index eea38cb..0000000 --- a/agent_decision.py +++ /dev/null @@ -1,212 +0,0 @@ -import pandas as pd -import numpy as np -import joblib -import json -import random - -# ========================================== -# 1. 模拟 LLM 接口 (Mock Agent) -# ========================================== -def mock_llm_generate(prompt): - """ - 模拟 LLM 的生成过程。 - 在实际应用中，这里会调用 OpenAI/Anthropic/DeepSeek 的 API。 - """ - # 从 Prompt 中提取关键信息来生成“假”的智能回复 - # 这里我们用简单的规则来模拟 LLM 的“思考” - - # 提取意向度 (从 Prompt 文本中查找) - import re - # 匹配 "预测模型判定该客户订阅定存的概率为: 78.5%" 这种格式 - prob_match = re.search(r"预测模型判定该客户订阅定存的概率为:\s*([\d\.]+)%", prompt) - prob = float(prob_match.group(1)) if prob_match else 0 - - # 模拟 LLM 根据概率生成的建议 - if prob > 70: - strategy = "VIP 专属服务" - action = "资深理财经理致电" - script = "您好，鉴于您良好的信用记录，我们为您预留了一款高收益理财产品..." - reason = "客户属于高意向群体，且过往活动反馈良好。" - elif prob > 40: - strategy = "标准营销" - action = "普通客服致电或短信触达" - script = "您好，我行近期推出了几款稳健型存款产品，占用您一分钟..." - reason = "客户意向中等，建议通过低成本渠道试探。" - else: - strategy = "静默观察" - action = "发送月度邮件" - script = "(邮件内容) 本月财经摘要..." - reason = "客户意向较低，频繁打扰可能导致反感。" - - # 构造 JSON 输出 - response = { - "customer_id": "Unknown", # 实际中会从 Context 获取 - "analysis": { - "score": prob, - "segment": strategy - }, - "action_plan": { - "primary_action": action, - "backup_action": "记录反馈并更新标签", - "suggested_script": script - }, - "reasoning": reason - } - - return json.dumps(response, ensure_ascii=False, indent=2) - -# ========================================== -# 2. Agent 核心类 -# ========================================== -class MarketingAgent: - def __init__(self, artifact_path='model_artifacts.pkl'): - print(f"Agent 正在加载模型资产: {artifact_path} ...") - self.artifacts = joblib.load(artifact_path) - self.model = self.artifacts['model'] - self.encoders = self.artifacts['encoders'] - self.feature_meta = self.artifacts['feature_meta'] - - def preprocess(self, customer_data): - """将原始字典数据转换为模型可接受的 DataFrame""" - # 创建 DataFrame - df = pd.DataFrame([customer_data]) - - # 移除 duration (如果存在) - if 'duration' in df.columns: - df = df.drop('duration', axis=1) - - # 编码分类特征 - for col, le in self.encoders.items(): - if col in df.columns: - # 处理未知类别: 如果遇到训练集没见过的类别，设为出现最多的那个或报错 - # 这里简单处理：如果遇到未知，就用 transform 的第一个类别 (仅作演示) - try: - df[col] = le.transform(df[col]) - except ValueError: - # 遇到未知标签，使用众数填充或标记为 -1 (取决于模型训练时是否处理了未知) - # 这里为了演示不报错，我们假设数据是干净的，或者直接填 0 - df[col] = 0 - - # 确保列顺序一致 - # 注意：XGBoost 可能会报错如果列顺序不对，最好重新索引 - # 这里假设 feature_meta['all_cols'] 保存了训练时的特征顺序 - df = df[self.feature_meta['all_cols']] - - return df - - def analyze_customer(self, customer_data): - """ - Agent 的主工作流： - 1. 感知 (Perception): 接收数据，进行预处理。 - 2. 思考 (Cognition - Model): 调用 ML 模型预测概率。 - 3. 规划 (Planning - LLM): 构建 Prompt，调用 LLM 生成建议。 - 4. 行动 (Action): 输出结构化建议。 - """ - # 1. 预处理 - X_input = self.preprocess(customer_data) - - # 2. 模型预测 - prob = self.model.predict_proba(X_input)[0][1] # 获取属于类别 1 (yes) 的概率 - prob_percent = round(prob * 100, 2) - - # 获取特征重要性高的特征值，放入 Prompt (简单逻辑：列出所有特征) - # 实际中可以结合 SHAP 值只列出 Top 3 贡献特征 - feature_desc = ", ".join([f"{k}={v}" for k, v in customer_data.items() if k != 'duration']) - - # 3. 构建 Prompt - # 这是一个 "Prompt Engineering" 的过程 - system_prompt = """你是一个专业的银行营销决策 Agent。请根据客户数据和预测模型的结果，给出具体的执行建议。 -要求输出必须是 JSON 格式。""" - - user_prompt = f""" - 【输入数据】 - 客户特征: {feature_desc} - - 【模型分析】 - 预测模型判定该客户订阅定存的概率为: {prob_percent}% - - 【业务规则库】 - - 概率 > 70%: 高价值，高优先级，人工介入。 - - 概率 40%-70%: 潜在价值，自动化营销 + 人工辅助。 - - 概率 < 40%: 低价值，仅自动化触达。 - - 【任务】 - 请基于以上信息，生成该客户的营销建议 JSON，包含： - - 客户分群 (segment) - - 推荐行动 (primary_action) - - 话术建议 (suggested_script) - - 决策依据 (reasoning) - """ - - print(f"\n--- Agent 正在思考 (构建 Prompt) ---\n[Prompt 摘要] 预测概率: {prob_percent}%") - - # 4. 调用 LLM (模拟) - # 在真实场景中：response = openai.ChatCompletion.create(...) - llm_response = mock_llm_generate(user_prompt) - - return json.loads(llm_response) - -# ========================================== -# 3. 运行演示 -# ========================================== -if __name__ == "__main__": - # 加载原始数据取样 - df_raw = pd.read_csv('bank.csv') - - # 实例化 Agent - agent = MarketingAgent() - - print("\n" + "="*50) - print("开始模拟业务流程...") - print("="*50) - - # 随机抽取 3 个客户进行模拟 - sample_indices = [1, 20, 100] - - # 构造一个高意向客户 (VIP 模拟) - # 基于特征重要性: poutcome=success (最重要), contact=cellular, housing=no, balance=high - vip_customer = { - 'age': 35, - 'job': 'management', - 'marital': 'married', - 'education': 'tertiary', - 'default': 'no', - 'balance': 5000, - 'housing': 'no', - 'loan': 'no', - 'contact': 'cellular', - 'day': 15, - 'month': 'oct', - 'duration': 0, # 会被移除 - 'campaign': 1, - 'pdays': 90, - 'previous': 2, - 'poutcome': 'success', # 强特征 - 'deposit': 'yes' # 仅用于展示 - } - - # 将 VIP 客户加入测试列表 (使用特殊的 -1 索引标记) - test_cases = [(i, df_raw.iloc[i].to_dict()) for i in sample_indices] - test_cases.append((-1, vip_customer)) - - for idx, customer_dict in test_cases: - # 移除结果列 'deposit'，模拟这是新客户 - if 'deposit' in customer_dict: - real_result = customer_dict.pop('deposit') - else: - real_result = "Unknown" - - if idx == -1: - print(f"\n>>> 处理客户 ID: VIP-Demo (人工构造的高意向客户)") - else: - print(f"\n>>> 处理客户 ID: {idx}") - - print(f"真实结果 (仅供参考): {real_result}") - - # Agent 工作 - decision = agent.analyze_customer(customer_dict) - - # 打印结果 - print("\n[Agent 最终建议]") - print(json.dumps(decision, ensure_ascii=False, indent=2)) - print("-" * 30)