ForenSight（证镜）财务分析与风险研判系统

ForenSight 是一个面向财报文本的多智能体（Multi-Agent）分析原型，用于输出结构化舞弊风险研判结果。系统会从文档中抽取财务信息、构建工作底稿，交由多个专题智能体并行分析，最后由裁决智能体汇总为最终风险结论。

核心能力

• 多智能体协同分析：base + fraud_type_A~F + defense(可选)
• 结构化输出：workpaper.json、各智能体报告、final_report.json
• 异步流式可视化：Web 端按阶段展示推理进度和步骤输出
• 财报文件上传：支持 .odf / .odt / .pdf
• 可选外部检索：配置 Tavily 后支持自主补充证据（ReAct 风格重试）

系统流程

flowchart LR
    A[上传财报或输入文本] --> B[摘要与公司识别]
    B --> C[财务字段抽取与指标计算]
    C --> D[构建工作底稿 Workpaper]
    D --> E[多智能体并行分析]
    E --> F[裁决智能体汇总]
    F --> G[最终风险报告与建议]

Loading

系统架构展示：

技术栈

• 后端：FastAPI + Uvicorn
• 模型调用：DeepSeek Chat Completions（OpenAI-compatible）
• 文档解析：pypdf + ODF(XML) 提取
• 前端：Jinja2 模板 + 原生 JS/CSS
• 测试：Pytest

项目结构

src/
  web_app.py         # FastAPI 应用与异步运行管理
  orchestrator.py    # 主流程编排（摘要/财务抽取/工作底稿/agent/最终裁决）
  agents.py          # 各风险智能体与并发执行
  workpaper.py       # 工作底稿构建与补全
  financials.py      # 财务字段抽取、回退策略、比率计算
  llm_client.py      # LLM 调用封装（当前 deepseek）
  tavily_client.py   # 可选联网检索
  pdf_loader.py      # PDF 分块与关键文本抽取
  summarizer.py      # 文本摘要
  run_logger.py      # 运行日志

templates/           # Web 页面模板
static/              # 前端脚本与样式
outputs/             # 每次运行产物（git 忽略）
tests/               # 测试用例

快速开始

1) 环境要求

• Python >= 3.9

2) 安装依赖

python3 -m venv .venv
source .venv/bin/activate
pip install --upgrade pip
pip install -r requirements.txt

或使用 Makefile：

make setup

3) 配置环境变量

cp .env.example .env

至少需要配置：

• LLM_API_KEY=your_deepseek_api_key

可选配置：

变量	说明	默认值
LLM_PROVIDER	当前固定 deepseek	deepseek
LLM_MODEL_NAME	模型名	deepseek-chat
LLM_BASE_URL	API 基础地址	https://api.deepseek.com
LLM_TIMEOUT_SECONDS	请求超时秒数	90
LLM_MAX_RETRIES	LLM 重试次数	2
AGENT_MAX_CONCURRENCY	智能体并发数（代码会限制在 1~16）	4
TAVILY_API_KEY	外部检索 API（可选）	空
DEBUG	调试开关	false

4) 启动服务

make run-web

等价命令：

uvicorn src.web_app:app --reload

打开浏览器访问：http://127.0.0.1:8000

使用方式

Web 端

1. 在侧栏确认模型与 Base URL（Provider 固定为 DeepSeek）。
2. 上传财报文件（.odf/.odt/.pdf）。
3. 点击“运行分析”，查看流程画布、各智能体输出和最终报告。

提示：若未配置 LLM_API_KEY，前端会禁用运行按钮。

API

1) 上传财报

curl -X POST "http://127.0.0.1:8000/api/upload-report" \
  -F "file=@/absolute/path/to/report.pdf"

成功后返回 report_id。

2) 同步运行（直接返回完整结果）

curl -X POST "http://127.0.0.1:8000/api/run?mode=sync" \
  -H "Content-Type: application/json" \
  -d '{
    "uploaded_report_id": "<report_id>",
    "enable_defense": true,
    "model": "deepseek-chat",
    "base_url": "https://api.deepseek.com"
  }'

3) 异步运行（轮询状态）

curl -X POST "http://127.0.0.1:8000/api/run?mode=async" \
  -H "Content-Type: application/json" \
  -d '{
    "input_texts": ["示例财务文本..."],
    "enable_defense": true
  }'

返回 run_id 后查询：

curl "http://127.0.0.1:8000/api/status?run_id=<run_id>"

前端界面示例

前端展示截图：

输出说明

每次运行会生成独立目录：outputs/run_<timestamp_ns>_<id>/

• run.log：步骤级日志（JSONL）
• workpaper.json：结构化工作底稿
• agent_reports/*.json：各智能体输出
• final_report.json：最终综合结论

final_report.json 关键字段：

• overall_risk_level
• accepted_points
• rejected_points
• rationale
• uncertainty
• suggestions

测试

运行全部测试：

make test

或：

python -m pytest

开源与协作

• 许可证：MIT（见 LICENSE）
• 安全策略：见 SECURITY.md
• 贡献指南：见 CONTRIBUTING.md
• 致谢说明：见 ACKNOWLEDGEMENTS.md

致谢与灵感来源

感谢深圳证券交易所财务舞弊监管 AI 大模型课题组发布论文《AI大模型驱动的智能博弈财务舞弊识别系统构建》，其公开的研究思路与架构对本项目有重要启发。

说明：

• 该论文未公开源码。
• 本仓库为基于公开论文思想与架构的独立学习型实现（复刻），代码由本项目自行实现并开源。
• 如需引用论文文字、图表或大段内容，请遵循原论文的版权与引用规范。

常见问题

• 报错 Missing API key：请在 .env 配置 LLM_API_KEY。
• 报错 No input texts or uploaded report：/api/run 必须提供 input_texts 或 uploaded_report_id。
• 报错“当前仅支持 DeepSeek 模型”：后端目前只允许 deepseek* 模型名。
• 未配置 Tavily：系统仍可运行，但自主外部调查会被跳过。

说明

本项目为研究/原型用途，输出结果仅用于辅助分析，不构成审计或投资建议。