构建AI智能体：智能金融示例分析的两种实现：反应式与深思式实践策略对比

步骤1.1 - 快速意图识别
├── 输入: 用户原始查询文本
├── 处理: Qwen快速分析 + 规则引擎
├── 输出: 结构化意图信息
└── 示例输出:
    {
        "primary_intent": "风险评估",
        "risk_keywords": ["保守", "稳健"],
        "amount_mentioned": true,
        "time_horizon": "中期",
        "urgency_level": "中"
    }

步骤2.1 - 规则引擎分类
├── 输入: 意图信息
├── 处理: 并行规则匹配
├── 输出: 处理类别和参数
└── 分类逻辑:
    IF 意图=风险评估 → 类别="快速风险评估"
    IF 意图=资产配置 AND 有金额 → 类别="标准资产配置"  
    IF 意图=产品推荐 → 类别="产品推荐"
    ELSE → 类别="一般咨询"

步骤3.1 - 针对性Prompt构造
├── 风险评估Prompt:
    "作为专业顾问，请基于用户描述快速评估风险承受能力..."
├── 资产配置Prompt:  
    "作为专业顾问，请提供简洁的资产配置建议..."
├── 产品推荐Prompt:
    "作为专业顾问，请推荐适合的产品..."
└── 通用咨询Prompt:
    "作为专业顾问，请回答以下相关问题..."

步骤4.1 - 统一格式化
├── 添加响应头信息
├── 插入风险提示
├── 标准化输出格式
└── 最终输出示例:
     快速风险评估结果
    ────────────────
    风险评估：平衡型
    依据：经验丰富，能承受适度波动
    建议：可配置50-60%权益类资产

步骤5.1 - 对话记忆管理
├── 存储用户ID和交互记录
├── 维护最近10次对话
├── 为后续交互提供上下文
└── 存储结构:
    {
        "user_001": [
            {
                "timestamp": "2024-01-20 10:30:00",
                "intent": "风险评估", 
                "category": "快速风险评估",
                "risk_level": "平衡型"
            }
        ]
    }

class ReactiveArchitecture:
    def process_query(self, user_input: str) -> str:
        # 1. 意图识别模块
        intent_info = self._quick_intent_analysis(user_input)
        
        # 2. 规则分类模块
        category = self._rule_based_classification(intent_info)
        
        # 3. 针对性处理模块
        response = self._targeted_processing(user_input, category)
        
        # 4. 输出格式化模块
        final_advice = self._format_output(response, category)
        
        return final_advice

class RuleEngine:
    def apply_rules(self, intent_info: Dict) -> str:
        rules = [
            {
                "condition": lambda i: i["primary_intent"] == "风险评估",
                "action": "quick_risk_assessment"
            },
            {
                "condition": lambda i: i["primary_intent"] == "资产配置" and i["amount_mentioned"],
                "action": "portfolio_advice" 
            },
            # ... 更多规则
        ]
        
        for rule in rules:
            if rule["condition"](intent_info):
                return rule["action"]

"""
基于Qwen的反应式智能金融 - 结合规则引擎与大模型快速响应
"""

class QwenReactiveAdvisor:
    def __init__(self):
        self.llm = Tongyi(
            model_name="qwen-turbo", 
            dashscope_api_key=os.getenv('DASHSCOPE_API_KEY', '')
        )
        self.rule_engine = RuleEngine()
        self.conversation_memory = {}

def process_query(self, user_id: str, user_input: str) -> str:
    """处理用户查询的完整反应式流程"""
    print("开始Qwen反应式处理流程...")
    
    # 步骤1: 快速解析用户意图
    print("步骤1: 解析用户意图和关键信息")
    intent_info = self._quick_intent_analysis(user_input)
    print(f"   意图分析: {intent_info}")
    
    # 步骤2: 应用规则引擎进行初步分类
    print("步骤2: 规则引擎快速分类")
    rule_result = self.rule_engine.apply_rules(intent_info)
    print(f"   规则分类: {rule_result['category']}")
    
    # 步骤3: 基于分类调用相应的Qwen处理
    print("步骤3: Qwen针对性处理")
    qwen_response = self._qwen_targeted_processing(user_input, rule_result)
    
    # 步骤4: 生成格式化的最终建议
    print("步骤4: 生成最终建议")
    final_advice = self._format_final_advice(qwen_response, rule_result)
    
    # 更新对话记忆
    self._update_conversation_memory(user_id, intent_info, rule_result)
    
    return final_advice

def _quick_intent_analysis(self, user_input: str) -> Dict[str, Any]:
    """使用Qwen快速分析用户意图"""
    prompt = PromptTemplate(
        input_variables=["user_input"],
        template="""请快速分析以下咨询的意图和关键信息，用JSON格式返回：
用户输入：{user_input}

请返回JSON格式：
{
    "primary_intent": "风险评估|资产配置|产品推荐|知识问答",
    "risk_keywords": ["关键词1", "关键词2"],
    "amount_mentioned": true/false,
    "time_horizon": "短期|中期|长期|未提及",
    "urgency_level": "高|中|低"
}

只返回JSON，不要其他内容。"""
    )

def _fallback_intent_analysis(self, user_input: str) -> Dict[str, Any]:
    """备用规则意图分析"""
    input_lower = user_input.lower()
    
    intent_info = {
        "primary_intent": "知识问答",
        "risk_keywords": [],
        "amount_mentioned": False,
        "time_horizon": "未提及",
        "urgency_level": "中"
    }
    
    # 意图判断 - 基于关键词匹配
    if any(word in input_lower for word in ['风险', '保守', '激进', '承受']):
        intent_info["primary_intent"] = "风险评估"
    elif any(word in input_lower for word in ['配置', '分配', '比例', '组合']):
        intent_info["primary_intent"] = "资产配置"
    # ... 更多规则

class RuleEngine:
    def _initialize_rules(self):
        """初始化规则"""
        return [
            {
                "name": "风险评估规则",
                "condition": lambda intent: intent.get("primary_intent") == "风险评估",
                "action": lambda intent: {
                    "category": "快速风险评估",
                    "risk_profile": self._assess_risk_profile(intent),
                    "priority": "high"
                }
            },
            {
                "name": "资产配置规则", 
                "condition": lambda intent: intent.get("primary_intent") == "资产配置" and intent.get("amount_mentioned"),
                "action": lambda intent: {
                    "category": "标准资产配置",
                    "amount": self._extract_amount(intent),
                    "time_horizon": intent.get("time_horizon", "中期"),
                    "priority": "high"
                }
            },
            # ... 更多规则
        ]

def apply_rules(self, intent_info: Dict) -> Dict:
    """应用规则"""
    for rule in self.rules:
        if rule["condition"](intent_info):
            result = rule["action"](intent_info)
            print(f"   触发规则: {rule['name']}")
            return result
    return {"category": "一般咨询", "priority": "low"}

def _qwen_targeted_processing(self, user_input: str, rule_result: Dict) -> str:
    """基于分类的Qwen针对性处理"""
    
    category = rule_result['category']
    
    if category == "快速风险评估":
        return self._qwen_risk_assessment(user_input, rule_result)
    elif category == "标准资产配置":
        return self._qwen_portfolio_advice(user_input, rule_result)
    elif category == "产品推荐":
        return self._qwen_product_recommendation(user_input, rule_result)
    else:
        return self._qwen_general_advice(user_input)

def _qwen_risk_assessment(self, user_input: str, rule_result: Dict) -> str:
    """Qwen风险评估"""
    prompt = PromptTemplate(
        input_variables=["user_input", "risk_profile"],
        template="""作为专业顾问，请基于以下用户描述快速评估风险承受能力：

用户描述：{user_input}
初步风险画像：{risk_profile}

请用简洁的语言回答：
1. 风险等级评估（保守型/稳健型/平衡型/成长型/积极型）
2. 主要依据（1-2个关键因素）
3. 简要建议

回答格式：
风险评估：[等级]
依据：[简要说明]
建议：[1-2条核心建议]"""
    )

def _qwen_portfolio_advice(self, user_input: str, rule_result: Dict) -> str:
    """Qwen资产配置建议"""
    prompt = PromptTemplate(
        input_variables=["user_input", "amount", "time_horizon"],
        template="""作为专业顾问，请提供简洁的资产配置建议：

用户需求：{user_input}
金额：{amount}
期限：{time_horizon}

请提供：
1. 推荐的资产配置比例（股票、债券、现金等）
2. 配置逻辑简述
3. 预期风险水平

格式：
配置比例：[具体比例]
配置逻辑：[简要说明]
预期风险：[低/中/高]"""
    )

def _format_final_advice(self, qwen_response: str, rule_result: Dict) -> str:
    """格式化最终建议"""
    category = rule_result['category']
    
    header = {
        "快速风险评估": "快速风险评估结果",
        "标准资产配置": "资产配置建议", 
        "产品推荐": "产品推荐",
        "一般咨询": "建议"
    }.get(category, "建议")
    
    return f"""
{header}
────────────────
{qwen_response}

 生成方式：Qwen大模型 + 规则引擎快速响应
 响应时间：< 2秒
 温馨提示：以上建议仅供参考，需谨慎
"""

def _update_conversation_memory(self, user_id: str, intent_info: Dict, rule_result: Dict):
    """更新对话记忆"""
    if user_id not in self.conversation_memory:
        self.conversation_memory[user_id] = []
        
    self.conversation_memory[user_id].append({
        "timestamp": self._get_current_time(),
        "intent": intent_info["primary_intent"],
        "category": rule_result["category"],
        "risk_level": rule_result.get("risk_level", "未知")
    })
    
    # 保持最近10次对话记录
    if len(self.conversation_memory[user_id]) > 10:
        self.conversation_memory[user_id] = self.conversation_memory[user_id][-10:]

def _assess_risk_profile(self, intent: Dict) -> str:
    """评估风险画像"""
    keywords = intent.get("risk_keywords", [])
    text = " ".join(keywords).lower()
    
    if any(word in text for word in ['保守', '稳健', '保本']):
        return "保守型，偏好低风险产品"
    elif any(word in text for word in ['平衡', '稳健']):
        return "平衡型，接受适度风险"
    # ... 更多风险等级

def _infer_risk_level(self, intent: Dict) -> str:
    """推断风险等级"""
    time_horizon = intent.get("time_horizon", "中期")
    if time_horizon == "长期":
        return "成长型"
    elif time_horizon == "短期":
        return "保守型"
    else:
        return "平衡型"

test_cases = [
    "我30岁，想评估一下自己的风险承受能力",           # 风险评估
    "有20万元资金，想做中期，请帮我配置资产",      # 资产配置
    "推荐一些适合新手的基金产品",                 # 产品推荐
    "当前市场环境下，资股票基金合适吗？"            # 知识问答
]

步骤1.1 - Qwen多维度用户画像分析
├── 输入: 用户描述 + 历史上下文
├── 处理: 8个维度深度分析
├── 输出: 结构化用户档案
└── 分析维度:
    1. demographics: 人口统计特征
    2. financial_situation: 财务状况
    3. risk_profile: 风险承受能力  
    4. investment_knowledge: 知识
    5. psychological_factors: 心理特征
    6. investment_goals: 目标
    7. constraints: 约束条件
    8. lifecycle_stage: 生命周期阶段

步骤1.2 - 备用分析机制
├── 触发条件: Qwen分析失败
├── 处理: 基于规则的推断
└── 输出: 简化版用户档案

步骤2.1 - Qwen综合市场分析
├── 输入: 市场背景数据
├── 处理: 5个方面分析
├── 输出: 市场评估报告
└── 分析内容:
    1. investment_opportunities: 机会
    2. risk_factors: 风险因素
    3. suitable_assets: 适合资产
    4. market_trend: 市场趋势
    5. allocation_tone: 配置基调

步骤2.2 - 默认市场分析
├── 触发条件: 市场分析失败
├── 处理: 预设市场情景
└── 输出: 保守市场评估

步骤3.1 - Qwen多策略生成
├── 输入: 用户档案 + 市场分析
├── 处理: 生成3个风险等级策略
├── 输出: 策略选项数组
└── 策略类型:
    1. 保守型策略: 本金安全优先
    2. 平衡型策略: 风险收益均衡
    3. 进取型策略: 追求较高收益

步骤3.2 - 默认策略模板
├── 触发条件: 策略生成失败  
├── 处理: 基于用户风险偏好的模板匹配
└── 输出: 标准化策略选项

步骤4.1 - Qwen风险评估优化
├── 输入: 策略选项 + 用户档案
├── 处理: 风险匹配度评估
├── 输出: 优化后建议
└── 优化内容:
    1. recommended_strategy: 推荐策略
    2. risk_match_score: 风险匹配度
    3. adjustment_suggestions: 调整建议
    4. risk_controls: 风险控制措施

步骤4.2 - 默认风险优化
├── 触发条件: 风险评估失败
├── 处理: 简单策略匹配算法
└── 输出: 基础优化建议

步骤5.1 - Qwen个性化建议生成
├── 输入: 优化建议 + 用户档案
├── 处理: 生成完整建议书
├── 输出: 个性化文本建议
└── 包含内容:
    1. 目标明确
    2. 具体配置方案
    3. 实施步骤
    4. 风险提示
    5. 后续跟踪建议

步骤5.2 - 模板化建议生成
├── 触发条件: 个性化生成失败
├── 处理: 基于模板的建议填充
└── 输出: 标准化建议文本

步骤6.1 - 综合结果整合
├── 整合所有阶段输出
├── 生成最终建议报告
└── 输出结构:
    {
        "reasoning_process": {...},
        "user_profile_summary": {...},
        "recommended_strategy": {...},
        "personalized_advice": "...",
        "implementation_plan": {...},
        "risk_management": [...],
        "monitoring_schedule": "..."
    }
步骤6.2 - 对话上下文更新
├── 存储用户交互历史
├── 维护用户风险偏好
├── 为长期服务提供基础
└── 更新内容:
    {
        "last_interaction": "2024-01-20T10:30:00",
        "last_advice_type": "均衡增长策略", 
        "user_risk_profile": "平衡型"
    }

class DeliberativeArchitecture:
    def deliberate_advice(self, user_input: str, context: Dict) -> Dict:
        stages = [
            ("用户理解", self._deep_user_analysis),
            ("市场分析", self._comprehensive_market_analysis), 
            ("策略生成", self._generate_strategy_options),
            ("风险优化", self._risk_optimization),
            ("建议生成", self._generate_personalized_advice)
        ]
        
        results = {}
        for stage_name, stage_func in stages:
            try:
                results[stage_name] = stage_func(user_input, context, results)
            except Exception as e:
                results[stage_name] = self._fallback_processing(stage_name, e)
                
        return self._integrate_results(results)

def _deep_user_analysis(self, user_input: str, context: Dict) -> Dict:
    """八维度用户画像分析"""
    analysis_dimensions = [
        "demographics",           # 人口统计特征
        "financial_situation",    # 财务状况
        "risk_profile",           # 风险承受能力
        "investment_knowledge",   # 知识水平
        "psychological_factors",  # 心理特征
        "investment_goals",       # 目标
        "constraints",            # 约束条件
        "lifecycle_stage"         # 生命周期阶段
    ]
    
    user_profile = {}
    for dimension in analysis_dimensions:
        user_profile[dimension] = self._analyze_dimension(
            dimension, user_input, context
        )
    
    return user_profile

"""
基于Qwen的深思熟虑型智能顾问
"""

class QwenDeliberativeAdvisor:
    def __init__(self):
        self.llm = Tongyi(
            model_name="qwen-turbo",
            dashscope_api_key=os.getenv('DASHSCOPE_API_KEY', 'your-api-key-here')
        )
        self.analysis_depth = "deep"
        self.conversation_context = {}

def deliberate_advice(self, user_id: str, user_input: str, market_context: Dict = None) -> Dict[str, Any]:
    """深度推理生成建议"""
    print("\n🧠 开始Qwen深度推理流程...")
    
    # 获取对话上下文
    context = self._get_conversation_context(user_id)
    
    try:
        # 阶段1: 深度用户理解
        print(f"\n📊 阶段1: 深度用户理解")
        user_analysis = self._deep_user_analysis(user_input, context)
        
        # 阶段2: 多维度市场分析
        print(f"\n🌐 阶段2: 市场环境分析") 
        market_analysis = self._comprehensive_market_analysis(market_context)
        
        # 阶段3: 策略生成
        print(f"\n🎯 阶段3: 策略生成")
        strategy_options = self._generate_strategy_options(user_analysis, market_analysis)
        
        # 阶段4: 风险评估与优化
        print(f"\n⚖️ 阶段4: 风险评估优化")
        optimized_advice = self._risk_optimization(strategy_options, user_analysis)
        
        # 阶段5: 个性化建议生成
        print(f"\n💫 阶段5: 个性化建议生成")
        final_advice = self._generate_personalized_advice(optimized_advice, user_analysis)
        
        # 更新对话上下文
        self._update_conversation_context(user_id, user_input, final_advice)
        
        return final_advice

def _deep_user_analysis(self, user_input: str, context: Dict) -> Dict[str, Any]:
    """深度用户分析 - 修复版"""
    print("   步骤1.1: Qwen多维度用户画像分析")
    
    prompt_template = """作为专业顾问，请对用户进行深度分析：

当前输入：{user_input}
历史上下文：{previous_context}

请从以下维度分析用户画像，返回JSON格式：
1. demographics: 年龄区间、职业阶段
2. financial_situation: 财务状况评估  
3. risk_profile: 风险承受能力(保守/稳健/平衡/成长/积极)
4. investment_knowledge: 知识水平(新手/有经验/资深)
5. psychological_factors: 心理特征(损失厌恶、耐心程度等)
6. investment_goals: 目标识别
7. constraints: 约束条件识别
8. lifecycle_stage: 生命周期阶段(积累/巩固/维持/支出)

请返回纯JSON格式，不要其他内容。"""

def _fallback_user_analysis(self, user_input: str) -> Dict[str, Any]:
    """备用用户分析 - 增强版"""
    print("   🔄 使用备用用户分析")
    
    # 从用户输入中提取更多信息
    input_lower = user_input.lower()
    
    # 年龄推断
    age_match = re.search(r'(\d+)岁', user_input)
    age = int(age_match.group(1)) if age_match else 35
    
    # 风险偏好推断
    if any(word in input_lower for word in ['保守', '保本', '稳健', '安全']):
        risk_profile = "保守型"
    # ... 更多推断逻辑

def _comprehensive_market_analysis(self, market_context: Optional[Dict]) -> Dict[str, Any]:
    """综合市场分析 - 修复版"""
    print("   步骤2.1: Qwen市场环境深度分析")
    
    current_context = market_context or {
        "economic_cycle": "复苏",
        "market_valuation": "合理",
        "interest_rate_environment": "稳定",
        "geopolitical_factors": "平稳"
    }
    
    prompt_template = """作为专业分析师，请分析当前市场环境：

市场背景：{market_context}

请从规划角度分析：
1. 主要机会领域
2. 需要警惕的风险因素  
3. 适合当前环境的资产类别
4. 市场趋势判断
5. 配置建议基调(进攻/防守/平衡)

返回纯JSON格式。"""

def _generate_strategy_options(self, user_analysis: Dict, market_analysis: Dict) -> List[Dict]:
    """生成策略选项 - 修复版"""
    print("   步骤3.1: Qwen多策略生成")
    
    prompt_template = """基于用户画像和市场分析，生成3个不同风险收益特征的策略：

用户画像：{user_profile}
市场分析：{market_analysis}

请生成3个策略选项：
1. 保守型策略：注重本金安全
2. 平衡型策略：风险收益均衡  
3. 进取型策略：追求较高收益

每个策略包含：
- 资产配置比例
- 预期年化收益
- 最大回撤估计
- 适合的类型
- 核心逻辑

返回JSON数组格式。"""

def _generate_default_strategies(self, user_analysis: Dict) -> List[Dict]:
    """生成默认策略 - 基于用户画像"""
    risk_profile = user_analysis.get("risk_profile", "平衡型")
    
    base_strategies = [
        {
            "name": "稳健收益策略",
            "type": "保守型",
            "allocation": {"债券": "60%", "货币基金": "20%", "股票": "20%"},
            "expected_return": "4-6%",
            "max_drawdown": "8-12%",
            "suitable_for": "风险厌恶型",
            "logic": "以固收类资产为主，控制回撤"
        },
        # ... 更多策略
    ]

def _risk_optimization(self, strategies: List[Dict], user_analysis: Dict) -> Dict[str, Any]:
    """风险评估与优化 - 修复版"""
    print("   步骤4.1: Qwen风险评估与策略优化")
    
    prompt_template = """作为风险管理专家，请评估以下策略与用户风险偏好的匹配度：

策略选项：{strategies}
用户风险画像：{user_profile}

请分析：
1. 推荐策略及理由
2. 风险匹配度评估
3. 必要的策略调整建议
4. 风险控制措施

返回JSON格式。"""

def _generate_personalized_advice(self, optimized_advice: Dict, user_analysis: Dict) -> Dict[str, Any]:
    """生成个性化建议 - 修复版"""
    print("   步骤5.1: Qwen个性化建议生成")
    
    prompt_template = """作为资深顾问，请生成完整的个性化建议：

优化后的建议：{optimized_advice}
用户详细画像：{user_profile}

请生成包含以下内容的建议书：
1. 目标明确
2. 具体配置方案  
3. 实施步骤
4. 风险提示
5. 后续跟踪建议

请用专业但易懂的语言，针对用户特点个性化表达。"""

def _generate_fallback_advice(self, user_input: str) -> Dict[str, Any]:
    """生成完全备用的建议"""
    print("   🆘 启用完全备用建议模式")
    
    return {
        "reasoning_process": {
            "analysis_stages": ["备用模式"],
            "qwen_inference_used": False,
            "processing_time": "快速响应",
            "note": "主推理流程失败，使用备用方案"
        },
        # ... 简化版建议内容
    }

def _extract_json_response(self, response: str) -> Any:
    """提取JSON响应 - 增强版"""
    if not response:
        raise ValueError("空响应")
        
    # 多种方式尝试提取JSON
    json_patterns = [
        r'\{[^{}]*\{[^{}]*\}[^{}]*\}',  # 嵌套对象
        r'\{.*\}',  # 简单对象
        r'\[.*\]',  # 数组
    ]

def _update_conversation_context(self, user_id: str, user_input: str, advice: Dict):
    """更新对话上下文"""
    if user_id not in self.conversation_context:
        self.conversation_context[user_id] = {}
        
    self.conversation_context[user_id].update({
        "last_interaction": datetime.now().isoformat(),
        "last_advice_type": advice.get("recommended_strategy", {}).get("type", "未知"),
        "user_risk_profile": advice.get("user_profile_summary", {}).get("risk_profile", "未知")
    })

def _quick_intent_analysis(self, user_input: str) -> Dict[str, Any]:
    """快速意图识别 - 反应式"""
    print(" 反应式: 快速关键词提取")
    
    # 基于规则的快速解析
    intent_info = {
        "primary_intent": "资产配置",  # 因为有金额和意向
        "risk_keywords": ["中等风险"],
        "amount_mentioned": True,      # 检测到"100万"
        "time_horizon": "中期",        # 检测到"5年内"
        "urgency_level": "中"
    }
    
    # 简单金额提取
    amount_match = re.search(r'(\d+)万', user_input)
    if amount_match:
        intent_info["amount"] = f"{amount_match.group(1)}万元"
    
    return intent_info

# 处理时间: 0.1秒
# 输出: {"primary_intent": "资产配置", "amount": "100万元", ...}

def _deep_user_analysis(self, user_input: str, context: Dict) -> Dict[str, Any]:
    """深度用户理解 - 深思熟虑式"""
    print(" 深思熟虑: Qwen多维度分析")
    
    prompt = """
作为专业顾问，深度分析用户画像：
用户描述：{user_input}

请从8个维度返回JSON格式分析：
1. demographics: 年龄、职业阶段、家庭状况
2. financial_situation: 收入稳定性、负债水平、资产结构  
3. risk_profile: 风险承受能力等级和依据
4. investment_knowledge: 经验水平评估
5. psychological_factors: 损失厌恶、耐心等心理特征
6. investment_goals: 具体目标和可行性
7. constraints: 约束条件
8. lifecycle_stage: 生命周期阶段判断
"""
    
    # Qwen深度分析调用
    response = self.llm.invoke(prompt.format(user_input=user_input))
    
    # 输出示例
    return {
        "demographics": {
            "age": 35,
            "career_stage": "职业发展期", 
            "family_status": "稳定，有房有车",
            "lifecycle_stage": "积累阶段"
        },
        "financial_situation": {
            "income_stability": "高",
            "debt_level": "无负债",
            "asset_structure": "存款为主",
            "emergency_fund": "充足"
        },
        "risk_profile": {
            "level": "平衡型",
            "basis": "明确表达中等风险承受意愿",
            "max_drawdown_tolerance": "15-20%"
        },
        "investment_goals": {
            "primary": "5年内资产增长50%",
            "feasibility": "年化约8.4%，有一定挑战性",
            "time_horizon": "中期(5年)"
        }
        # ... 其他维度
    }

# 处理时间: 2-3秒
# 输出: 完整的8维度用户画像

def _qwen_risk_assessment(self, user_input: str, rule_result: Dict) -> str:
    """快速风险评估 - 反应式"""
    print(" 反应式: 针对性风险评估")
    
    prompt = """
基于用户描述快速评估风险承受能力：
用户描述：{user_input}

请用简洁语言回答：
1. 风险等级（保守/稳健/平衡/成长/积极）
2. 主要依据
3. 简要建议
"""
    
    response = self.llm.invoke(prompt)
    # 输出示例: "风险评估：平衡型\n依据：能承受中等风险...\n建议：..."
    
    return response

# 处理时间: 1秒
# 输出: 简洁的三段式风险评估

def _comprehensive_risk_assessment(self, user_profile: Dict) -> Dict[str, Any]:
    """综合风险评估 - 深思熟虑式"""
    print(" 深思熟虑: 多维度风险评估")
    
    prompt = """
基于完整用户画像进行综合风险评估：
用户档案：{user_profile}

请从以下维度评估并返回JSON：
1. risk_capacity: 风险承担能力（财务角度）
2. risk_willingness: 风险承担意愿（心理角度） 
3. composite_risk_score: 综合风险分数(0-100)
4. suitable_risk_level: 适合的风险等级
5. risk_misalignment: 风险偏好与实际能力匹配度
6. recommendation: 个性化风险建议
"""
    
    response = self.llm.invoke(prompt)
    
    return {
        "risk_capacity": {
            "score": 75,
            "factors": ["收入稳定", "无负债", "充足应急资金"],
            "assessment": "财务风险承担能力强"
        },
        "risk_willingness": {
            "score": 65, 
            "factors": ["明确中等风险偏好", "合理收益目标"],
            "assessment": "风险意愿与能力匹配"
        },
        "composite_risk_score": 70,
        "suitable_risk_level": "成长型",
        "risk_misalignment": "低",
        "recommendation": "可适当提高风险暴露至成长型水平"
    }

# 处理时间: 2秒  
# 输出: 结构化的多维度风险评估

def _qwen_portfolio_advice(self, user_input: str, rule_result: Dict) -> str:
    """快速资产配置 - 反应式"""
    print(" 反应式: 标准配置建议")
    
    prompt = """
提供简洁的资产配置建议：
用户需求：{user_input}
金额：{amount}

请提供：
1. 资产配置比例
2. 配置逻辑简述  
3. 预期风险水平
"""
    
    response = self.llm.invoke(prompt)
    # 输出示例: "配置比例：股票60%、债券30%、现金10%..."
    
    return response

# 处理时间: 1.5秒
# 输出: 文本格式的配置建议

def _generate_strategy_options(self, user_analysis: Dict, market_analysis: Dict) -> List[Dict]:
    """多策略生成 - 深思熟虑式"""
    print(" 深思熟虑: 生成3个策略选项")
    
    prompt = """
基于用户画像和市场分析生成3个策略：

用户画像：{user_profile}
市场分析：{market_analysis}

要求每个策略包含：
- 策略名称和类型
- 详细资产配置比例
- 预期收益区间
- 最大回撤估计  
- 适合画像
- 核心逻辑
- 风险收益特征
"""
    
    response = self.llm.invoke(prompt)
    
    return [
        {
            "name": "稳健平衡策略",
            "type": "平衡型",
            "allocation": {
                "A股蓝筹": "30%",
                "港股科技": "15%", 
                "利率债": "25%",
                "信用债": "20%",
                "货币基金": "10%"
            },
            "expected_return": "6-8%",
            "max_drawdown": "12-15%",
            "suitable_for": "风险偏好平衡",
            "logic": "股债均衡，侧重优质蓝筹和利率债",
            "risk_return": "中等风险中等收益"
        },
        {
            "name": "成长增值策略", 
            "type": "成长型",
            "allocation": {
                "科技成长股": "40%",
                "消费龙头": "20%",
                "可转债": "15%",
                "高收益债": "15%", 
                "黄金": "5%",
                "现金": "5%"
            },
            "expected_return": "8-10%",
            "max_drawdown": "18-22%",
            "suitable_for": "能承受较高波动的成长型",
            "logic": "侧重成长板块，搭配可转债增强收益",
            "risk_return": "中高风险中高收益"
        },
        # ... 第三个策略
    ]

# 处理时间: 3-4秒
# 输出: 3个完整的策略选项

# 反应式架构无独立风险优化环节
# 风险考虑直接融入策略生成过程
def _format_final_advice(self, qwen_response: str, rule_result: Dict) -> str:
    """格式化输出 - 包含基础风险提示"""
    advice = f"""
{qwen_response}

 风险提示：有风险，入市需谨慎
"""
    return advice

# 处理时间: 0.1秒
# 输出: 添加标准风险提示

def _risk_optimization(self, strategies: List[Dict], user_analysis: Dict) -> Dict[str, Any]:
    """风险评估优化 - 深思熟虑式"""
    print(" 深思熟虑: 策略风险评估优化")
    
    prompt = """
作为风险管理专家，评估策略与用户匹配度：

策略选项：{strategies}
用户风险画像：{user_profile}

请分析：
1. 推荐策略及匹配理由
2. 风险收益匹配度评分
3. 具体调整建议
4. 风险控制措施
5. 压力测试情景
"""
    
    response = self.llm.invoke(prompt)
    
    return {
        "recommended_strategy": "成长增值策略",
        "risk_match_score": "85/100",
        "matching_reason": "用户风险承受能力与成长型策略匹配度高",
        "adjustment_suggestions": [
            "建议将科技股比例从40%降至35%",
            "增加5%的防御性消费板块",
            "设置15%的整体止损线"
        ],
        "risk_controls": [
            "单一个股不超过组合5%",
            "行业集中度不超过25%", 
            "保留5-10%现金应对波动"
        ],
        "stress_test": {
            "market_crash": "最大回撤预计22%",
            "rate_hike": "债券部分可能下跌3-5%",
            "recession": "整体收益可能降至2-4%"
        }
    }

# 处理时间: 2秒
# 输出: 详细的风险优化建议

def _format_final_advice(self, qwen_response: str, rule_result: Dict) -> str:
    """快速格式化输出 - 反应式"""
    print(" 反应式: 标准化输出格式化")
    
    return f"""
 资产配置建议
────────────────
{qwen_response}

 生成方式：Qwen快速响应
 响应时间：< 2秒  
 温馨提示：有风险，决策需谨慎
"""

# 最终输出示例:
"""
 资产配置建议
────────────────
配置比例：股票60%、债券30%、现金10%
配置逻辑：基于中等风险偏好，侧重权益资产追求增长
预期风险：中等

 生成方式：Qwen快速响应
 响应时间：< 2秒
 温馨提示：有风险，决策需谨慎
"""

def _generate_personalized_advice(self, optimized_advice: Dict, user_analysis: Dict) -> Dict[str, Any]:
    """个性化建议生成 - 深思熟虑式"""
    print(" 深思熟虑: 生成完整建议书")
    
    prompt = """
生成完整的个性化建议书：

优化建议：{optimized_advice}
用户画像：{user_profile}

请包含以下章节：
1. 目标回顾与可行性分析
2. 推荐策略详细说明
3. 具体实施计划和时间表
4. 风险管理和控制措施
5. 绩效评估和调整机制
6. 后续服务和跟踪安排
"""
    
    final_text = self.llm.invoke(prompt)
    
    return {
        "reasoning_process": {
            "analysis_stages": ["用户画像", "市场分析", "策略生成", "风险优化", "个性化"],
            "total_qwen_calls": 5,
            "processing_time": "8秒"
        },
        "user_profile_summary": user_analysis,
        "recommended_strategy": optimized_advice["recommended_strategy"],
        "personalized_advice": final_text,
        "implementation_plan": {
            "phase1": "第1个月：建立60%核心仓位",
            "phase2": "第2-3个月：逐步加仓至目标配置", 
            "phase3": "第4-6个月：优化调整，完成建仓"
        },
        "risk_management": optimized_advice["risk_controls"],
        "monitoring_schedule": "月度表现回顾，季度策略调整"
    }

# 最终输出: 完整的结构化建议报告

# 用户需要即时答案
if query_complexity == "simple" and response_time_requirement == "fast":
    use_reactive_architecture()
    
# 标准化咨询场景  
elif scenario in ["customer_service", "quick_consultation"]:
    use_reactive_architecture()
    
# 资源受限环境
elif computational_resources == "limited":
    use_reactive_architecture()

# 重大决策
if decision_importance == "high" and investment_amount == "large":
    use_deliberative_architecture()

# 复杂个人情况
elif user_situation_complexity == "high":
    use_deliberative_architecture()

# 长期财务规划  
elif time_horizon == "long_term" and planning_depth == "comprehensive":
    use_deliberative_architecture()