Skip to content

Block 07 – Routing & Decision Logic

Haufe AI Automation Kurs | Tag 2 - Block 3
Zeitbedarf: 45-50 Minuten | Schwierigkeitsgrad: Fortgeschritten
Thema: Multi-Chain-Flows für Finance & Risk Management

🎯 Lernziele

Nach diesem Block können Sie: - Conditional Chains und Routing-Mechanismen implementieren - Spezialisierte Agenten für Finance, Risk und ESG entwickeln - Multi-RAG-Systeme mit themenspezifischen Dokumentensammlungen aufbauen - Komplexe Entscheidungslogik für Compliance und Risikobewertung erstellen

📖 Theorie

Theorie ansehen

Verstehen Sie Routing-Konzepte, Decision Trees und Multi-Agent-Systeme für intelligente Finanzanwendungen.

💻 Übung

Aufgabe öffnen

Von Finance & Risk Routern bis zu automatisierten Compliance-Entscheidungsbäumen.

✅ Lösung

Lösung anzeigen

Vollständige Router-Implementierungen und Multi-Agent-Systeme mit Bewertungskriterien.

🔀 Routing & Intelligente Weiterleitung

Kernkonzepte

Conditional Chains ermöglichen intelligente Entscheidungen: - Query-Klassifikation: Automatische Erkennung des Anfrage-Typs - Spezialisierte Agenten: Finance, Risk, ESG, Compliance - Decision Trees: Strukturierte Entscheidungsprozesse - Multi-RAG: Themenspezifische Dokumentensammlungen

Anwendungsfälle

Besonders wertvoll für: - Compliance-Prüfungen: Automatisierte Regelwerk-Anwendung - Risikobewertungen: Risk-Level-Klassifikation - Finanzanalysen: Spezialisierte KPI-Berechnungen - ESG-Reporting: Nachhaltigkeits-Metriken

🗂️ Assets

🛠️ Hauptübungen

1. Finance & Risk Router

Ziel: Grundlegender Router für spezialisierte Agenten
Agenten: Finance, Risk, ESG, General
Output: Intelligente Weiterleitung basierend auf Query-Typ

Test-Queries: - Finance: "Wie berechne ich den ROI für unser Fintech-Projekt?" - Risk: "Welche regulatorischen Anforderungen gelten für Kreditrisiken?" - ESG: "Wie integrieren wir CO2-Emissionen in den Quartalsbericht?"

2. Multi-RAG mit Conditional Routing

Ziel: Dokumentenbasierte Antworten mit spezialisierten Vectorstores
Features: Fachspezifische Prompts, Vectorstore-Selection
Output: Präzise Antworten aus relevanten Dokumentensammlungen

3. Compliance-Entscheidungsbaum

Ziel: Automatisierte Compliance-Prüfungen
Risk-Levels: HIGH_RISK, MEDIUM_RISK, LOW_RISK, NO_RISK
Output: Strukturierte Risikobewertung mit Handlungsempfehlungen

💡 Praktische Code-Beispiele

Router-Template

router_template = """
Du bist ein Routing-System für ein Finanz- und Risikomanagement-Tool.
Analysiere die folgende Anfrage und entscheide, welcher spezialisierte Agent 
am besten geeignet ist, um sie zu beantworten.

Anfrage: {query}

Wähle genau EINEN der folgenden Agenten:
- FINANCE: Für Fragen zu Finanzkennzahlen, Reporting, Controlling
- RISK: Für Fragen zu Risikobewertung, Compliance, Regulierung  
- ESG: Für Fragen zu Nachhaltigkeit, ESG-Reporting, Umweltrisiken
- GENERAL: Für allgemeine Fragen

Antwort:
"""

Multi-RAG Setup

# Spezialisierte Vectorstores
finance_vectorstore = create_vectorstore("finance_docs/")
risk_vectorstore = create_vectorstore("risk_docs/")
esg_vectorstore = create_vectorstore("esg_docs/")

# Conditional Routing
def route_query(query):
    agent_type = classify_query(query)

    if agent_type == "FINANCE":
        return finance_chain.run(query)
    elif agent_type == "RISK":
        return risk_chain.run(query)
    elif agent_type == "ESG":
        return esg_chain.run(query)
    else:
        return general_chain.run(query)

⚙️ Setup-Anforderungen

Python-Pakete

pip install langchain langflow streamlit
pip install openai chromadb pypdf

API-Keys erforderlich

# .env Datei
OPENAI_API_KEY=your_openai_key_here
LANGFLOW_API_KEY=your_langflow_key_here  # Optional

LangFlow Setup

# LangFlow starten
langflow run --host 0.0.0.0 --port 7860

# Browser öffnen
http://localhost:7860

Dokumentensammlungen

  • Finance-Docs: Finanzberichte, KPI-Dokumentation
  • Risk-Docs: Compliance-Richtlinien, Regulierungen
  • ESG-Docs: Nachhaltigkeitsberichte, ESG-Metriken

🔧 Troubleshooting

Häufige Probleme

  • API-Key Fehler: Konfiguration prüfen (echo $OPENAI_API_KEY)
  • LangFlow-Setup: Port 7860 muss frei sein, Chrome/Firefox verwenden
  • JSON-Syntax: Flows mit JSON-Validator überprüfen
  • Vectorstore-Probleme: Konsistente Embeddings-Modelle verwenden

Performance-Tipps

  • Router-Entscheidungen: Temperature=0.0 für Konsistenz
  • Parallel Processing: Bei Multi-Agent-Systemen aktivieren
  • Caching: Für wiederkehrende Queries implementieren
  • Chunk-Size: 1000 Tokens bei großen Dokumenten

Debug-Strategien

# Router-Entscheidung tracken
print(f"Query: {query}")
print(f"Classified as: {agent_type}")
print(f"Using vectorstore: {selected_store}")

# Source-Dokumente anzeigen
result = chain.run(query, return_source_documents=True)
print("Sources:", result["source_documents"])

🔙 Zurück zur Startseite