Skip to content

Block 07: Von Q&A zu Routing & Entscheidungslogik

Multi-Chain-Flows für Finance & Risk

Zeitbedarf: 45–50 Minuten

Lernziele & Theorieteil

In diesem Block erweitern Sie Ihr Wissen über einfache RAG-Systeme und lernen, wie komplexere Entscheidungslogik in LLM-Anwendungen implementiert wird. Sie verstehen, wie Routing-Mechanismen und spezialisierte Agenten verwendet werden können, um fachspezifische Anfragen aus Finance, Risk und Controlling gezielt zu bearbeiten.

Kernkonzepte: Conditional Chains ermöglichen es, Anfragen basierend auf ihrem Inhalt an verschiedene spezialisierte Agenten weiterzuleiten. Decision Trees strukturieren komplexe Entscheidungsprozesse, während Multi-RAG-Systeme themenspezifische Dokumentensammlungen intelligent auswählen. Diese Techniken sind besonders wertvoll für Compliance-Prüfungen, Risikobewertungen und die Automatisierung von Finanzanalysen.

LangFlow bietet eine visuelle Oberfläche zur Modellierung dieser komplexen Flows, die später in produktive LangGraph-Implementierungen überführt werden können.

Routing-Konzept

Aufgaben & Übungen

Übung 1: Finance & Risk Router erstellen

Ziel: Implementierung eines grundlegenden Routers, der Anfragen an spezialisierte Agenten (Finance, Risk, ESG) weiterleitet.

# Router-Template für LangFlow
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:
"""

Testfragen: - "Wie berechne ich den ROI für unser neues Fintech-Projekt?" - "Welche regulatorischen Anforderungen gelten für unser Kreditrisikomanagement?" - "Wie integrieren wir CO2-Emissionen in unseren Quartalsbericht?"

LangFlow-Template: 📁 basic_router_flow.json

Übung 2: Multi-RAG mit Conditional Routing

Ziel: Erweiterung des Routers um dokumentenbasierte Antworten mit spezialisierten Vektorstores für Finance-, Risk- und ESG-Dokumente.

Decision Tree

Schritte: 1. Spezialisierte Vektorstores für jeden Fachbereich erstellen 2. Conditional Routing basierend auf Query-Klassifikation implementieren 3. RetrievalQA-Chains mit fachspezifischen Prompts konfigurieren

LangFlow-Template: 📁 multi_rag_conditional_routing.json

Übung 3: Compliance-Entscheidungsbaum

Ziel: Mehrstufiger Entscheidungsbaum für automatisierte Compliance-Prüfungen mit Risk-Level-Klassifikation (HIGH_RISK, MEDIUM_RISK, LOW_RISK, NO_RISK).

LangFlow-Template: 📁 hierarchical_decision_tree.json

Erweiterte Flows: 📁 parallel_multi_agent_system.json

Benötigte Daten & Assets

Starter-Code

LangFlow-Templates

Visuals

LangFlow Interface

Beispieldokumente

Hinweis: Für die praktischen Übungen benötigen Sie: - Finanzberichte (PDF) für Finance-Agent - Compliance-Richtlinien für Risk-Agent
- ESG-Berichte für ESG-Agent -

Setup & Konfiguration

Requirements

API-Keys erforderlich

OPENAI_API_KEY=your_openai_key_here
LANGFLOW_API_KEY=your_langflow_key_here  # Optional

Installation

pip install -r requirements.txt
streamlit run D2B3_02_solution_call_report_app.py

Musterlösung & Lehrmaterial

🔒 Nur für Lehrende - Klicken zum Aufklappen ### Vollständige Lösungen - **Router-Implementierung:** - **Multi-RAG-Lösung:** - **Compliance-Bot:** ### Bewertungskriterien - **Rubric:** - **Musterbewertung:** ### Präsentationsmaterialien - **Lehrerfolien:** - **Live-Demo-Skripte:**

Hinweise & Troubleshooting

Häufige Probleme

🔧 OpenAI API-Fehler

# Prüfen Sie die API-Key-Konfiguration
import openai
openai.api_key = "your-key-here"

🔧 LangFlow-Setup - Port 7860 muss frei sein - Browser-Kompatibilität: Chrome/Firefox empfohlen - Falls Flows nicht laden: JSON-Syntax mit JSON-Validator prüfen

🔧 Vectorstore-Probleme - Embeddings-Modell muss konsistent sein - Chunk-Size bei großen Dokumenten anpassen (empfohlen: 1000 Tokens) - FAISS vs. Chroma: FAISS für Performance, Chroma für Persistierung

Performance-Tipps

  • Router-Entscheidungen mit Temperature=0.0 für Konsistenz
  • Parallel Processing bei Multi-Agent-Systemen aktivieren
  • Caching für wiederkehrende Queries implementieren

Support

  • Technische Fragen: Kurs-Forum
  • API-Probleme: OpenAI-Dokumentation konsultieren
  • LangFlow-Issues: Community-Discord