# 准入

**Repository Path**: ding-yuwei/access

## Basic Information

- **Project Name**: 准入
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-12-22
- **Last Updated**: 2026-02-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# AI智能核查引擎

基于Django 5.2+ + Django REST Framework (DRF) 实现的AI智能核查引擎后端API系统。

## 功能特性

- ✅ 客户准入申请管理
- ✅ AI智能核查（异步处理）
- ✅ 风险评分计算（XGBoost模型）
- ✅ 知识图谱查询（Neo4j）
- ✅ 决策理由生成（OpenAI/LLM）
- ✅ 批量核查支持
- ✅ 任务状态追踪
- ✅ RESTful API接口

## 技术栈

- **Web框架**: Django 5.2+
- **API框架**: Django REST Framework
- **异步任务**: Celery + Redis
- **数据库**: MySQL 8.0+ / PostgreSQL
- **缓存**: Redis
- **机器学习**: XGBoost
- **图数据库**: Neo4j
- **AI模型**: OpenAI API / 本地LLM

## 项目结构

```
zhunru/
├── manage.py
├── requirements.txt
├── .env.example
├── zhunru/
│   ├── __init__.py
│   ├── settings.py
│   ├── urls.py
│   ├── wsgi.py
│   ├── asgi.py
│   └── celery.py
└── ai_check_engine/
    ├── __init__.py
    ├── apps.py
    ├── models.py
    ├── serializers.py
    ├── views.py
    ├── urls.py
    ├── admin.py
    ├── engine.py
    └── tasks.py
```

## 安装和配置

### 1. 环境要求

- Python 3.11+
- MySQL 8.0+ / PostgreSQL 12+
- Redis 6+
- Neo4j 5+ (可选)

### 2. 安装依赖

#### 方式一：使用 Conda（推荐）

```bash
# 创建conda环境并安装依赖
conda env create -f environment.yml

# 或者直接创建Python 3.11环境
conda create -n zhunru python=3.11.14

# 激活环境
conda activate zhunru

# 如果环境已存在，可以更新
conda env update -f environment.yml --prune
```

#### 方式二：使用 pip + venv

```bash
# 创建虚拟环境
python -m venv venv

# 激活虚拟环境
# Windows
venv\Scripts\activate
# Linux/Mac
source venv/bin/activate

# 安装依赖
pip install -r requirements.txt
```

### 3. 配置环境变量

复制 `.env.example` 为 `.env` 并修改配置：

```bash
cp .env.example .env
```

编辑 `.env` 文件，填入实际的配置信息。

### 4. 数据库迁移

```bash
# 创建数据库迁移文件
python manage.py makemigrations

# 执行数据库迁移
python manage.py migrate

# 创建超级用户（可选）
python manage.py createsuperuser
```

### 5. 启动服务

#### 启动Django开发服务器

```bash
python manage.py runserver
```

#### 启动Celery Worker

```bash
# Windows (需要安装 eventlet)
pip install eventlet
celery -A zhunru worker -l info -P eventlet

# Linux/Mac
celery -A zhunru worker -l info
```

#### 启动Celery Beat (如果需要定时任务)

```bash
celery -A zhunru beat -l info
```

## API端点

### 1. 发起AI核查

**POST** `/api/check/initiate/`

请求体：
```json
{
    "client_name": "张三",
    "client_id": "C001",
    "company_name": "测试公司",
    "application_type": "企业贷款",
    "application_data": {
        "amount": 1000000,
        "term": 12
    }
}
```

响应：
```json
{
    "message": "AI核查任务已启动",
    "check_id": "uuid",
    "task_id": "celery-task-id",
    "status": "running"
}
```

### 2. 获取核查状态

**GET** `/api/check/{id}/status/`

响应：
```json
{
    "id": "uuid",
    "check_status": "running",
    "decision": null,
    "task_id": "celery-task-id",
    "started_at": "2024-01-01T10:00:00Z",
    "completed_at": null,
    "progress": 50.0
}
```

### 3. 获取核查报告

**GET** `/api/check/{id}/report/`

响应：
```json
{
    "id": "uuid",
    "client_application": {...},
    "check_status": "completed",
    "decision": "approved",
    "risk_scores": [...],
    "decision_reasons": [...],
    "check_details": {...}
}
```

### 4. 批量核查

**POST** `/api/check/batch/`

请求体：
```json
{
    "applications": [
        {
            "client_name": "张三",
            "client_id": "C001",
            "company_name": "测试公司1",
            "application_type": "企业贷款",
            "application_data": {}
        },
        {
            "client_name": "李四",
            "client_id": "C002",
            "company_name": "测试公司2",
            "application_type": "企业贷款",
            "application_data": {}
        }
    ]
}
```

## 核心模型

### ClientApplication (客户准入申请)
- `id`: UUID主键
- `client_name`: 客户名称
- `client_id`: 客户ID（唯一）
- `company_name`: 公司名称
- `application_type`: 申请类型
- `application_data`: 申请数据（JSON）
- `status`: 状态（pending/processing/completed/failed）

### AICheckResult (AI核查结果)
- `id`: UUID主键
- `client_application`: 关联的客户申请
- `check_status`: 核查状态
- `decision`: 决策结果（approved/rejected/pending_review）
- `task_id`: Celery任务ID
- `raw_data`: 原始数据
- `check_details`: 核查详情

### RiskScore (风险评分)
- `id`: UUID主键
- `ai_check_result`: 关联的核查结果
- `score_type`: 评分类型
- `score_value`: 评分值
- `risk_level`: 风险等级
- `factors`: 影响因素

### DecisionReason (决策理由)
- `id`: UUID主键
- `ai_check_result`: 关联的核查结果
- `reason_type`: 理由类型
- `reason_text`: 理由文本
- `confidence`: 置信度
- `supporting_evidence`: 支持证据

## AI引擎

`AICheckEngine` 类提供以下核心方法：

- `run_check(client_id)`: 执行完整核查流程
- `call_external_apis(client_id)`: 调用外部数据源
- `query_knowledge_graph(client_id)`: 查询Neo4j知识图谱
- `calculate_risk_score(...)`: 计算风险评分
- `generate_decision_reason(...)`: 生成决策理由
- `generate_report(...)`: 生成核查报告

## 开发说明

### 添加新的外部数据源

在 `engine.py` 的 `call_external_apis` 方法中添加新的API调用。

### 自定义风险评分模型

1. 训练XGBoost模型并保存
2. 在 `engine.py` 的 `_initialize_components` 方法中加载模型
3. 在 `calculate_risk_score` 方法中使用模型进行预测

### 集成其他LLM

修改 `engine.py` 的 `generate_decision_reason` 方法，添加对其他LLM API的支持。

## 测试

```bash
# 运行测试
python manage.py test

# 运行特定测试
python manage.py test ai_check_engine.tests
```

## 部署

### 生产环境配置

1. 设置 `DEBUG=False`
2. 配置 `ALLOWED_HOSTS`
3. 使用环境变量管理敏感信息
4. 配置HTTPS
5. 使用生产级数据库和缓存
6. 配置日志系统
7. 使用进程管理器（如supervisor）管理Celery worker

## 许可证

MIT License

## 联系方式

如有问题，请提交Issue或联系开发团队。