Multi-agent dokumentintelligensAII drift
AgentFlow
Multi-agent-platform, der forvandler komplekse forretningsfiler til kildeangivne og efterprøvelige ledelsesbriefinger.
Resultat
85 % kortere tid til dokumentgennemgang
Problemet
Ledere spilder timer på manuelt at koge komplekse CSV-, Excel-, PDF- og DOCX-filer ned til brugbare resuméer.
Det jeg byggede
Der blev bygget en orkestreret DAG af fem specialiserede LLM-agenter (Orchestrator, Ingest, Retrieval, Verifier, Summarizer) med LangGraph plus hybrid semantisk søgning og RAG.
Resultatet
Hver briefing er automatisk forankret i kildedokumenterne, med stramme kildeangivelser og markerede risici.
Sådan virker det
- 01
Filer lander i Ingest, som normaliserer CSV, Excel, PDF og DOCX til én opdelt og vektoriseret repræsentation.
- 02
Orchestrator afgør, hvilke agenter der kører for netop denne forespørgsel, i stedet for at køre hele grafen hver gang.
- 03
Retrieval kører hybrid søgning over stumperne: tætte embeddings for betydning, nøgleordsmatch for det præcise tal eller den præcise klausul.
- 04
Verifier holder hver påstand i udkastet op mod den fremsøgte passage og kasserer eller markerer alt, den ikke kan forankre.
- 05
Summarizer skriver briefingen med kildeangivelser vedhæftet, og risici, den ikke kunne verificere, fremhæves i stedet for at blive glattet ud.
AI-laget
Fem agenter i en LangGraph-DAG med adskilte ansvarsområder, fordi én prompt, der skal indlæse, fremsøge, verificere og opsummere, gør alle fire dele dårligt. Verifier er den bærende del: den findes, for at ingen ubelagt sætning når frem til briefingen.
Engineeringlaget
Omkring den ligger en FastAPI-tjeneste med dokumentlæsning pr. format, baggrundsjob til alt, der er langsomt nok til at time en forespørgsel ud, og et vektorlager, retrieval-trinnet læser fra. Kildeangivelser gemmes som intervaller tilbage i kildefilen, ikke som tekst modellen gentog.
Centrale tekniske beslutninger
En verifier-agent frem for en streng prompt.
At bede en model om kun at hævde det, den kan belægge, holder ikke over et langt dokument. En separat runde, der holder hver påstand op mod en fremsøgt passage, holder, fordi det er et andet spørgsmål med et efterprøveligt svar.
Hybrid retrieval, ikke embeddings alene.
Tæt søgning er god til betydning og upålidelig ved præcise tokens. Finansielle briefinger hænger på præcise tokens: et tal, en dato, et klausulnummer.
En DAG, ikke en samtale mellem agenter.
Fri snak mellem agenter er svær at fejlsøge og ubegrænset i omkostning. En eksplicit graf gør hver kørsel reproducerbar og hvert trin gennemsigtigt.