❄️ 哈尔滨冰雪大世界：舆情决策系统

本项目是一款基于 LangGraph 状态机架构和 FAISS 向量数据库开发的“数字孪生”舆情演化沙盘。系统专为哈尔滨冰雪大世界旅游危机管理设计，通过多智能体（Multi-Agent）协同辩论与 RAG 检索增强技术，将海量原始舆情数据转化为可落地的应急响应方案。

项目结构 (Project Structure)

HarbinIceSnowOpinionDecision/  <-- 主文件夹
├── main.py                    <-- 核心代码
├── README.md                  <-- 说明文档
├── requirements.txt           <-- 环境依赖
└── data                      <-- 舆情数据文件夹
    ├── 情感极性分析结果1.xlsx   <-- 原始数据文件
    ├── 情感极性分析结果2.csv
    └── ...
​

项目核心内容 (Project Content)

1. 语义感知引擎 (Vector RAG)

系统集成 DashScope Text-Embedding 技术，实现了超越关键词匹配的深度语义理解。当突发危机发生时，系统能自动识别“排队受罪”与“现场管理缺失”之间的关联，并从历史库中检索最具对标价值的案例。

2. 多智能体分层决策 (Multi-Agent Hierarchical Logic)

系统模拟真实景区的应急决策链，由四个垂直职能的智能体协同作业：

• ️ 运营总监 (Op Agent)：输出现场即时管控建议，侧重人力分流与物资调配。
• 财务总监 (Fin Agent)：根据情绪极性核算退赔预算，进行资金风险管控。
• 公关总监 (PR Agent)：融合各部门意见，撰写符合品牌基调的正式对外通稿。
• 压力仿真 (Supervisor)：模拟网民矩阵进行量化评分，预测方案发布后的社会反馈。

3. 动态发酵预测曲线 (Visual Simulation)

结合 Plotly 动态渲染技术，系统会根据推演分数生成未来 72 小时的“负面压力演化曲线”，直观展示危机从爆发到回归“安全区”的预测轨迹。

️ 环境准备与部署 (Getting Started)

1. 环境准备

• Python 版本：推荐使用 Python 3.10 或以上版本。
• API 密钥：本系统依赖通义千问大模型，请准备好 DashScope API Key。
• ** 温馨提示**：通义千问在处理中文旅游语境（如“尔滨梗”）时理解更为细腻，且响应极其迅速。

2. 本地部署步骤

在终端（Terminal）中依次执行以下指令：

1. 克隆/下载本项目至本地文件夹。
2. 安装核心依赖：

   pip install streamlit pandas plotly scikit-learn dashscope faiss-cpu langchain-community langchain-openai langgraph python-dotenv
   ​

3. 配置数据：
   data/ 文件夹内的舆情数据。
4. 启动沙盘：

   streamlit run main.py
   ​

本地运行说明 (Execution Guide)

1. 首次初始化

• 系统启动后，请在侧边栏输入您的 API Key。
• 注意：首次运行会显示 正在分批构建索引...。系统会将 1900 条数据分为若干批次进行向量化处理，耗时约 1-3 分钟。
• 构建完成后，本地会生成 faiss_local_index 文件夹。后续所有启动都将实现 0.1 秒极速加载。

2. 闭环干预 (Human-in-the-loop)

• 若对生成的公关通稿不满意，可直接在底部聊天框发送修改指令（例如：“态度再诚恳一点”）。
• 系统将触发 rework 逻辑，各部门智能体会基于新指令重新流转并更新方案。

3. 缓存刷新

• 若您在 data 中新增了原始数据，请手动删除 faiss_local_index 文件夹。系统重启后会重新扫描并构建最新的语义“大脑”。

⚖️ 免责声明

本系统为仿真演化系统，其生成的决策建议仅供 AI 技术实战展示与学术研究参考，不代表真实的景区运营指导建议。

​