REDAME_de.md

🤖 Multimodales Marktanalyse-Agentensystem

Dies ist ein generatives Multiagenten-KI-System zur Finanzanalyse. Es kombiniert dokumentenbasiertes Retrieval (RAG), Prognosemodelle und Echtzeit-Marktdaten. Das System wurde mit LangGraph, LangChain und Google Gemini (mit Hugging Face als Fallback) aufgebaut und verarbeitet reale Investor-Relations-Dokumente (IR) von Apple, Google, Meta, Microsoft und NVIDIA (2020–2024).

🚀 Funktionen

• IR-Dokumentensuche (RAG) mit Quellangaben
• Finanzprognosen und Trendanalysen mit Prophet
• Echtzeit-Nachrichten & Aktienpreise über Tavily API
• Modulares Multiagenten-System mit zentralem Koordinator-Agent
• Gradio-UI für benutzerfreundliche Eingabe und Visualisierung

---

📂 Projektstruktur

FINAL_Multi_Agent/
├── app_gradio.py              # Gradio-Oberfläche (Startpunkt)
├── requirements.txt
├── README.md
│
├── agents/
│   ├── agent_rag.py          # Dokumentenagent (RAG)
│   ├── agent_analysis.py     # Prognosen und Vergleiche (Prophet)
│   ├── agent_web.py          # Echtzeitdaten (Tavily)
│   └── coordinator_agent.py  # Koordinations-Agent (Supervisor)
│
├── utils/
│   ├── llm_utils.py          # Auswahl von Gemini / HuggingFace
│   └── data_loader.py        # CSV-Erzeugung aus IR-Daten
│
├── data/                     # IR-Dokumente (PDFs)
├── chroma_db/                # Vektor-Datenbank für RAG
├── data_outputs/             # Verarbeitete CSV-Dateien

---

🔧 Agentenübersicht

✨ RAG-Agent (agent_rag.py)

• Tools: search_ir_docs, list_sources
• Zweck: Durchsucht IR-Dokumente über Chroma Vektorsuche

⚖️ Analyse-Agent (agent_analysis.py)

• Tools: forecast_metric, compare_metric
• Zweck: Erstellt Finanzprognosen und Vergleiche mit Prophet & Matplotlib

📈 Web-Agent (agent_web.py)

• Tools: get_stock_price, get_market_news
• Zweck: Holt Live-Marktdaten über Tavily-API (mit Fallback)

🤖 Koordinator-Agent (coordinator_agent.py)

• Rolle: Leitet Nutzerfragen an passende Agenten und Tools weiter
• Tool-Aufrufe: route_to_rag, route_to_analysis, route_to_web

---

📊 Datenaufbereitung

Alle Finanzkennzahlen werden über utils/data_loader.py erzeugt. Das Skript liest IR-Dokumente aus und erstellt:

• financial_metrics_extracted.csv in data_outputs/
• Chroma Vektor-Datenbank wird bei Bedarf automatisch erstellt

---

⚙️ Setup & Start

# Umgebung erstellen (optional mit conda)
conda create -n market-agent python=3.10
conda activate market-agent

# Abhängigkeiten installieren
pip install -r requirements.txt

# Lokalen Start ausführen
python app_gradio.py

---

🚧 Deployment (Hugging Face Spaces)

• App basiert auf gr.Blocks()
• matplotlib.use("Agg") ist gesetzt für Headless-Betrieb
• Diagramme werden direkt in der Gradio-Oberfläche angezeigt

---

📅 Datengrundlage

• Alle Dokumente stammen von offiziellen Investor-Relations-Seiten von:

  • Apple, Microsoft, Google, NVIDIA, Meta
  • Jahresberichte, Quartalszahlen, Präsentationen (2020–2024)

---

🙌 Mitwirkende

Dieses Projekt wurde von einem studentischen Team im Rahmen des Generative AI Agile Project (Sommer 2025) entwickelt. Die Commit-Historie dokumentiert den Fortschritt. Das Projekt entspricht den akademischen Richtlinien.

---

🎓 Lizenz

MIT-Lizenz (ausschließlich für Bildungszwecke).