该项目面向车险欺诈识别场景。传统机器学习模型虽然能够输出欺诈风险评分，但存在召回率和准确率难以兼顾的问题：如果阈值设得较高，容易漏掉潜在欺诈案件；如果阈值降低，又会引入较多误报，增加人工复核压力。因此，我在原有机器学习模型基础上引入大模型能力，主要做了两方面工作。第一，构建“机器学习初筛 + 大模型二次复核”的流程。通过降低机器学习模型的判定阈值，优先提高可疑案件召回率，再将召回出的疑似欺诈案件交

请求入口：核心代码：其中rag_agent_service.query是Rag Agent中的异步方法，使用await等待其运行结果保存在answer。在return中会将answer封装在data中作为HTTP 响应进行返回。，会通过 FastAPI 框架自动发送回 发起 /chat 请求的客户端AgentState 是一个 类型提示类（TypedDict），用来告诉 LangGraph：“这个

请求入口：核心代码：其中rag_agent_service.query是Rag Agent中的异步方法，使用await等待其运行结果保存在answer。在return中会将answer封装在data中作为HTTP 响应进行返回。，会通过 FastAPI 框架自动发送回 发起 /chat 请求的客户端AgentState 是一个 类型提示类（TypedDict），用来告诉 LangGraph：“这个

目前主流的Java AI开发框架：Spring AI、LangChain4j，提供大量开箱即用的API调大模型和AI开发常用功能如：