步驟1.1 - 快速意圖識別
├── 輸入: 用户原始查詢文本
├── 處理: Qwen快速分析 + 規則引擎
├── 輸出: 結構化意圖信息
└── 示例輸出:
    {
        "primary_i***": "風險評估",
        "risk_keywords": ["保守", "穩健"],
        "amount_mentioned": true,
        "time_horizon": "中期",
        "urgency_level": "中"
    }

步驟2.1 - 規則引擎分類
├── 輸入: 意圖信息
├── 處理: 並行規則匹配
├── 輸出: 處理類別和參數
└── 分類邏輯:
    IF 意圖=風險評估 → 類別="快速風險評估"
    IF 意圖=資產配置 AND 有金額 → 類別="標準資產配置"  
    IF 意圖=產品推薦 → 類別="產品推薦"
    ELSE → 類別="一般諮詢"

步驟3.1 - 針對性Prompt構造
├── 風險評估Prompt:
    "作為專業投資顧問，請基於用户描述快速評估風險承受能力..."
├── 資產配置Prompt:  
    "作為專業投資顧問，請提供簡潔的資產配置建議..."
├── 產品推薦Prompt:
    "作為專業投資顧問，請推薦適合的投資產品..."
└── 通用諮詢Prompt:
    "作為專業投資顧問，請回答以下投資相關問題..."

步驟4.1 - 統一格式化
├── 添加響應頭信息
├── 插入風險提示
├── 標準化輸出格式
└── 最終輸出示例:
     快速風險評估結果
    ────────────────
    風險評估：平衡型
    依據：投資經驗豐富，能承受適度波動
    建議：可配置50-60%權益類資產

步驟5.1 - 對話記憶管理
├── 存儲用户ID和交互記錄
├── 維護最近10次對話
├── 為後續交互提供上下文
└── 存儲結構:
    {
        "user_001": [
            {
                "timestamp": "2024-01-20 10:30:00",
                "intent": "風險評估", 
                "category": "快速風險評估",
                "risk_level": "平衡型"
            }
        ]
    }

class ReactiveArchitecture:
    def process_query(self, user_input: str) -> str:
        # 1. 意圖識別模塊
        intent_info = self._quick_intent_analysis(user_input)
        
        # 2. 規則分類模塊
        category = self._rule_based_classification(intent_info)
        
        # 3. 針對性處理模塊
        response = self._targeted_processing(user_input, category)
        
        # 4. 輸出格式化模塊
        final_advice = self._format_output(response, category)
        
        return final_advice

class RuleEngine:
    def apply_rules(self, intent_info: Dict) -> str:
        rules = [
            {
                "condition": lambda i: i["primary_in*t"] == "風險評估",
                "action": "quick_risk_assessment"
            },
            {
                "condition": lambda i: i["primary_in*t"] == "資產配置" and i["amount_mentioned"],
                "action": "portfolio_advice" 
            },
            # ... 更多規則
        ]
        
        for rule in rules:
            if rule["condition"](intent_info):
                return rule["action"]

"""
基於Qwen的反應式智能投資顧問 - 結合規則引擎與大模型快速響應
"""

class QwenReactiveAdvisor:
    def __init__(self):
        self.llm = Tongyi(
            model_name="qwen-turbo", 
            dashscope_api_key=os.getenv('DASHSCOPE_API_KEY', '')
        )
        self.rule_engine = RuleEngine()
        self.conversation_memory = {}

def process_query(self, user_id: str, user_input: str) -> str:
    """處理用户查詢的完整反應式流程"""
    print("開始Qwen反應式處理流程...")
    
    # 步驟1: 快速解析用户意圖
    print("步驟1: 解析用户意圖和關鍵信息")
    intent_info = self._quick_intent_analysis(user_input)
    print(f"   意圖分析: {intent_info}")
    
    # 步驟2: 應用規則引擎進行初步分類
    print("步驟2: 規則引擎快速分類")
    rule_result = self.rule_engine.apply_rules(intent_info)
    print(f"   規則分類: {rule_result['category']}")
    
    # 步驟3: 基於分類調用相應的Qwen處理
    print("步驟3: Qwen針對性處理")
    qwen_response = self._qwen_targeted_processing(user_input, rule_result)
    
    # 步驟4: 生成格式化的最終建議
    print("步驟4: 生成最終建議")
    final_advice = self._format_final_advice(qwen_response, rule_result)
    
    # 更新對話記憶
    self._update_conversation_memory(user_id, intent_info, rule_result)
    
    return final_advice

def _quick_intent_analysis(self, user_input: str) -> Dict[str, Any]:
    """使用Qwen快速分析用户意圖"""
    prompt = PromptTemplate(
        input_variables=["user_input"],
        template="""請快速分析以下規劃諮詢的意圖和關鍵信息，用JSON格式返回：
用户輸入：{user_input}

請返回JSON格式：
{
    "primary_in*t": "風險評估|資產配置|產品推薦|知識問答",
    "risk_keywords": ["關鍵詞1", "關鍵詞2"],
    "amount_mentioned": true/false,
    "time_horizon": "短期|中期|長期|未提及",
    "urgency_level": "高|中|低"
}

只返回JSON，不要其他內容。"""
    )

def _fallback_intent_analysis(self, user_input: str) -> Dict[str, Any]:
    """備用規則意圖分析"""
    input_lower = user_input.lower()
    
    intent_info = {
        "primary_in*t": "知識問答",
        "risk_keywords": [],
        "amount_mentioned": False,
        "time_horizon": "未提及",
        "urgency_level": "中"
    }
    
    # 意圖判斷 - 基於關鍵詞匹配
    if any(word in input_lower for word in ['風險', '保守', '激進', '承受']):
        intent_info["primary_intent"] = "風險評估"
    elif any(word in input_lower for word in ['配置', '分配', '比例', '組合']):
        intent_info["primary_intent"] = "資產配置"
    # ... 更多規則

class RuleEngine:
    def _initialize_rules(self):
        """初始化規則"""
        return [
            {
                "name": "風險評估規則",
                "condition": lambda intent: intent.get("primary_intent") == "風險評估",
                "action": lambda intent: {
                    "category": "快速風險評估",
                    "risk_profile": self._assess_risk_profile(intent),
                    "priority": "high"
                }
            },
            {
                "name": "資產配置規則", 
                "condition": lambda intent: intent.get("primary_intent") == "資產配置" and intent.get("amount_mentioned"),
                "action": lambda intent: {
                    "category": "標準資產配置",
                    "amount": self._extract_amount(intent),
                    "time_horizon": intent.get("time_horizon", "中期"),
                    "priority": "high"
                }
            },
            # ... 更多規則
        ]

def apply_rules(self, intent_info: Dict) -> Dict:
    """應用規則"""
    for rule in self.rules:
        if rule["condition"](intent_info):
            result = rule["action"](intent_info)
            print(f"   觸發規則: {rule['name']}")
            return result
    return {"category": "一般諮詢", "priority": "low"}

def _qwen_targeted_processing(self, user_input: str, rule_result: Dict) -> str:
    """基於分類的Qwen針對性處理"""
    
    category = rule_result['category']
    
    if category == "快速風險評估":
        return self._qwen_risk_assessment(user_input, rule_result)
    elif category == "標準資產配置":
        return self._qwen_portfolio_advice(user_input, rule_result)
    elif category == "產品推薦":
        return self._qwen_product_recommendation(user_input, rule_result)
    else:
        return self._qwen_general_advice(user_input)

def _qwen_risk_assessment(self, user_input: str, rule_result: Dict) -> str:
    """Qwen風險評估"""
    prompt = PromptTemplate(
        input_variables=["user_input", "risk_profile"],
        template="""作為專業投資顧問，請基於以下用户描述快速評估風險承受能力：

用户描述：{user_input}
初步風險畫像：{risk_profile}

請用簡潔的語言回答：
1. 風險等級評估（保守型/穩健型/平衡型/成長型/積極型）
2. 主要依據（1-2個關鍵因素）
3. 簡要建議

回答格式：
風險評估：[等級]
依據：[簡要説明]
建議：[1-2條核心建議]"""
    )

def _qwen_portfolio_advice(self, user_input: str, rule_result: Dict) -> str:
    """Qwen資產配置建議"""
    prompt = PromptTemplate(
        input_variables=["user_input", "amount", "time_horizon"],
        template="""作為專業投資顧問，請提供簡潔的資產配置建議：

用户需求：{user_input}
投資金額：{amount}
投資期限：{time_horizon}

請提供：
1. 推薦的資產配置比例（股票、債券、現金等）
2. 配置邏輯簡述
3. 預期風險水平

格式：
配置比例：[具體比例]
配置邏輯：[簡要説明]
預期風險：[低/中/高]"""
    )

def _format_final_advice(self, qwen_response: str, rule_result: Dict) -> str:
    """格式化最終建議"""
    category = rule_result['category']
    
    header = {
        "快速風險評估": "快速風險評估結果",
        "標準資產配置": "資產配置建議", 
        "產品推薦": "產品推薦",
        "一般諮詢": "投資建議"
    }.get(category, "投資建議")
    
    return f"""
{header}
────────────────
{qwen_response}

 生成方式：Qwen大模型 + 規則引擎快速響應
 響應時間：< 2秒
 温馨提示：以上建議僅供參考，投資需謹慎
"""

def _update_conversation_memory(self, user_id: str, intent_info: Dict, rule_result: Dict):
    """更新對話記憶"""
    if user_id not in self.conversation_memory:
        self.conversation_memory[user_id] = []
        
    self.conversation_memory[user_id].append({
        "timestamp": self._get_current_time(),
        "intent": intent_info["primary_intent"],
        "category": rule_result["category"],
        "risk_level": rule_result.get("risk_level", "未知")
    })
    
    # 保持最近10次對話記錄
    if len(self.conversation_memory[user_id]) > 10:
        self.conversation_memory[user_id] = self.conversation_memory[user_id][-10:]

def _assess_risk_profile(self, intent: Dict) -> str:
    """評估風險畫像"""
    keywords = intent.get("risk_keywords", [])
    text = " ".join(keywords).lower()
    
    if any(word in text for word in ['保守', '穩健', '保本']):
        return "保守型投資者，偏好低風險產品"
    elif any(word in text for word in ['平衡', '穩健']):
        return "平衡型投資者，接受適度風險"
    # ... 更多風險等級

def _infer_risk_level(self, intent: Dict) -> str:
    """推斷風險等級"""
    time_horizon = intent.get("time_horizon", "中期")
    if time_horizon == "長期":
        return "成長型"
    elif time_horizon == "短期":
        return "保守型"
    else:
        return "平衡型"

test_cases = [
    "我30歲，想評估一下自己的風險承受能力",           # 風險評估
    "有20萬元資金，想做中期投資，請幫我配置資產",      # 資產配置
    "推薦一些適合新手投資的基金產品",                 # 產品推薦
    "當前市場環境下，投資股票基金合適嗎？"            # 知識問答
]

步驟1.1 - Qwen多維度用户畫像分析
├── 輸入: 用户描述 + 歷史上下文
├── 處理: 8個維度深度分析
├── 輸出: 結構化用户檔案
└── 分析維度:
    1. demographics: 人口統計特徵
    2. financial_situation: 財務狀況
    3. risk_profile: 風險承受能力  
    4. investment_knowledge: 投資知識
    5. psychological_factors: 心理特徵
    6. investment_goals: 投資目標
    7. constraints: 約束條件
    8. lifecycle_stage: 生命週期階段

步驟1.2 - 備用分析機制
├── 觸發條件: Qwen分析失敗
├── 處理: 基於規則的推斷
└── 輸出: 簡化版用户檔案

步驟2.1 - Qwen綜合市場分析
├── 輸入: 市場背景數據
├── 處理: 5個方面分析
├── 輸出: 市場評估報告
└── 分析內容:
    1. investment_opportunities: 規劃機會
    2. risk_factors: 風險因素
    3. suitable_assets: 適合資產
    4. market_trend: 市場趨勢
    5. allocation_tone: 配置基調

步驟2.2 - 默認市場分析
├── 觸發條件: 市場分析失敗
├── 處理: 預設市場情景
└── 輸出: 保守市場評估

步驟3.1 - Qwen多策略生成
├── 輸入: 用户檔案 + 市場分析
├── 處理: 生成3個風險等級策略
├── 輸出: 策略選項數組
└── 策略類型:
    1. 保守型策略: 本金安全優先
    2. 平衡型策略: 風險收益均衡
    3. 進取型策略: 追求較高收益

步驟3.2 - 默認策略模板
├── 觸發條件: 策略生成失敗  
├── 處理: 基於用户風險偏好的模板匹配
└── 輸出: 標準化策略選項

步驟4.1 - Qwen風險評估優化
├── 輸入: 策略選項 + 用户檔案
├── 處理: 風險匹配度評估
├── 輸出: 優化後建議
└── 優化內容:
    1. recommended_strategy: 推薦策略
    2. risk_match_score: 風險匹配度
    3. adjustment_suggestions: 調整建議
    4. risk_controls: 風險控制措施

步驟4.2 - 默認風險優化
├── 觸發條件: 風險評估失敗
├── 處理: 簡單策略匹配算法
└── 輸出: 基礎優化建議

步驟5.1 - Qwen個性化建議生成
├── 輸入: 優化建議 + 用户檔案
├── 處理: 生成完整投資建議書
├── 輸出: 個性化文本建議
└── 包含內容:
    1. 投資目標明確
    2. 具體配置方案
    3. 實施步驟
    4. 風險提示
    5. 後續跟蹤建議

步驟5.2 - 模板化建議生成
├── 觸發條件: 個性化生成失敗
├── 處理: 基於模板的建議填充
└── 輸出: 標準化建議文本

步驟6.1 - 綜合結果整合
├── 整合所有階段輸出
├── 生成最終建議報告
└── 輸出結構:
    {
        "reasoning_process": {...},
        "user_profile_summary": {...},
        "recommended_strategy": {...},
        "personalized_advice": "...",
        "implementation_plan": {...},
        "risk_management": [...],
        "monitoring_schedule": "..."
    }
步驟6.2 - 對話上下文更新
├── 存儲用户交互歷史
├── 維護用户風險偏好
├── 為長期服務提供基礎
└── 更新內容:
    {
        "last_interaction": "2024-01-20T10:30:00",
        "last_advice_type": "均衡增長策略", 
        "user_risk_profile": "平衡型"
    }

class DeliberativeArchitecture:
    def deliberate_advice(self, user_input: str, context: Dict) -> Dict:
        stages = [
            ("用户理解", self._deep_user_analysis),
            ("市場分析", self._comprehensive_market_analysis), 
            ("策略生成", self._generate_strategy_options),
            ("風險優化", self._risk_optimization),
            ("建議生成", self._generate_personalized_advice)
        ]
        
        results = {}
        for stage_name, stage_func in stages:
            try:
                results[stage_name] = stage_func(user_input, context, results)
            except Exception as e:
                results[stage_name] = self._fallback_processing(stage_name, e)
                
        return self._integrate_results(results)

def _deep_user_analysis(self, user_input: str, context: Dict) -> Dict:
    """八維度用户畫像分析"""
    analysis_dimensions = [
        "demographics",           # 人口統計特徵
        "financial_situation",    # 財務狀況
        "risk_profile",           # 風險承受能力
        "investment_knowledge",   # 投資知識水平
        "psychological_factors",  # 心理特徵
        "investment_goals",       # 投資目標
        "constraints",            # 約束條件
        "lifecycle_stage"         # 生命週期階段
    ]
    
    user_profile = {}
    for dimension in analysis_dimensions:
        user_profile[dimension] = self._analyze_dimension(
            dimension, user_input, context
        )
    
    return user_profile

"""
基於Qwen的深思熟慮型智能投資顧問
"""

class QwenDeliberativeAdvisor:
    def __init__(self):
        self.llm = Tongyi(
            model_name="qwen-turbo",
            dashscope_api_key=os.getenv('DASHSCOPE_API_KEY', 'your-api-key-here')
        )
        self.analysis_depth = "deep"
        self.conversation_context = {}

def deliberate_advice(self, user_id: str, user_input: str, market_context: Dict = None) -> Dict[str, Any]:
    """深度推理生成投資建議"""
    print("\n🧠 開始Qwen深度推理流程...")
    
    # 獲取對話上下文
    context = self._get_conversation_context(user_id)
    
    try:
        # 階段1: 深度用户理解
        print(f"\n📊 階段1: 深度用户理解")
        user_analysis = self._deep_user_analysis(user_input, context)
        
        # 階段2: 多維度市場分析
        print(f"\n🌐 階段2: 市場環境分析") 
        market_analysis = self._comprehensive_market_analysis(market_context)
        
        # 階段3: 投資策略生成
        print(f"\n🎯 階段3: 投資策略生成")
        strategy_options = self._generate_strategy_options(user_analysis, market_analysis)
        
        # 階段4: 風險評估與優化
        print(f"\n⚖️ 階段4: 風險評估優化")
        optimized_advice = self._risk_optimization(strategy_options, user_analysis)
        
        # 階段5: 個性化建議生成
        print(f"\n💫 階段5: 個性化建議生成")
        final_advice = self._generate_personalized_advice(optimized_advice, user_analysis)
        
        # 更新對話上下文
        self._update_conversation_context(user_id, user_input, final_advice)
        
        return final_advice

def _deep_user_analysis(self, user_input: str, context: Dict) -> Dict[str, Any]:
    """深度用户分析 - 修復版"""
    print("   步驟1.1: Qwen多維度用户畫像分析")
    
    prompt_template = """作為專業投詢顧問，請對用户進行深度分析：

當前輸入：{user_input}
歷史上下文：{previous_context}

請從以下維度分析用户畫像，返回JSON格式：
1. demographics: 年齡區間、職業階段
2. financial_situation: 財務狀況評估  
3. risk_profile: 風險承受能力(保守/穩健/平衡/成長/積極)
4. investment_knowledge: 投資知識水平(新手/有經驗/資深)
5. psychological_factors: 心理特徵(損失厭惡、耐心程度等)
6. investment_goals: 投資目標識別
7. constraints: 約束條件識別
8. lifecycle_stage: 生命週期階段(積累/鞏固/維持/支出)

請返回純JSON格式，不要其他內容。"""

def _fallback_user_analysis(self, user_input: str) -> Dict[str, Any]:
    """備用用户分析 - 增強版"""
    print("   🔄 使用備用用户分析")
    
    # 從用户輸入中提取更多信息
    input_lower = user_input.lower()
    
    # 年齡推斷
    age_match = re.search(r'(\d+)歲', user_input)
    age = int(age_match.group(1)) if age_match else 35
    
    # 風險偏好推斷
    if any(word in input_lower for word in ['保守', '保本', '穩健', '安全']):
        risk_profile = "保守型"
    # ... 更多推斷邏輯

def _comprehensive_market_analysis(self, market_context: Optional[Dict]) -> Dict[str, Any]:
    """綜合市場分析 - 修復版"""
    print("   步驟2.1: Qwen市場環境深度分析")
    
    current_context = market_context or {
        "economic_cycle": "復甦",
        "market_valuation": "合理",
        "interest_rate_environment": "穩定",
        "geopolitical_factors": "平穩"
    }
    
    prompt_template = """作為專業理財分析師，請分析當前市場環境：

市場背景：{market_context}

請從投資角度分析：
1. 主要投資機會領域
2. 需要警惕的風險因素  
3. 適合當前環境的資產類別
4. 市場趨勢判斷
5. 配置建議基調(進攻/防守/平衡)

返回純JSON格式。"""

def _generate_strategy_options(self, user_analysis: Dict, market_analysis: Dict) -> List[Dict]:
    """生成投資策略選項 - 修復版"""
    print("   步驟3.1: Qwen多策略生成")
    
    prompt_template = """基於用户畫像和市場分析，生成3個不同風險收益特徵的投資策略：

用户畫像：{user_profile}
市場分析：{market_analysis}

請生成3個策略選項：
1. 保守型策略：注重本金安全
2. 平衡型策略：風險收益均衡  
3. 進取型策略：追求較高收益

每個策略包含：
- 資產配置比例
- 預期年化收益
- 最大回撤估計
- 適合的投資者類型
- 核心邏輯

返回JSON數組格式。"""

def _generate_default_strategies(self, user_analysis: Dict) -> List[Dict]:
    """生成默認策略 - 基於用户畫像"""
    risk_profile = user_analysis.get("risk_profile", "平衡型")
    
    base_strategies = [
        {
            "name": "穩健收益策略",
            "type": "保守型",
            "allocation": {"債券": "60%", "貨幣基金": "20%", "個股": "20%"},
            "expected_return": "4-6%",
            "max_drawdown": "8-12%",
            "suitable_for": "風險厭惡型投資者",
            "logic": "以固收類資產為主，控制回撤"
        },
        # ... 更多策略
    ]

def _risk_optimization(self, strategies: List[Dict], user_analysis: Dict) -> Dict[str, Any]:
    """風險評估與優化 - 修復版"""
    print("   步驟4.1: Qwen風險評估與策略優化")
    
    prompt_template = """作為風險管理專家，請評估以下投資策略與用户風險偏好的匹配度：

策略選項：{strategies}
用户風險畫像：{user_profile}

請分析：
1. 推薦策略及理由
2. 風險匹配度評估
3. 必要的策略調整建議
4. 風險控制措施

返回JSON格式。"""

def _generate_personalized_advice(self, optimized_advice: Dict, user_analysis: Dict) -> Dict[str, Any]:
    """生成個性化建議 - 修復版"""
    print("   步驟5.1: Qwen個性化建議生成")
    
    prompt_template = """作為資深投資顧問，請生成完整的個性化投資建議：

優化後的建議：{optimized_advice}
用户詳細畫像：{user_profile}

請生成包含以下內容的投資建議書：
1. 投資目標明確
2. 具體配置方案  
3. 實施步驟
4. 風險提示
5. 後續跟蹤建議

請用專業但易懂的語言，針對用户特點個性化表達。"""

def _generate_fallback_advice(self, user_input: str) -> Dict[str, Any]:
    """生成完全備用的建議"""
    print("   🆘 啓用完全備用建議模式")
    
    return {
        "reasoning_process": {
            "analysis_stages": ["備用模式"],
            "qwen_inference_used": False,
            "processing_time": "快速響應",
            "note": "主推理流程失敗，使用備用方案"
        },
        # ... 簡化版建議內容
    }

def _extract_json_response(self, response: str) -> Any:
    """提取JSON響應 - 增強版"""
    if not response:
        raise ValueError("空響應")
        
    # 多種方式嘗試提取JSON
    json_patterns = [
        r'\{[^{}]*\{[^{}]*\}[^{}]*\}',  # 嵌套對象
        r'\{.*\}',  # 簡單對象
        r'\[.*\]',  # 數組
    ]

def _update_conversation_context(self, user_id: str, user_input: str, advice: Dict):
    """更新對話上下文"""
    if user_id not in self.conversation_context:
        self.conversation_context[user_id] = {}
        
    self.conversation_context[user_id].update({
        "last_interaction": datetime.now().isoformat(),
        "last_advice_type": advice.get("recommended_strategy", {}).get("type", "未知"),
        "user_risk_profile": advice.get("user_profile_summary", {}).get("risk_profile", "未知")
    })

def _quick_intent_analysis(self, user_input: str) -> Dict[str, Any]:
    """快速意圖識別 - 反應式"""
    print(" 反應式: 快速關鍵詞提取")
    
    # 基於規則的快速解析
    intent_info = {
        "primary_intent": "資產配置",  # 因為有金額和投資意向
        "risk_keywords": ["中等風險"],
        "amount_mentioned": True,      # 檢測到"100萬"
        "time_horizon": "中期",        # 檢測到"5年內"
        "urgency_level": "中"
    }
    
    # 簡單金額提取
    amount_match = re.search(r'(\d+)萬', user_input)
    if amount_match:
        intent_info["amount"] = f"{amount_match.group(1)}萬元"
    
    return intent_info

# 處理時間: 0.1秒
# 輸出: {"primary_intent": "資產配置", "amount": "100萬元", ...}

def _deep_user_analysis(self, user_input: str, context: Dict) -> Dict[str, Any]:
    """深度用户理解 - 深思熟慮式"""
    print(" 深思熟慮: Qwen多維度分析")
    
    prompt = """
作為專業投資顧問，深度分析用户畫像：
用户描述：{user_input}

請從8個維度返回JSON格式分析：
1. demographics: 年齡、職業階段、家庭狀況
2. financial_situation: 收入穩定性、負債水平、資產結構  
3. risk_profile: 風險承受能力等級和依據
4. investment_knowledge: 投資經驗水平評估
5. psychological_factors: 損失厭惡、投資耐心等心理特徵
6. investment_goals: 具體投資目標和可行性
7. constraints: 投資約束條件
8. lifecycle_stage: 生命週期階段判斷
"""
    
    # Qwen深度分析調用
    response = self.llm.invoke(prompt.format(user_input=user_input))
    
    # 輸出示例
    return {
        "demographics": {
            "age": 35,
            "career_stage": "職業發展期", 
            "family_status": "穩定，有房有車",
            "lifecycle_stage": "積累階段"
        },
        "financial_situation": {
            "income_stability": "高",
            "debt_level": "無負債",
            "asset_structure": "存款為主",
            "emergency_fund": "充足"
        },
        "risk_profile": {
            "level": "平衡型",
            "basis": "明確表達中等風險承受意願",
            "max_drawdown_tolerance": "15-20%"
        },
        "investment_goals": {
            "primary": "5年內資產增長50%",
            "feasibility": "年化約8.4%，有一定挑戰性",
            "time_horizon": "中期(5年)"
        }
        # ... 其他維度
    }

# 處理時間: 2-3秒
# 輸出: 完整的8維度用户畫像

def _qwen_risk_assessment(self, user_input: str, rule_result: Dict) -> str:
    """快速風險評估 - 反應式"""
    print(" 反應式: 針對性風險評估")
    
    prompt = """
基於用户描述快速評估風險承受能力：
用户描述：{user_input}

請用簡潔語言回答：
1. 風險等級（保守/穩健/平衡/成長/積極）
2. 主要依據
3. 簡要建議
"""
    
    response = self.llm.invoke(prompt)
    # 輸出示例: "風險評估：平衡型\n依據：能承受中等風險...\n建議：..."
    
    return response

# 處理時間: 1秒
# 輸出: 簡潔的三段式風險評估

def _comprehensive_risk_assessment(self, user_profile: Dict) -> Dict[str, Any]:
    """綜合風險評估 - 深思熟慮式"""
    print(" 深思熟慮: 多維度風險評估")
    
    prompt = """
基於完整用户畫像進行綜合風險評估：
用户檔案：{user_profile}

請從以下維度評估並返回JSON：
1. risk_capacity: 風險承擔能力（財務角度）
2. risk_willingness: 風險承擔意願（心理角度） 
3. composite_risk_score: 綜合風險分數(0-100)
4. suitable_risk_level: 適合的風險等級
5. risk_misalignment: 風險偏好與實際能力匹配度
6. recommendation: 個性化風險建議
"""
    
    response = self.llm.invoke(prompt)
    
    return {
        "risk_capacity": {
            "score": 75,
            "factors": ["收入穩定", "無負債", "充足應急資金"],
            "assessment": "財務風險承擔能力強"
        },
        "risk_willingness": {
            "score": 65, 
            "factors": ["明確中等風險偏好", "合理收益目標"],
            "assessment": "風險意願與能力匹配"
        },
        "composite_risk_score": 70,
        "suitable_risk_level": "成長型",
        "risk_misalignment": "低",
        "recommendation": "可適當提高風險暴露至成長型水平"
    }

# 處理時間: 2秒  
# 輸出: 結構化的多維度風險評估

def _qwen_portfolio_advice(self, user_input: str, rule_result: Dict) -> str:
    """快速資產配置 - 反應式"""
    print(" 反應式: 標準配置建議")
    
    prompt = """
提供簡潔的資產配置建議：
用户需求：{user_input}
金額：{amount}

請提供：
1. 資產配置比例
2. 配置邏輯簡述  
3. 預期風險水平
"""
    
    response = self.llm.invoke(prompt)
    # 輸出示例: "配置比例：個股60%、債券30%、現金10%..."
    
    return response

# 處理時間: 1.5秒
# 輸出: 文本格式的配置建議

def _generate_strategy_options(self, user_analysis: Dict, market_analysis: Dict) -> List[Dict]:
    """多策略生成 - 深思熟慮式"""
    print(" 深思熟慮: 生成3個策略選項")
    
    prompt = """
基於用户畫像和市場分析生成3個投資策略：

用户畫像：{user_profile}
市場分析：{market_analysis}

要求每個策略包含：
- 策略名稱和類型
- 詳細資產配置比例
- 預期收益區間
- 最大回撤估計  
- 適合投資者畫像
- 核心投資邏輯
- 風險收益特徵
"""
    
    response = self.llm.invoke(prompt)
    
    return [
        {
            "name": "穩健平衡策略",
            "type": "平衡型",
            "allocation": {
                "A股藍籌": "30%",
                "港股科技": "15%", 
                "利率債": "25%",
                "信用債": "20%",
                "貨幣基金": "10%"
            },
            "expected_return": "6-8%",
            "max_drawdown": "12-15%",
            "suitable_for": "風險偏好平衡的投資者",
            "logic": "股債均衡，側重優質藍籌和利率債",
            "risk_return": "中等風險中等收益"
        },
        {
            "name": "成長增值策略", 
            "type": "成長型",
            "allocation": {
                "科技成長股": "40%",
                "消費龍頭": "20%",
                "可轉債": "15%",
                "高收益債": "15%", 
                "黃金": "5%",
                "現金": "5%"
            },
            "expected_return": "8-10%",
            "max_drawdown": "18-22%",
            "suitable_for": "能承受較高波動的成長型投資者",
            "logic": "側重成長板塊，搭配可轉債增強收益",
            "risk_return": "中高風險中高收益"
        },
        # ... 第三個策略
    ]

# 處理時間: 3-4秒
# 輸出: 3個完整的策略選項

# 反應式架構無獨立風險優化環節
# 風險考慮直接融入策略生成過程
def _format_final_advice(self, qwen_response: str, rule_result: Dict) -> str:
    """格式化輸出 - 包含基礎風險提示"""
    advice = f"""
{qwen_response}

 風險提示：投資有風險，入市需謹慎
"""
    return advice

# 處理時間: 0.1秒
# 輸出: 添加標準風險提示

def _risk_optimization(self, strategies: List[Dict], user_analysis: Dict) -> Dict[str, Any]:
    """風險評估優化 - 深思熟慮式"""
    print(" 深思熟慮: 策略風險評估優化")
    
    prompt = """
作為風險管理專家，評估策略與用户匹配度：

策略選項：{strategies}
用户風險畫像：{user_profile}

請分析：
1. 推薦策略及匹配理由
2. 風險收益匹配度評分
3. 具體調整建議
4. 風險控制措施
5. 壓力測試情景
"""
    
    response = self.llm.invoke(prompt)
    
    return {
        "recommended_strategy": "成長增值策略",
        "risk_match_score": "85/100",
        "matching_reason": "用户風險承受能力與成長型策略匹配度高",
        "adjustment_suggestions": [
            "建議將科技股比例從40%降至35%",
            "增加5%的防禦性消費板塊",
            "設置15%的整體止損線"
        ],
        "risk_controls": [
            "單一個股不超過組合5%",
            "行業集中度不超過25%", 
            "保留5-10%現金應對波動"
        ],
        "stress_test": {
            "market_crash": "最大回撤預計22%",
            "rate_hike": "債券部分可能下跌3-5%",
            "recession": "整體收益可能降至2-4%"
        }
    }

# 處理時間: 2秒
# 輸出: 詳細的風險優化建議

def _format_final_advice(self, qwen_response: str, rule_result: Dict) -> str:
    """快速格式化輸出 - 反應式"""
    print(" 反應式: 標準化輸出格式化")
    
    return f"""
 資產配置建議
────────────────
{qwen_response}

 生成方式：Qwen快速響應
 響應時間：< 2秒  
 温馨提示：投資有風險，決策需謹慎
"""

# 最終輸出示例:
"""
 資產配置建議
────────────────
配置比例：股票60%、債券30%、現金10%
配置邏輯：基於中等風險偏好，側重權益資產追求增長
預期風險：中等

 生成方式：Qwen快速響應
 響應時間：< 2秒
 温馨提示：投資有風險，決策需謹慎
"""

def _generate_personalized_advice(self, optimized_advice: Dict, user_analysis: Dict) -> Dict[str, Any]:
    """個性化建議生成 - 深思熟慮式"""
    print(" 深思熟慮: 生成完整投資建議書")
    
    prompt = """
生成完整的個性化投資建議書：

優化建議：{optimized_advice}
用户畫像：{user_profile}

請包含以下章節：
1. 投資目標回顧與可行性分析
2. 推薦策略詳細説明
3. 具體實施計劃和時間表
4. 風險管理和控制措施
5. 績效評估和調整機制
6. 後續服務和跟蹤安排
"""
    
    final_text = self.llm.invoke(prompt)
    
    return {
        "reasoning_process": {
            "analysis_stages": ["用户畫像", "市場分析", "策略生成", "風險優化", "個性化"],
            "total_qwen_calls": 5,
            "processing_time": "8秒"
        },
        "user_profile_summary": user_analysis,
        "recommended_strategy": optimized_advice["recommended_strategy"],
        "personalized_advice": final_text,
        "implementation_plan": {
            "phase1": "第1個月：建立60%核心倉位",
            "phase2": "第2-3個月：逐步加倉至目標配置", 
            "phase3": "第4-6個月：優化調整，完成建倉"
        },
        "risk_management": optimized_advice["risk_controls"],
        "monitoring_schedule": "月度表現回顧，季度策略調整"
    }

# 最終輸出: 完整的結構化投資建議報告

# 用户需要即時答案
if query_complexity == "simple" and response_time_requirement == "fast":
    use_reactive_architecture()
    
# 標準化諮詢場景  
elif scenario in ["customer_service", "quick_consultation"]:
    use_reactive_architecture()
    
# 資源受限環境
elif computational_resources == "limited":
    use_reactive_architecture()

# 重大投資決策
if decision_importance == "high" and investment_amount == "large":
    use_deliberative_architecture()

# 複雜個人情況
elif user_situation_complexity == "high":
    use_deliberative_architecture()

# 長期財務規劃  
elif time_horizon == "long_term" and planning_depth == "comprehensive":
    use_deliberative_architecture()