FinRobot auf einem custom OpenAI-kompatiblen Endpoint betreiben.

Kurzantwort: ein Eintrag in OAI_CONFIG_LIST.

FinRobots Setup-Anleitung lässt dich OAI_CONFIG_LIST_sample zu OAI_CONFIG_LIST umbenennen und Credentials eintragen. Diese Datei ist eine Standard-AutoGen-Config-Liste: ein JSON-Array, in dem jeder Eintrag model und api_key nimmt, und optional base_url, was die mitgelieferte Sample-Datei schon für Nicht-Standard-Endpoints demonstriert. Füg einen Eintrag mit deinem Gateway-Key hinzu und setz base_url auf https://api.apisrouter.com/v1, und jeder FinRobot-Agent, der die Datei lädt, kann darüber routen. Eine Falle, die Leute Zeit kostet: die Tutorials laden die Datei über autogen.config_list_from_json mit einem filter_dict, das Einträge nach Modellname wählt. Sagt dein neuer Eintrag claude-sonnet-4-6, der Filter fragt aber noch nach der GPT-ID des Samples, wird dein Eintrag rausgefiltert, und der Run scheitert an den alten Credentials. Aktualisier filter_dict auf das Modell, das du hinzugefügt hast, oder lass den Filter beim Testen weg.

[
    {
        "model": "claude-sonnet-4-6",
        "api_key": "sk-YOUR-APISROUTER-KEY",
        "base_url": "https://api.apisrouter.com/v1"
    }
]

Wie FinRobot seine LLM-Config nutzt.

FinRobot (AI4Finance-Foundation auf GitHub, rund 7.600 Stars) ist eine KI-Agenten-Plattform für Finanzanalyse, gebaut auf AutoGen (pyautogen 0.2.19 oder neuer). Seine Agenten sind verpackte Workflows: ein Market_Analyst-Forecaster, der Unternehmensnews und Fundamentaldaten zieht und die Bewegung der nächsten Woche vorhersagt, ein Annual-Report-Writer, der Filings in ein Equity-Research-PDF verwandelt, und Retrieval-Augmented-QA-Agenten über Earnings Calls und SEC-Filings. Jedes Tutorial baut dieselbe llm_config-Form: ein Dict, dessen config_list von autogen.config_list_from_json kommt, das die OAI_CONFIG_LIST-Datei liest. Dieses llm_config wird Wrapper-Klassen wie SingleAssistant und SingleAssistantShadow aus finrobot.agents.workflow übergeben, die die zugrundeliegenden AutoGen-Agenten besitzen. Die Endpoint-Entscheidung lebt also komplett in der JSON-Datei: AutoGens OpenAI-Client sendet /v1/chat/completions-Requests an die base_url des gewählten Eintrags und reicht das model-Feld als reinen String weiter. Dieser reine String ist der praktische Gewinn. Bedient der Endpoint hinter base_url mehrere Vendoren, reist eine Claude-, DeepSeek- oder Qwen-ID unbemerkt durch dieselbe OpenAI-förmige Config, und das Analyse-Modell zu wechseln wird zu einer Ein-Zeilen-JSON-Bearbeitung plus einem passenden filter_dict.

Vollständiges Setup: Config-Datei, Filter und Daten-Keys.

FinRobot splittet Credentials über zwei Dateien, und nur eine davon betrifft das LLM. OAI_CONFIG_LIST hält Modell-Endpoints und Keys. config_api_keys hält Marktdaten-Credentials (FINNHUB_API_KEY, FMP_API_KEY, SEC_API_KEY und Social-Keys), separat geladen über register_keys_from_json. Das LLM über ein Gateway zu routen ändert die erste Datei und lässt die zweite unangetastet, News-Abrufe, Fundamentaldaten und Filings verhalten sich also exakt wie zuvor. Das Tutorial-Muster unten ist die Struktur des Forecaster-Notebooks mit dem Gateway-Eintrag gewählt. Dieselbe llm_config funktioniert für die Annual-Report- und RAG-Tutorials, die sich nur darin unterscheiden, welche Workflow-Klasse sie instanziieren.

import autogen
from finrobot.utils import register_keys_from_json
from finrobot.agents.workflow import SingleAssistant

llm_config = {
    "config_list": autogen.config_list_from_json(
        "../OAI_CONFIG_LIST",
        filter_dict={"model": ["claude-sonnet-4-6"]},  # match your entry
    ),
    "timeout": 120,
    "temperature": 0,
}

register_keys_from_json("../config_api_keys")  # finnhub/fmp/sec data keys

assistant = SingleAssistant("Market_Analyst", llm_config,
                            human_input_mode="NEVER")
assistant.chat("Analyze NVDA news this week and predict next week's movement.")

Modelle pro FinRobot-Workflow wählen.

Die saubere Experiment-Schleife: Ticker und Datumsbereich festhalten, denselben Workflow einmal pro Kandidaten-Eintrag laufen lassen und Outputs nebeneinander vergleichen. Hinter einem Endpoint ist jeder Kandidat eine filter_dict-Bearbeitung, und das Nutzungslog pro Key gibt dir die Token-Rechnung pro Kandidat ohne Tabellenkalkulations-Arbeit.

• Der Annual-Report-Writer ist der schwerste Reasoning-Job: er liest Filing-Abschnitte, synthetisiert eine Investment-These und entwirft einen strukturierten Report. claude-opus-4-7 oder gpt-5.5 in diesem Workflow ist, wo sich die Output-Qualität sichtbar ändert.
• Der Market-Forecaster ist eine kürzere, wiederholte Aufgabe über News und Fundamentaldaten. claude-sonnet-4-6 oder deepseek-v4-pro erledigt das gut, und es zählt, wenn du es täglich über eine Watchlist laufen lässt.
• RAG-QA über Earnings Calls ist Retrieval plus Synthese über lange Auszüge, was Long-Context-IDs begünstigt; gemini-3.1-pro-preview lohnt dort einen Test gegen claude-sonnet-4-6.
• Weil Einträge über filter_dict gewählt werden, kannst du eine Datei mit einem Frontier-Eintrag und einem schnellen Eintrag gegen dieselbe base_url halten und pro Notebook wählen, statt Credentials pro Run zu bearbeiten.
• Modell-IDs sind exakte Strings. FinRobot reicht sie unvalidiert durch, die /v1/models-Liste des Endpoints ist also die maßgebliche Schreibweise.

Nutzungsbasiert · unter offiziellem Preis

Selected models are priced below official list prices. Exact input, output, cache, and per-request prices are shown for each model.

Fehlerbilder speziell für FinRobot.

Der filter_dict-Mismatch ist der große. config_list_from_json gibt nur Einträge zurück, deren model zum Filter passt; ein Filter, der auf nichts passt, wirft einen Fehler über eine leere Config-Liste, und ein Filter, der auf die übrig gebliebenen Sample-Einträge passt, schickt Requests mit Platzhalter-Keys an OpenAI, was sich als 401 vom falschen Host zeigt. Scheinen Routing-Änderungen keine Wirkung zu zeigen, druck zuerst die aufgelöste config_list. Relative Pfade sind der zweite. Die Tutorials laden "../OAI_CONFIG_LIST", weil Notebooks eine Ebene unter dem Repo-Root sitzen; ein Skript am Root will stattdessen "OAI_CONFIG_LIST", und AutoGen akzeptiert auch die Umgebungsvariable OAI_CONFIG_LIST mit dem JSON-String, was Pfadprobleme in Containern umgeht. Kommentarzeilen sind der dritte. Die Setup-Anleitung sagt dir, die Kommentarnotizen aus den Sample-Dateien zu entfernen, weil sie das JSON ungültig machen; ein JSONDecodeError beim Start bedeutet, ein vagabundierender Kommentar hat überlebt. Daten-Credentials scheitern unabhängig. Chattet der Agent problemlos, kommen News oder Fundamentaldaten aber leer zurück, ist das ein config_api_keys-Problem (Finnhub, FMP, SEC), kein Endpoint-Problem. Und das separate FinRobot-Pro-Equity-Modul konfiguriert seine Keys über eine config.ini stattdessen; Stand Juli 2026 decken seine dokumentierten Einstellungen einen openai_api_key ab, aber keinen Base-URL-Override, behandle dieses Modul also als direkten Vendor-Zugang, bis Upstream einen dokumentiert.

Wer FinRobot über ein Gateway routet.

• Analysten, die Equity-Reports über eine Coverage-Liste generieren. Lange Filing-Kontexte pro Report machen Preisunterschiede pro Modell relevant, und ein Endpoint macht das Modell zu einer Wahl pro Run.
• Quant-Teams, die den Forecaster täglich über eine Watchlist laufen lassen, wo eine schnelle Mid-Tier-ID die wiederkehrende Rechnung flach hält, ohne den Workflow umzuschreiben.
• Forscher, die Modellfamilien an identischen Finanzaufgaben vergleichen. Jeder Kandidat ist ein Config-Eintrag, kein Vendor-Konto- und SDK-Wechsel.
• Teams, die AutoGen-basierte Stacks standardisieren. FinRobot teilt die OAI_CONFIG_LIST-Konvention mit anderen AutoGen-Projekten, ein Gateway-Eintragsformat bedient also alle.
• Entwickler ohne Zugang zum Billing eines bestimmten Vendors. Guthabenbasierter Zugang ohne Kartenpflicht entfernt die Sign-up-Abhängigkeit pro Provider.

Endpoint verifizieren und den ersten Run debuggen.

Liste die Modelle, die dein Key adressieren kann, bevor du ein Notebook öffnest; jeder model-String in OAI_CONFIG_LIST und jeder filter_dict-Wert muss exakt zu einer bedienten ID passen. Lauf dann den kürzestmöglichen Chat über SingleAssistant und beobachte die Konsole. Ein 401 bedeutet, der api_key des gewählten Eintrags gehört nicht zum Endpoint in seiner base_url; prüfe, welchen Eintrag der Filter tatsächlich gewählt hat. Ein Model-not-found-Fehler ist ein ID-Tippfehler im Eintrag. Ein Connection-Fehler bedeutet meist, base_url hat sein /v1-Suffix verloren. Loopt der Agent ohne Tool-Ergebnisse, sind die Daten-Keys in config_api_keys die Verdächtigen, nicht der LLM-Endpoint. Sobald Requests fließen, zeigt die APIsRouter-Konsole Modell, Token-Zahlen und Ausgaben pro Anfrage. Report-Writing-Runs sind lange Multi-Turn-Konversationen, und die Nutzungsansicht zeigt, was ein Report tatsächlich kostet, bevor du fünfzig davon einplanst.

curl -s https://api.apisrouter.com/v1/models \
  -H "Authorization: Bearer $APISROUTER_API_KEY" | head -50

Häufige Fragen