پیکربندی API TradingAgents

با پرسش پژوهشی نسخه‌دار شروع کنید

ارائه‌دهنده سازگار، URL backend سفارشی و دو نقش مدل را تنظیم کنید و سپس یک شرکت را در تاریخ پژوهشی مشخص آزمایش کنید. TradingAgents تحلیلگران، استدلال‌های پژوهشی موافق و مخالف و بازبینی ریسک را سازمان می‌دهد؛ بنابراین کار اول مفید بررسی نحوه توضیح همان بسته منبع توسط این نقش‌هاست. شرکت و زمان قطع اطلاعات را پیش از تغییر مدل انتخاب کنید. واقعیت‌های زیربنایی و موارد حل‌نشده اجرای اول را نگه دارید تا مقایسه‌های مدل بعدی از همان پرسش استفاده کنند. فیلدهای زیر از revision service 9dee508c پیروی می‌کنند.

ارائه‌دهنده سازگار و هر دو نقش مدل را پیکربندی کنید

default_config.py بازبینی‌شده llm_provider، backend_url، deep_think_llm و quick_think_llm را ارائه می‌کند. کلاینت سازگار از endpoint داده‌شده استفاده می‌کند؛ احراز هویت تنظیم محیطی جداست. هر دو slot نقش به شناسه مدل دقیقی نیاز دارند که endpoint انتخاب‌شده و کلاینت پروژه بپذیرند. نمونه این فیلدهای منبع را سازگار و فقط configuration را می‌سازد. پس از بررسی قابلیت‌های لازم، RESEARCH_MODEL_ID و SUMMARY_MODEL_ID را از کاتالوگ جاری تنظیم کنید. این نام‌ها slot محیط محلی‌اند، نه model ID یا پیش‌فرض TradingAgents. credential را در محیط فرایند و نه script نگه دارید.

import os
from copy import deepcopy
from tradingagents.default_config import DEFAULT_CONFIG

config = deepcopy(DEFAULT_CONFIG)
config.update({
    "llm_provider": "openai_compatible",
    "backend_url": "https://api.apisrouter.com/v1",
    "deep_think_llm": os.environ["RESEARCH_MODEL_ID"],
    "quick_think_llm": os.environ["SUMMARY_MODEL_ID"],
    "max_debate_rounds": 1,
    "max_risk_discuss_rounds": 1,
})
assert os.environ["OPENAI_COMPATIBLE_API_KEY"]
# Configuration only. This does not start a research run.

مسیر مدل را از داده مالی جدا نگه دارید

فروشندگان داده مالی را مستقل از endpoint مدل پیکربندی کنید. برای سهام بین‌المللی، پیش از جمع‌آوری ناشر و نماد ویژه بورس را resolve کنید. ارز معامله، ارز گزارشگری، منطقه زمانی بازار و انتخاب benchmark را حفظ کنید. رسید سپرده‌گذاری فهرست‌شده در آمریکا و سهم عادی زیربنایی آن پیش از مقایسه سری قیمت به قاعده تبدیل صریح نیاز دارند. نمودار نشان می‌دهد تنظیمات مدل چگونه وصل می‌شوند؛ ابزارهای داده مالی credential، پوشش و زمان‌نشان منبع خود را دارند. پیش از تشخیص ورودی پژوهش مفقود به‌عنوان شکست LLM این ابزارها را بررسی کنید.

نقش‌ها را بر اساس قرارداد کار انتخاب کنید

قابلیت‌هایی را که هر نقش واقعاً استفاده می‌کند آزمایش کنید. پاسخ متنی parsing فراخوانی ابزار، مدیریت زمینه طولانی یا رفتار خروجی ساختاریافته را ثابت نمی‌کند. تغییر خانواده مدل می‌تواند رفتار adapter ارائه‌دهنده را هم تغییر دهد، حتی وقتی endpoint شناسه‌اش را می‌پذیرد. با کوچک‌ترین مجموعه نقش مفید شروع و فقط وقتی debate را اضافه کنید که ادعاهای پشتیبانی‌نشده یا شواهد مخالف مفید پیدا کند. artifact نهایی را با همان بسته منبع بسنجید و گزارش طولانی‌تر را خودکار پژوهش بهتر ندانید.

آزمون پذیرش مرحله‌ای برای اجرای اول داشته باشید

ابتدا configuration resolveشده را بدون چاپ کلیدها بررسی کنید. سپس در محیط اجرای مجاز، کلاینت پروژه را با مدل انتخاب‌شده اجرا و رکورد درخواست redacted را حفظ کنید. بعد تعامل ابزار لازم و مسیر خطای آن را آزمایش کنید. در پایان TradingAgentsGraph را با مجموعه منبع محدود اجرا و state حاصل، واقعیت‌های مستند و خروجی نهایی پژوهش را بررسی کنید. revision مخزن، نسخه وابستگی، hash ورودی و تنظیمات نقش را ذخیره کنید. پاسخ factory فقط مرحله کلاینت را قبول می‌کند؛ گزارش کامل پیش از artifact پژوهشی قابل‌استفاده هنوز به بازبینی منبع و عدد نیاز دارد.

import os
from research_config import config
from tradingagents.graph.trading_graph import TradingAgentsGraph

graph = TradingAgentsGraph(debug=False, config=config)
state, decision = graph.propagate(
    os.environ["RESEARCH_TICKER"],
    os.environ["RESEARCH_DATE"],
)
# Inspect state and decision against the source packet.
# Running this template makes model and data requests.

پژوهش تاریخی را از اطلاعات بعدی محافظت کنید

تاریخ خواسته‌شده تحلیل ثابت نمی‌کند هر پاسخ فروشنده نقطه‌زمانی است. بررسی کنید fundamentals واقعاً تا زمان قطع در دسترس بوده، مقاله‌ها بعداً اصلاح شده‌اند یا نه و داده cache از آزمایش دیگری آمده است یا نه. زمان انتشار اصلی و زمان ingestion را جدا حفظ کنید. بازخورد آموزش یا reflection را بیرون از دوره ارزیابی خارج از نمونه نگه دارید. فهرست تاریخی ticker باید حذف‌شدن‌ها و تغییر نمادهای مرتبط را داشته باشد. برخورد corporate action و benchmark مقایسه را کنار هر آزمایش ثبت کنید تا تغییر مدل با تغییر داده اشتباه نشود.

هزینه debate، تلاش دوباره و زمینه تکراری را بودجه‌بندی کنید

هزینه عامل مالی از هر درخواست گراف می‌آید، از جمله خلاصه‌ها، زمینه تکرارشده و تلاش‌های قابل‌صورتحساب. برای برنامه‌ریزی از قرارداد قیمت جاری و بعد برای تطبیق از مصرف واقعی درخواست استفاده کنید. پیش از sweep تعداد دورهای debate، حجم منبع، کارهای موازی و تلاش خودکار را محدود کنید. استخراج منبع را با نسخه اسناد cache و استفاده دوباره برنامه را از تخفیف صورتحساب ارائه‌دهنده جدا کنید. اشتراک داده و محاسبه محلی را جدا از هزینه LLM پیگیری و هزینه هر artifact پژوهشی پذیرفته‌شده را مقایسه کنید. پیش از گسترش جهان ticker و تاریخ، اجرای محدود بالا را انجام دهید.

مرحله شکست‌خورده را تشخیص دهید

برای خطای احراز هویت تأیید کنید کلید ارائه‌دهنده سازگار به همان فرایندی می‌رسد که کلاینت را می‌سازد. برای مدل مفقود، شناسه دقیق و دسترسی حساب را با کاتالوگ جاری مقایسه کنید. برای خروجی بدشکل ابزار، schema ابزار و پاسخ پاک‌سازی‌شده را نگه دارید و فقط استثنای نهایی را ذخیره نکنید. توقف ممکن است درخواست فروشنده داده، حلقه تکراری ابزار یا timeout مدل باشد؛ پیش از افزایش limit زمان مرحله را بررسی کنید. اگر داده ضروری مفقود است توقف کنید. تکرار تا ظاهرشدن نثر می‌تواند شکست اصلی را پنهان و کل بودجه پژوهش را مصرف کند.

شواهد و محدودیت‌ها

پیکربندی در September 5, 2026 در revision 9dee508c از نظر منبع بازبینی شد. نمونه‌ها قالب walkthrough هستند؛ برای این راهنما هیچ درخواست client APIsRouter، گراف کامل یا مورد هزینه اندازه‌گیری‌شده اجرا نشده است. پیش از گسترش گردش‌کار، مدل‌های انتخابی و ابزارهای داده را در اجرای محدود خود اعتبارسنجی کنید.

پرسش‌های پرتکرار