Configuration ng TradingAgents API

Magsimula sa versioned research question

Itakda ang compatible provider, custom backend URL, at dalawang model role, saka subukan ang isang kumpanya sa tinukoy na research date. Inaayos ng TradingAgents ang analyst, magkasalungat na research argument, at risk review, kaya kapaki-pakinabang na unang task ang siyasatin kung paano ipinapaliwanag ng mga role na iyon ang parehong source packet. Piliin ang kumpanya at information cutoff bago magpalit ng model. Panatilihin ang pinagbabatayang fact at hindi pa nalulutas na item mula sa unang run upang parehong tanong ang gamitin ng susunod na model comparison. Sinusunod ng mga field sa ibaba ang service revision 9dee508c.

I-configure ang compatible provider at parehong model role

Inilalantad ng nasuring default_config.py ang llm_provider, backend_url, deep_think_llm, at quick_think_llm. Ginagamit ng compatible client ang ibinigay na endpoint; hiwalay na environment setting ang authentication. Kailangan ng parehong role slot ng eksaktong model identifier na tinatanggap ng napiling endpoint at project client. Iniangkop ng example ang source field na iyon at configuration lamang ang binubuo. Itakda ang RESEARCH_MODEL_ID at SUMMARY_MODEL_ID mula sa kasalukuyang catalog matapos suriin ang kailangang capability. Lokal na environment slot ang mga pangalang ito, hindi model ID o TradingAgents default. Panatilihin ang credential sa process environment, hindi sa script.

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.

Ihiwalay ang model route sa financial data

I-configure nang magkahiwalay ang financial-data vendor sa model endpoint. Para sa international equity, lutasin ang issuer at exchange-specific symbol bago mangolekta. Panatilihin ang trading currency, reporting currency, market timezone, at benchmark choice. Kailangan ng tahasang conversion rule ng US-listed depositary receipt at underlying ordinary share bago maihambing ang price series. Ipinapakita ng diagram kung paano kumokonekta ang model setting; may sarili pa ring credential, coverage, at source timestamp ang financial-data tool. Suriin ang mga tool na iyon bago ituring na LLM failure ang nawawalang research input.

Pumili ng role ayon sa task contract

Subukan ang capability na aktuwal na ginagamit ng bawat role. Hindi pinatutunayan ng text reply ang tool-call parsing, long-context handling, o structured-output behavior. Maaari ring baguhin ng pagpapalit ng model family ang provider-adapter behavior kahit tanggapin ng endpoint ang identifier nito. Magsimula sa pinakamaliit na kapaki-pakinabang na set ng role; magdagdag lamang ng debate kapag nakatutukoy ito ng unsupported claim o kapaki-pakinabang na counterevidence. Suriin ang final artifact laban sa parehong source packet sa halip na ituring na mas mahusay na research ang mas mahabang report.

Gumamit ng staged first-run acceptance test

Siyasatin muna ang resolved configuration nang hindi nagpi-print ng key. Pagkatapos, sa awtorisadong execution environment, patakbuhin ang project client gamit ang napiling model at panatilihin ang redacted request record. Saka subukan ang kailangang tool interaction at error path nito. Sa huli, patakbuhin ang TradingAgentsGraph na may limitadong source set at siyasatin ang nagresultang state, cited fact, at final research output. I-save ang repository revision, dependency version, input hash, at role setting. Client stage lamang ang pinapasa ng factory response; kailangan pa rin ng source at numerical review ang kumpletong report bago maituring na magagamit na research artifact.

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.

Protektahan ang historical research laban sa susunod na impormasyon

Hindi patunay ang hiniling na analysis date na point-in-time ang bawat vendor response. Suriin kung available na ang fundamental sa cutoff, kung na-correct kalaunan ang article, at kung galing sa ibang experiment ang cached data. Panatilihing hiwalay ang orihinal na publication time at ingestion time. Ilayo ang training o reflection feedback sa held-out evaluation period. Dapat kasama sa historical ticker list ang kaugnay na delisting at symbol change. Itala ang corporate-action handling at comparison benchmark sa bawat experiment upang hindi mapagkamalang model change ang data change.

Mag-budget para sa debate, retry, at paulit-ulit na context

Galing ang financial-agent spend sa bawat request sa graph, kasama ang summary, paulit-ulit na context, at billable retry. Gamitin ang kasalukuyang pricing contract sa pagpaplano at i-reconcile ang aktuwal na request usage pagkatapos. Limitahan ang debate round, source volume, parallel job, at automatic retry bago ang sweep. I-cache ang source extraction gamit ang document version; ihiwalay ang application reuse sa provider billing discount. Hiwalay na subaybayan ang data subscription at lokal na compute sa LLM charge, at ihambing ang cost per accepted research artifact. Magsimula sa limitadong run sa itaas bago palawakin ang ticker at date universe.

I-diagnose ang nabigong stage

Para sa authentication failure, tiyaking nakararating ang compatible-provider key sa parehong process na lumilikha ng client. Para sa missing model, ihambing ang eksaktong identifier at account access sa kasalukuyang catalog. Para sa malformed tool output, panatilihin ang tool schema at sanitized response sa halip na final exception lamang. Maaaring data-vendor request, paulit-ulit na tool loop, o model timeout ang stall; siyasatin ang stage timestamp bago dagdagan ang limit. Huminto kapag nawawala ang mandatory data. Maaaring itago ng pag-retry hanggang lumitaw ang prose ang orihinal na failure at maubos ang buong research budget.

Ebidensya at mga limitasyon

Source-reviewed ang configuration noong September 5, 2026 sa revision 9dee508c. Walkthrough template ang mga example; walang APIsRouter client request, kumpletong graph, o measured task-cost case na isinagawa para sa guide na ito. I-validate ang napiling model at data tool sa sarili mong limitadong run bago palawakin ang workflow.

Mga madalas itanong