Configuration d'une application API FinGPT

Choisissez une application avant de choisir un endpoint

FinGPT est une collection de recherches et d'applications de modèles de langage financiers, et non un client API universel unique. Ses notebooks d'agents, ses exemples d'inférence locale et son travail de fine-tuning ont des dépendances différentes. Ce guide se concentre sur fingpt/ag2_financial_analysis_pipeline.ipynb à la révision 1aac5558, examinée le 5 septembre 2026. Il utilise AG2 pour coordonner des tâches d'actualités financières. Configurer ce notebook ne constitue pas une migration de tous les projets FinGPT. Choisissez d'abord le notebook exact et ses contraintes de dépendances, puis documentez ce qui relève de l'inférence distante, ce qui s'exécute localement et quels outils de données interviennent.

Comprenez les trois frontières de service indépendantes

Le notebook examiné fournit un LLMConfig pour la conversation de l'agent, des outils qui récupèrent des informations financières via yfinance et un pipeline de sentiment Transformers. Il s'agit de chemins runtime distincts. En particulier, l'outil de sentiment de l'exemple utilise FinBERT ; sélectionner un modèle de chat de passerelle ne transforme pas cet outil en un autre checkpoint FinGPT. Le téléchargement de poids locaux peut avoir sa propre licence de modèle et ses propres exigences matérielles. Auditez les outils réels avant de décrire le système comme entièrement distant ou entièrement local.

Adaptez la configuration AG2 documentée

Le notebook construit LLMConfig avec api_type, model, api_key et base_url. Le remplacement suivant conserve ces champs et obtient l'identifiant et l'identifiant d'accès depuis l'environnement. FINANCE_MODEL_ID est un emplacement de placeholder géré par l'application ; résolvez-le vers une entrée actuelle du catalogue qui prend en charge les interactions requises par le notebook. Cette configuration ne crée aucune réponse de modèle. Préservez les contraintes de version AG2 compatibles avec le notebook et ne remplacez pas un paquet AutoGen de nom similaire sans vérifier les imports et les API.

import os
from autogen import LLMConfig

llm_config = LLMConfig({
    "api_type": "openai",
    "model": os.environ["FINANCE_MODEL_ID"],
    "api_key": os.environ["APISROUTER_API_KEY"],
    "base_url": "https://api.apisrouter.com/v1",
})
# Pass llm_config to the notebook's agents and manager.
# No request or complete notebook run is performed here.

Connectez les agents et testez les outils enregistrés

Transmettez le même llm_config au researcher, à l'analyst, à l'advisor et au GroupChatManager du notebook. Conservez les enregistrements d'outils documentés et inspectez la requête d'outil émise par l'agent, le résultat de l'exécuteur et le message de modèle suivant. Commencez avec un petit ensemble d'entrées autorisées et vérifiez chaque opération requise. Conservez une erreur d'outil renvoyée lorsque les données sont indisponibles afin que la note finale puisse indiquer les preuves manquantes. Le schéma montre le parcours conversationnel ; les outils de données financières et la classification locale conservent leur propre configuration.

Traitez le sentiment comme une sortie de modèle, pas comme un signal boursier

Un label de classifieur décrit son interprétation du texte fourni avec un checkpoint particulier. Il ne s'agit pas d'une probabilité calibrée de la performance future d'une action. Enregistrez le titre original, la source, l'heure de publication et toute troncature avant la classification. Vérifiez le mapping des labels et conservez les exemples ambigus. Un langage négatif sur la demande du secteur peut coexister avec des prévisions positives propres à l'entreprise ; fusionner les deux dans un score unique perd cette distinction. Pour une couverture internationale, validez la langue et le contexte de marché du classifieur au lieu de traduire chaque texte et de supposer le même calibrage.

Construisez un petit paquet d'acceptation de bout en bout

Après un test client autorisé séparément, utilisez un ensemble délimité de documents publics ou sous licence pour une entreprise. Enregistrez les hashes d'entrée, les sorties des outils, les résultats du classifieur, la conversation de l'agent et la note finale. Vérifiez si chaque phrase factuelle peut être reliée à une entrée et si les données manquantes restent visibles. Le paquet initial doit inclure un échec d'outil de données et un exemple de texte ambigu, car un titre sur le chemin nominal ne teste pas l'abstention. Gardez un état de revue explicite sur l'artefact final ; une cellule de notebook terminée n'est qu'une preuve d'exécution.

Comptabilisez séparément les coûts des ressources distantes et locales

La conversation AG2 peut produire plusieurs requêtes, y compris la coordination et les nouvelles tentatives. Enregistrez leur utilisation avec les preuves de réponse ou de facturation et le contrat tarifaire actuel. Comptabilisez séparément les abonnements de données, les téléchargements de checkpoints, l'inférence CPU ou GPU, le stockage et la revue humaine. Réutilisez un paquet de sources versionné pour comparer des modèles conversationnels afin qu'un flux d'actualités changeant ne domine pas l'expérience. Gardez le classifieur chargé lorsque cela est pertinent et mettez l'extraction de sources approuvée en cache par version, tout en conservant assez de métadonnées pour détecter un modèle ou une entrée modifiés.

Diagnostiquez le composant responsable de l'erreur

Une erreur d'import LLMConfig demande généralement de vérifier l'identité et la version du paquet, et non de changer l'endpoint. Une réponse d'authentification ou de modèle manquant relève du chemin client distant. Des actualités vides, des schémas de fournisseur modifiés et des écarts de symboles de marché relèvent des outils de données. Une erreur de checkpoint ou de mémoire relève de l'inférence locale. Conservez l'étape échouée et les preuves masquées, puis ne relancez que la partie concernée lorsque cela est possible. Désactivez les permissions d'exécution de code inutiles et gardez les données financières et les identifiants hors des sorties publiques du notebook avant de partager une reproduction.

Preuves et limites

Le notebook AG2 a été relu à partir de la source 1aac5558 le 5 septembre 2026. La configuration adapte ses champs documentés. Aucune exécution de notebook APIsRouter ni aucun cas de coût de tâche mesuré n'a été produit pour ce guide. Validez ensemble la conversation, les outils, la classification locale et la note finale avant de traiter l'application comme opérationnelle.

Questions fréquentes