הגדרת יישום FinGPT API
Updated 2026-09-05
FinGPT מכיל כמה סוגים של עבודת AI פיננסית. Endpoint תואם יכול להגדיר יישום סוכן; הוא אינו מחליף משקלי מודל מקומיים, הסקת סנטימנט או אימון.
בחרו יישום לפני בחירת endpoint
FinGPT הוא אוסף של מחקר ויישומים של מודלי שפה פיננסיים, לא לקוח API אוניברסלי יחיד. ל-agent notebooks שלו, לדוגמאות הסקה מקומית ולעבודת fine-tuning יש תלויות שונות. מדריך זה מתמקד ב-fingpt/ag2_financial_analysis_pipeline.ipynb ב-revision 1aac5558, שנבדק ב-5 בספטמבר 2026. הוא משתמש ב-AG2 לתיאום משימות של חדשות פיננסיות. הגדרת notebook זו אינה הגירה של כל פרויקט FinGPT. בחרו תחילה את ה-notebook המדויק ואת מגבלות התלויות שלה, ואז תעדו מה הוא הסקה מרוחקת, מה רץ מקומית ואילו כלי נתונים מעורבים.
הבינו את שלושת גבולות השירות העצמאיים
ה-notebook שנבדקה מספקת LLMConfig לשיחת סוכן, כלים שמביאים מידע פיננסי דרך yfinance וצינור סנטימנט של Transformers. אלה נתיבי ריצה נפרדים. בפרט, כלי הסנטימנט בדוגמה משתמש ב-FinBERT; בחירת מודל chat דרך gateway אינה הופכת את הכלי ל-checkpoint אחר של FinGPT. להורדת משקלים מקומית עשויים להיות רישיון מודל ודרישות חומרה משלה. בדקו את הכלים בפועל לפני תיאור המערכת שנוצרה כמערכת מרוחקת לחלוטין או מקומית לחלוטין.
| רכיב | נתיב ביצוע | ראיות נדרשות |
|---|---|---|
| שיחת AG2 | Endpoint chat מוגדר | תאימות לקוח וקריאות כלים |
| כלי מניות וחדשות | מקור נתונים פיננסיים | כיסוי, חותמות זמן ורישוי |
| סיווג סנטימנט | הסקת Transformers מקומית | Checkpoint, מיפוי תוויות וקיצוץ קלט |
| דוגמאות fine-tuning | סביבת אימון | זכויות מערך נתונים והערכה שניתנת לשחזור |
התאימו את תצורת AG2 המתועדת
ה-notebook בונה LLMConfig עם api_type, model, api_key ו-base_url. ההחלפה הבאה משמרת את השדות האלה ומקבלת את המזהה ואת פרטי הגישה מהסביבה. FINANCE_MODEL_ID הוא placeholder slot בבעלות היישום; פתרו אותו לרשומת קטלוג עדכנית שתומכת באינטראקציות הנדרשות של ה-notebook. התצורה הזו אינה יוצרת תגובת מודל. שמרו את מגבלות גרסת AG2 התואמת של ה-notebook ואל תחליפו חבילת AutoGen בשם דומה בלי לבדוק imports ו-APIs.
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.חברו את הסוכנים ובדקו את הכלים הרשומים
העבירו את אותו llm_config ל-researcher, ל-analyst, ל-advisor ול-GroupChatManager של ה-notebook. שמרו את רישומי הכלים המתועדים ובדקו את בקשת הכלי שהסוכן פלט, את תוצאת ה-executor ואת הודעת המודל הבאה. התחילו בקבוצת קלט קטנה ומותרת ואמתו כל פעולה נדרשת. שמרו שגיאת כלי מוחזרת כאשר נתונים אינם זמינים כדי שהתדריך הסופי יוכל לציין איזו ראיה חסרה. התרשים מציג את נתיב השיחה; כלי הנתונים הפיננסיים והסיווג המקומי שומרים תצורה משלהם.
התייחסו לסנטימנט כפלט מודל, לא כאות מניה
תווית מסווג מתארת את הפרשנות שלו לטקסט שסופק תחת checkpoint מסוים. זו אינה הסתברות מכוילת לביצועי מניה עתידיים. לפני הסיווג שמרו את הכותרת המקורית, המקור, זמן הפרסום וכל קיצוץ. בדקו את מיפוי התוויות ושמרו דוגמאות עמומות. שפה שלילית על ביקוש בתעשייה יכולה להתקיים לצד תחזית חיובית ספציפית לחברה; איחוד שניהם לציון אחד מאבד את ההבחנה הזו. עבור כיסוי בינלאומי אמתו את השפה וההקשר השוקי של המסווג במקום לתרגם כל טקסט ולהניח את אותה כיול.
בנו חבילת קבלה קטנה מקצה לקצה
לאחר בדיקת לקוח מורשית בנפרד השתמשו בקבוצה מוגבלת של חומר ציבורי או מורשה עבור חברה אחת. שמרו hashes של קלטים, פלטי כלים, תוצאות מסווג, שיחת סוכן ותדריך סופי. בדקו אם כל משפט עובדתי ניתן לעקיבה לקלט ואם נתונים חסרים נשארים גלויים. החבילה הראשונית צריכה לכלול כשל של כלי נתונים ודוגמת טקסט עמומה, מפני שכותרת במסלול שמח לבדה אינה בודקת הימנעות. השאירו סטטוס בדיקה מפורש על התוצר הסופי; תא notebook שהושלמה היא רק ראיית ביצוע.
התחשבו בעלות משאבים מרוחקים ומקומיים
שיחת AG2 יכולה ליצור בקשות מרובות, כולל תיאום וניסיונות חוזרים. תעדו את ה-usage שלהן באמצעות ראיות תגובה או חיוב ובאמצעות חוזה המחירים הנוכחי. חשבו בנפרד מנויי נתונים, הורדות checkpoint, הסקה ב-CPU או GPU, אחסון ובדיקה אנושית. השתמשו בחבילת מקור בגרסה כאשר משווים מודלי שיחה כדי שפיד חדשות משתנה לא ישלוט בניסוי. השאירו את המסווג טעון כשמתאים ושמרו חילוץ מקור מאושר במטמון לפי גרסה, תוך שמירת metadata מספיק כדי לזהות מודל או קלט שהשתנו.
אבחן את הרכיב שבבעלותו השגיאה
שגיאת import של LLMConfig דורשת בדרך כלל בדיקת זהות וגרסת חבילה, לא שינוי endpoint. תגובת אימות או מודל חסר שייכת לנתיב הלקוח המרוחק. חדשות ריקות, סכמות ספק שהשתנו ואי-התאמות סמלי שוק שייכות לכלי הנתונים. שגיאת checkpoint או זיכרון שייכת להסקה המקומית. שמרו את השלב שנכשל ואת הראיות שעברו sanitization, ואז הריצו מחדש רק את החלק המושפע כשאפשר. השביתו הרשאות ביצוע קוד מיותרות והשאירו נתונים פיננסיים ופרטי גישה מחוץ לפלט notebook ציבורי לפני שיתוף שחזור.
ראיות ומגבלות
ה-notebook של AG2 נבדקה מול המקור ב-1aac5558 ב-5 בספטמבר 2026. התצורה מתאימה את השדות המתועדים שלה. עבור מדריך זה לא בוצעה הרצת notebook דרך APIsRouter ולא הופק מקרה עלות משימה מדוד. אמתו יחד שיחה, כלים, סיווג מקומי ותדריך סופי לפני התייחסות ליישום כתפעולי.
שאלות נפוצות
האם APIsRouter יכול לארח את כל מודלי FinGPT דרך ההגדרה הזו?
המדריך הזה מגדיר רק את שיחת היישום של AG2. Checkpoints מקומיים של FinGPT, fine-tuning והסקת סנטימנט הם מסלולים נפרדים.
האם FinBERT הוא אותו מודל כמו מודל ה-chat שנבחר?
לא. ה-notebook שנבדקה משתמשת במסווג Transformers מקומי לכלי הסנטימנט. שינוי LLMConfig אינו משנה את המסווג הזה.
אילו שדות תצורה נבדקו מול המקור?
ה-notebook משתמשת ב-api_type, model, api_key ו-base_url בתוך AG2 LLMConfig. התאימו למגבלות החבילה שלה לפני שינוי התא.
מה לבדוק בשיחה הקבוצתית?
בדקו את הדובר שנבחר, את הכלי שהתבקש, את תוצאת ה-executor ואת הפניות הטענות הסופיות. ודאו שכשלונות נשארים גלויים במקום להפוך לעובדות מומצאות.
האם ציוני סנטימנט יכולים לחזות תשואה?
ציון סיווג טקסט אינו מבסס ביצועים עתידיים. כל שימוש חיזויי מוצע דורש הערכה עצמאית בנקודת זמן ובדיקה סטטיסטית מתאימה.
מה צריך לכלול שחזור שניתן לשיתוף?
Revision של ה-notebook, גרסאות תלויות, חבילת מקור מותרת, תוצאות כלים, זהות מודל, ראיות שימוש ופלט שנבדק, עם הסרת פרטי גישה ונתונים פרטיים.