הגדרת TradingAgents API

התחילו בשאלת מחקר עם גרסה

הגדירו ספק תואם, כתובת backend מותאמת ושני תפקידי מודל, ואז בדקו חברה אחת בתאריך מחקר מוגדר. TradingAgents מארגן אנליסטים, טיעוני מחקר מנוגדים ובדיקת סיכונים, לכן משימה ראשונה שימושית היא לבדוק כיצד התפקידים האלה מסבירים את אותה חבילת מקור. בחרו חברה ומועד חיתוך מידע לפני שינוי מודלים. שמרו את העובדות הבסיסיות והפריטים שלא נפתרו מהריצה הראשונה כדי שהשוואות מודל מאוחרות ישתמשו באותה שאלה. השדות שלהלן עוקבים אחר service revision 9dee508c.

הגדירו את הספק התואם ואת שני תפקידי המודל

ה-default_config.py שנבדק חושף את llm_provider, backend_url, deep_think_llm ו-quick_think_llm. הלקוח התואם משתמש ב-endpoint שסופק; האימות הוא הגדרת סביבה נפרדת. שתי משבצות התפקיד צריכות מזהה מודל מדויק שה-endpoint שנבחר ולקוח הפרויקט מקבלים. הדוגמה מתאימה את שדות המקור האלה ורק בונה תצורה. הגדירו RESEARCH_MODEL_ID ו-SUMMARY_MODEL_ID מהקטלוג הנוכחי לאחר בדיקת היכולות הנדרשות. אלה משבצות סביבה מקומיות, לא מזהי מודל ולא ברירות מחדל של TradingAgents. שמרו את פרטי הגישה בסביבת התהליך, לא בסקריפט.

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.

שמרו את נתיב המודל נפרד מנתונים פיננסיים

הגדירו ספקי נתונים פיננסיים בנפרד מ-endpoint המודל. עבור מניות בינלאומיות פתרו את המנפיק ואת הסמל הספציפי לבורסה לפני האיסוף. שמרו מטבע מסחר, מטבע דיווח, אזור זמן שוק ובחירת benchmark. עבור קבלה פיקדונית שנסחרת בארה״ב והמניה הרגילה שבבסיסה צריך כלל המרה מפורש לפני השוואת סדרות המחיר. התרשים מציג כיצד הגדרות המודל מתחברות; כלי הנתונים הפיננסיים שומרים את פרטי הגישה, הכיסוי וחותמות הזמן של המקור שלהם. בדקו את הכלים האלה לפני אבחון קלט מחקר חסר ככשל LLM.

בחרו תפקידים לפי חוזה המשימה

בדקו את היכולות שכל תפקיד משתמש בהן בפועל. תשובת טקסט אינה מבססת פענוח קריאות כלים, טיפול בהקשר ארוך או התנהגות של פלט מובנה. שינוי משפחת מודלים יכול לשנות גם את התנהגות מתאם הספק, אפילו כאשר ה-endpoint מקבל את המזהה שלו. התחילו בקבוצת התפקידים השימושית הקטנה ביותר; הוסיפו debate רק כאשר הוא מזהה טענות שאינן נתמכות או ראיות נגדיות שימושיות. העריכו את התוצר הסופי מול אותה חבילת מקור במקום להתייחס לדוחות ארוכים יותר כמחקר טוב יותר.

השתמשו בבדיקת קבלה מדורגת להרצה הראשונה

תחילה בדקו את התצורה שנפתרה בלי להדפיס מפתחות. לאחר מכן, בסביבת ביצוע מורשית, הפעילו את לקוח הפרויקט עם המודל שנבחר ושמרו רשומת בקשה מושחרת. אחר כך בדקו אינטראקציה נדרשת עם כלי ואת נתיב השגיאה שלה. לבסוף הריצו TradingAgentsGraph עם קבוצת מקורות מוגבלת ובדקו את המצב שנוצר, העובדות המצוטטות ופלט המחקר הסופי. שמרו revision של המאגר, גרסאות תלויות, hashes של קלטים והגדרות תפקידים. תשובת factory עוברת רק את שלב הלקוח; דוח מלא עדיין זקוק לבדיקת מקור ומספרים לפני שהוא נחשב תוצר מחקר שימושי.

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.

הגנו על מחקר היסטורי מפני מידע מאוחר יותר

תאריך ניתוח שהתבקש אינו מוכיח שכל תשובת ספק היא בנקודת הזמן הנכונה. בדקו אם נתוני יסוד היו זמינים עד מועד החיתוך, אם מאמרים תוקנו מאוחר יותר ואם נתונים במטמון הגיעו מניסוי אחר. שמרו בנפרד את זמן הפרסום המקורי ואת זמן הקליטה. השאירו משוב אימון או reflection מחוץ לתקופת הערכה שמורה. רשימות ticker היסטוריות צריכות לכלול מחיקות מהמסחר ושינויי סמלים רלוונטיים. תעדו טיפול בפעולות תאגידיות ואת benchmark ההשוואה לצד כל ניסוי כדי ששינוי מודל לא יתבלבל בשינוי נתונים.

תקצבו דיון, ניסיונות חוזרים והקשר חוזר

הוצאות financial-agent מגיעות מכל בקשה בגרף, כולל סיכומים, הקשר חוזר וניסיונות חוזרים שחויבו. השתמשו בחוזה המחירים הנוכחי לתכנון והתאימו שימוש בבקשות לאחר מכן. הגבילו סבבי דיון, נפח מקור, משימות מקביליות וניסיונות אוטומטיים לפני sweep. שמרו חילוץ מקור במטמון לפי גרסאות מסמך והבחינו בין שימוש חוזר של היישום להנחות חיוב של הספק. עקבו אחר מנויי נתונים וחישוב מקומי בנפרד מחיובי LLM והשוו עלות לכל תוצר מחקר שהתקבל. התחילו בהרצה המוגבלת שלעיל לפני הרחבת יקום הסמלים והתאריכים.

אבחנו את השלב שנכשל

בכשלי אימות בדקו שמפתח הספק התואם מגיע לאותו תהליך שיוצר את הלקוח. במודלים חסרים השוו את המזהה המדויק ואת גישת החשבון לקטלוג הנוכחי. בפלט כלי פגום שמרו את סכמת הכלי ואת התגובה שעברה sanitization במקום רק את החריגה הסופית. עצירה יכולה להיות בקשת ספק נתונים, לולאת כלי חוזרת או timeout של מודל; בדקו חותמות זמן של שלבים לפני הגדלת מגבלות. עצרו כאשר נתונים חיוניים חסרים. ניסיונות חוזרים עד שמופיעה פרוזה יכולים להסתיר את הכשל המקורי ולצרוך את כל תקציב המחקר.

ראיות ומגבלות

התצורה נבדקה מול המקור ב-5 בספטמבר 2026 ב-revision 9dee508c. הדוגמאות הן תבניות הדרכה; עבור מדריך זה לא בוצעו בקשת לקוח APIsRouter, גרף מלא או מקרה עלות משימה מדוד. אמתו את המודלים ואת כלי הנתונים שבחרתם בהרצה מוגבלת משלכם לפני הרחבת התהליך.

שאלות נפוצות