TradingAgents API कॉन्फ़िगरेशन

Versioned research question से शुरुआत करें

Compatible provider, custom backend URL और दो model roles तय करें, फिर निश्चित research date पर एक company test करें। TradingAgents analysts, opposing research arguments और risk review व्यवस्थित करता है, इसलिए पहला उपयोगी task यह देखना है कि ये roles एक ही source packet को कैसे समझाते हैं। Model बदलने से पहले company और information cutoff चुनें। पहली run के underlying facts और unresolved items सुरक्षित रखें, ताकि बाद की model comparisons उसी question पर हों। नीचे के fields service revision 9dee508c का अनुसरण करते हैं।

Compatible provider और दोनों model roles configure करें

Reviewed default_config.py में llm_provider, backend_url, deep_think_llm और quick_think_llm exposed हैं। Compatible client दिया गया endpoint इस्तेमाल करता है; authentication अलग environment setting है। दोनों role slots में chosen endpoint और project client द्वारा स्वीकार किया गया exact model identifier चाहिए। उदाहरण इन source fields को adapt करता है और केवल configuration बनाता है। Required capabilities जांचने के बाद current catalog से RESEARCH_MODEL_ID और SUMMARY_MODEL_ID चुनें। ये local environment slots हैं, model IDs या TradingAgents defaults नहीं। Credential script में नहीं, process environment में रखें।

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.

Model route को financial data से अलग रखें

Financial-data vendors को model endpoint से स्वतंत्र रूप से configure करें। International equities के लिए collection से पहले issuer और exchange-specific symbol resolve करें। Trading currency, reporting currency, market timezone और benchmark choice सुरक्षित रखें। US-listed depositary receipt और underlying ordinary share की price series compare करने से पहले explicit conversion rule चाहिए। Diagram दिखाता है कि model settings कैसे जुड़ती हैं; financial-data tools अपने credentials, coverage और source timestamps बनाए रखते हैं। Missing research input को LLM failure मानने से पहले उन tools को जांचें।

Task contract के अनुसार roles चुनें

हर role द्वारा वास्तव में इस्तेमाल की जाने वाली capabilities test करें। Text reply tool-call parsing, long-context handling या structured-output behavior सिद्ध नहीं करता। Model family बदलने पर provider adapter behavior भी बदल सकता है, भले endpoint उसका identifier स्वीकार करे। सबसे छोटे उपयोगी roles से शुरू करें; debate तभी जोड़ें जब वह unsupported claims या उपयोगी counterevidence पहचाने। Final artifact का मूल्यांकन उसी source packet पर करें, longer report को अपने-आप बेहतर research न मानें।

Staged first-run acceptance test इस्तेमाल करें

पहले keys print किए बिना resolved configuration inspect करें। फिर authorized execution environment में selected model के साथ project client चलाएं और redacted request record रखें। उसके बाद required tool interaction और उसका error path test करें। अंत में सीमित source set के साथ TradingAgentsGraph चलाएं और resulting state, cited facts तथा final research output inspect करें। Repository revision, dependency versions, input hashes और role settings सुरक्षित रखें। Factory response केवल client stage पास करता है; usable research artifact माने जाने से पहले complete report को source और numerical review चाहिए।

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.

Historical research को बाद की information से बचाएं

Requested analysis date इस बात का प्रमाण नहीं है कि हर vendor response point-in-time था। जांचें कि fundamentals cutoff तक वास्तव में उपलब्ध थे या नहीं, articles बाद में सुधारे गए थे या नहीं और cached data किसी दूसरे experiment से आया था या नहीं। Original publication time और ingestion time अलग-अलग रखें। Training या reflection feedback को held-out evaluation period से बाहर रखें। Historical ticker lists में relevant delistings और symbol changes शामिल हों। हर experiment के साथ corporate-action handling और comparison benchmark दर्ज करें, ताकि model change को data change न समझा जाए।

Debate, retries और repeated context का बजट बनाएं

Financial-agent spend graph की हर request से आता है, summaries, repeated context और billable retries सहित। Planning में current pricing contract इस्तेमाल करें और बाद में actual request usage reconcile करें। Sweep से पहले debate rounds, source volume, parallel jobs और automatic retries सीमित करें। Document versions के आधार पर source extraction cache करें; application reuse को provider billing discount से अलग पहचानें। Data subscriptions और local compute को LLM charges से अलग track करें और cost per accepted research artifact की तुलना करें। Ticker और date universe बढ़ाने से पहले ऊपर दी bounded run से शुरुआत करें।

उस stage का निदान करें जो fail हुई

Authentication failures में जांचें कि compatible-provider key उसी process तक पहुंची है जो client बनाता है। Missing models में exact identifier और account access को current catalog से मिलाएं। Malformed tool output में केवल final exception नहीं, tool schema और sanitized response भी रखें। Stall data-vendor request, repeated tool loop या model timeout हो सकता है; limits बढ़ाने से पहले stage timestamps देखें। Mandatory data missing हो तो रुकें। Prose आने तक retry करना मूल failure छिपा सकता है और पूरा research budget खर्च कर सकता है।

प्रमाण और सीमाएं

Configuration को September 5, 2026 को revision 9dee508c पर source-review किया गया। Examples walkthrough templates हैं; इस guide के लिए कोई APIsRouter client request, complete graph या measured task-cost case execute नहीं किया गया। Workflow बढ़ाने से पहले अपने bounded run में selected models और data tools validate करें।

अक्सर पूछे जाने वाले प्रश्न