Setup aplikasi FinGPT API

Pilih aplikasi sebelum memilih endpoint

FinGPT adalah kumpulan riset dan aplikasi model bahasa keuangan, bukan satu client API universal. Notebook agen, contoh inferensi lokal, dan pekerjaan fine-tuning memiliki dependensi berbeda. Panduan ini berfokus pada fingpt/ag2_financial_analysis_pipeline.ipynb pada revision 1aac5558, yang ditinjau 5 September 2026. Notebook ini menggunakan AG2 untuk mengoordinasikan tugas berita keuangan. Mengonfigurasi notebook itu bukan migrasi seluruh proyek FinGPT. Pilih notebook persis beserta batasan dependensinya, lalu dokumentasikan mana inferensi remote, mana yang berjalan lokal, dan alat data yang terlibat.

Pahami tiga batas layanan yang independen

Notebook yang ditinjau menyediakan LLMConfig untuk percakapan agen, alat pengambil informasi keuangan melalui yfinance, dan pipeline sentimen Transformers. Jalur runtime tersebut terpisah. Secara khusus, alat sentimen contoh menggunakan FinBERT; pemilihan model chat gateway tidak mengubah alat itu menjadi checkpoint FinGPT lain. Unduhan bobot lokal mungkin memiliki lisensi model dan persyaratan hardware sendiri. Audit alat aktual sebelum menyebut sistem sebagai sepenuhnya remote atau sepenuhnya lokal.

Adaptasikan konfigurasi AG2 yang terdokumentasi

Notebook membuat LLMConfig dengan api_type, model, api_key, dan base_url. Pengganti di bawah mempertahankan field tersebut dan memperoleh pengenal serta credential dari environment. FINANCE_MODEL_ID adalah slot placeholder milik aplikasi; arahkan ke entri katalog saat ini yang mendukung interaksi yang diperlukan notebook. Konfigurasi ini tidak membuat model response. Pertahankan batasan versi AG2 notebook yang kompatibel dan jangan mengganti dengan paket AutoGen bernama mirip tanpa memeriksa import serta API-nya.

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.

Hubungkan agen dan uji tool yang terdaftar

Teruskan llm_config yang sama ke researcher, analyst, advisor, dan GroupChatManager milik notebook. Pertahankan registrasi tool yang terdokumentasi dan periksa tool request yang dikeluarkan agen, hasil executor, serta pesan model berikutnya. Mulai dengan set input publik yang terbatas dan verifikasi setiap operasi yang diperlukan. Pertahankan error tool yang dikembalikan saat data tidak tersedia agar brief akhir dapat menyatakan bukti yang hilang. Diagram menunjukkan rute percakapan; alat data keuangan dan klasifikasi lokal memiliki konfigurasi sendiri.

Tinjau sentimen sebagai output model, bukan sinyal saham

Label classifier menggambarkan interpretasinya terhadap teks yang diberikan di bawah checkpoint tertentu. Itu bukan probabilitas terkalibrasi untuk kinerja saham masa depan. Catat headline asli, sumber, waktu publikasi, dan truncation apa pun sebelum klasifikasi. Periksa pemetaan label dan pertahankan contoh ambigu. Bahasa negatif tentang permintaan industri dapat berdampingan dengan panduan positif khusus perusahaan; menggabungkannya menjadi satu skor menghilangkan perbedaan itu. Untuk cakupan internasional, validasi bahasa dan konteks pasar classifier, jangan menerjemahkan semua teks lalu menganggap kalibrasinya sama.

Bangun paket penerimaan end-to-end kecil

Setelah uji client yang diotorisasi terpisah, gunakan materi publik atau berlisensi terbatas untuk satu perusahaan. Simpan hash input, output tool, hasil classifier, percakapan agen, dan brief akhir. Tinjau apakah setiap kalimat faktual dapat ditelusuri ke input dan apakah data hilang tetap terlihat. Paket awal harus mencakup kegagalan data-tool dan contoh teks ambigu karena headline jalur sukses saja tidak menguji abstention. Pertahankan status tinjauan eksplisit pada artefak akhir; cell notebook yang selesai hanya merupakan bukti eksekusi.

Perhitungkan biaya resource remote dan lokal

Percakapan AG2 dapat menghasilkan banyak request, termasuk koordinasi dan retry. Catat penggunaan dengan bukti response atau billing serta kontrak harga terkini. Secara terpisah, hitung langganan data, unduhan checkpoint, inferensi CPU atau GPU, penyimpanan, dan tinjauan manusia. Gunakan paket sumber berversi yang sama saat membandingkan model percakapan agar feed berita yang berubah tidak mendominasi eksperimen. Pertahankan classifier yang sudah dimuat bila sesuai dan cache ekstraksi sumber yang disetujui berdasarkan versi, sambil menyimpan metadata yang cukup untuk mendeteksi model atau input yang berubah.

Atasi komponen yang memiliki error

Error import LLMConfig biasanya memerlukan pemeriksaan identitas dan versi paket, bukan perubahan endpoint. Respons autentikasi atau model hilang berada pada jalur client remote. Berita kosong, schema penyedia berubah, dan ketidakcocokan simbol pasar berada pada alat data. Error checkpoint atau memori berada pada inferensi lokal. Pertahankan tahap gagal dan bukti tersanitasi, lalu jalankan ulang hanya bagian yang terdampak bila memungkinkan. Nonaktifkan izin eksekusi kode yang tidak diperlukan dan jauhkan data keuangan serta credential dari output notebook publik sebelum membagikan reproduksi.

Bukti dan keterbatasan

Notebook AG2 ditinjau berdasarkan sumber pada 1aac5558 tanggal 5 September 2026. Konfigurasi ini mengadaptasi field yang terdokumentasi. Tidak ada eksekusi notebook APIsRouter atau kasus biaya tugas terukur yang dihasilkan untuk panduan ini. Validasi percakapan, alat, klasifikasi lokal, dan brief akhir bersama-sama sebelum menganggap aplikasi operasional.

Pertanyaan umum