Configurazione API di TradingAgents

Inizia con una domanda di ricerca versionata

Imposta provider compatibile, backend URL personalizzato e due ruoli modello, poi testa un'azienda a una data di ricerca definita. TradingAgents organizza analisti, argomenti di ricerca contrapposti e revisione del rischio, quindi un primo compito utile è esaminare come questi ruoli spiegano lo stesso pacchetto fonte. Scegli azienda e cutoff informativo prima di cambiare modelli. Conserva fatti sottostanti ed elementi irrisolti della prima esecuzione, così i confronti successivi tra modelli usano la stessa domanda. I campi qui sotto seguono la revisione service 9dee508c.

Configura il provider compatibile e entrambi i ruoli modello

Il default_config.py revisionato espone llm_provider, backend_url, deep_think_llm e quick_think_llm. Il client compatibile usa l'endpoint fornito; l'autenticazione è un'impostazione d'ambiente separata. Entrambi gli slot di ruolo richiedono un identificativo esatto del modello accettato dall'endpoint scelto e dal client del progetto. L'esempio adatta quei campi fonte e costruisce solo la configurazione. Imposta RESEARCH_MODEL_ID e SUMMARY_MODEL_ID dal catalogo corrente dopo aver verificato le capacità richieste. Questi nomi sono slot dell'ambiente locale, non model ID o default TradingAgents. Mantieni la credenziale nell'ambiente del processo, non nello script.

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.

Mantieni separato il percorso del modello dai dati finanziari

Configura i fornitori di dati finanziari indipendentemente dall'endpoint del modello. Per azioni internazionali, risolvi emittente e simbolo specifico della borsa prima della raccolta. Conserva valuta di negoziazione, valuta di reporting, fuso orario del mercato e benchmark scelto. Una ricevuta di deposito quotata negli USA e la relativa azione ordinaria sottostante richiedono una regola di conversione esplicita prima di confrontare le serie di prezzi. Il diagramma mostra come si collegano le impostazioni del modello; gli strumenti dati finanziari conservano credenziali, copertura e timestamp della fonte propri. Controlla questi strumenti prima di diagnosticare un input di ricerca mancante come un errore LLM.

Scegli i ruoli in base al contratto dell'attività

Testa le capacità realmente usate da ciascun ruolo. Una risposta testuale non dimostra parsing delle tool call, gestione del contesto lungo o comportamento dell'output strutturato. Cambiare famiglia di modelli può inoltre cambiare il comportamento dell'adapter del provider, anche quando l'endpoint accetta il suo identificativo. Inizia con il set minimo utile di ruoli; aggiungi il dibattito solo quando individua dichiarazioni non supportate o controevidenze utili. Valuta l'artefatto finale rispetto allo stesso pacchetto fonte invece di considerare report più lunghi come ricerca migliore.

Usa un test di accettazione in fasi per la prima esecuzione

Prima ispeziona la configurazione risolta senza stampare chiavi. Poi, in un ambiente di esecuzione autorizzato, esercita il client del progetto con il modello scelto e conserva un record della richiesta redatto. Testa quindi un'interazione con uno strumento richiesto e il relativo percorso d'errore. Infine esegui TradingAgentsGraph con un insieme fonte circoscritto e ispeziona stato risultante, fatti citati e output finale della ricerca. Salva revisione del repository, versioni delle dipendenze, hash degli input e impostazioni dei ruoli. Una risposta della factory supera solo la fase client; un report completo richiede ancora revisione della fonte e numerica prima di contare come artefatto di ricerca utilizzabile.

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.

Proteggi la ricerca storica dalle informazioni successive

Una data di analisi richiesta non dimostra che ogni risposta del provider sia puntuale. Controlla se i fondamentali erano davvero disponibili al cutoff, se gli articoli sono stati corretti in seguito e se dati in cache provengono da un altro esperimento. Conserva separatamente ora di pubblicazione originale e ora di ingestione. Mantieni feedback di training o riflessione fuori da un periodo di valutazione holdout. Gli elenchi storici dei ticker devono includere delisting e cambi di simbolo rilevanti. Registra gestione delle azioni societarie e benchmark di confronto insieme a ogni esperimento, così un cambio modello non viene confuso con un cambio dati.

Metti a budget dibattito, retry e contesto ripetuto

La spesa di un agente finanziario deriva da ogni richiesta nel grafo, compresi riepiloghi, contesto ripetuto e retry fatturabili. Usa il contratto prezzi corrente per la pianificazione e riconcilia poi l'utilizzo effettivo delle richieste. Limita round di dibattito, volume delle fonti, job paralleli e retry automatici prima di una scansione. Metti in cache l'estrazione delle fonti usando versioni dei documenti; distingui il riuso dell'applicazione dagli sconti di fatturazione del provider. Traccia separatamente abbonamenti dati e calcolo locale rispetto ai costi LLM e confronta il costo per artefatto di ricerca accettato. Inizia dalla run circoscritta qui sopra prima di ampliare universo di ticker e date.

Diagnostica la fase che ha fallito

Per errori di autenticazione, verifica che la chiave del provider compatibile raggiunga lo stesso processo che crea il client. Per modelli mancanti, confronta identificativo esatto e accesso dell'account con il catalogo corrente. Per output dello strumento malformati, conserva schema dello strumento e risposta sanitizzata invece della sola eccezione finale. Un blocco può dipendere da una richiesta del fornitore dati, da un loop ripetuto di strumenti o dal timeout del modello; ispeziona i timestamp delle fasi prima di aumentare i limiti. Fermati se mancano dati obbligatori. Ripetere finché compare della prosa può nascondere il fallimento originale e consumare l'intero budget di ricerca.

Evidenze e limiti

La configurazione è stata revisionata dalla fonte il 5 settembre 2026 alla revisione 9dee508c. Gli esempi sono template di guida; per questo articolo non sono state eseguite richieste del client APIsRouter, grafi completi o casi misurati di costo dell'attività. Valida i modelli e gli strumenti dati selezionati nella tua run circoscritta prima di ampliare il flusso.

Domande frequenti