Persediaan API tersuai ai-hedge-fund

Updated 2026-09-05

Pemilihan penyedia datang sebelum konfigurasi endpoint. Ikuti kilang model dan daftar semasa, kemudian sahkan data, output ejen dan penilaian sebagai peringkat berasingan.

Kenal pasti laluan aplikasi semasa

Untuk aplikasi ai-hedge-fund semasa, sahkan penyedia daftar model sebelum menetapkan OPENAI_API_BASE. Pada semakan fc1bf250, kilang klien berada di hedge_fund/llm/client.py dan membaca daftar di sebelahnya. Tutorial lama yang hanya merujuk src/llm/models.py menerangkan laluan aplikasi berbeza. Kunci checkout anda dan gunakan titik masuk yang mengimport kilang semasa. Mulakan dengan prapemeriksaan penyedia di bawah, kemudian uji klien projek sebelum mengumpul data kewangan untuk kitaran penyelidikan lengkap.

Selesaikan penyedia sebelum menetapkan URL asas

make_llm memilih penyedia daripada pengecam model yang dipilih. Cawangan OpenAI menyerahkan OPENAI_API_BASE kepada ChatOpenAI dan membaca kunci API sepadan. Pengecam tidak dikenali kembali kepada pengangkutan Anthropic dalam sumber yang disemak, jadi hanya mengeksport URL asas OpenAI tidak mencukupi. Sahkan dahulu ID model endpoint tepat didaftarkan di bawah OpenAI. Di sini OpenAI mengenal pasti penyesuai pengangkutan; ia tidak memperakui vendor model asas. Jangan ubah entri daftar global tanpa memahami setiap aliran kerja yang menggunakannya.

TetapanTujuanPemeriksaan
HEDGE_FUND_LLM_MODELPilih ID model tepatDaftar menyelesaikan penyedia yang dimaksudkan
OPENAI_API_BASEGanti endpoint pengangkutan OpenAITerpakai pada cawangan OpenAI
OPENAI_API_KEYSahkan pengangkutan ituTersedia untuk proses klien
api_models.jsonPetakan ID model kepada penyediaLaluan semasa ialah hedge_fund/llm/

Periksa konfigurasi tanpa membuat permintaan

Contoh di bawah gagal sebelum pembinaan klien jika daftar tempatan memilih pengangkutan lain. Tetapkan RESEARCH_MODEL_ID kepada ID katalog yang pendaftarannya dalam aplikasi telah anda semak. Jika tiada, tambah baris daftar tempatan secara sengaja menggunakan medan display_name, model_name dan provider sedia ada sambil mengekalkan entri lain. Placeholder itu bukan dakwaan model disokong. Bekalkan kunci melalui persekitaran atau stor rahsia. Prapemeriksaan ini hanya memeriksa pemilihan; ia tidak dapat membuktikan akses rangkaian, kelayakan akaun, output berstruktur atau kualiti penyelidikan.

import os
from hedge_fund.llm.registry import provider_for

model = os.environ["RESEARCH_MODEL_ID"]
if provider_for(model) != "OpenAI":
    raise RuntimeError("MODEL_TRANSPORT_MISMATCH")
os.environ["HEDGE_FUND_LLM_MODEL"] = model
os.environ["OPENAI_API_BASE"] = "https://api.apisrouter.com/v1"
assert os.environ["OPENAI_API_KEY"]
# Selection check only; no make_llm() or model request.

Jejaki laluan model yang dicadangkan

Laluan model bermula selepas penyelesaian daftar. Aplikasi masih memerlukan klien data kewangan, takrif alam dan tarikh penyelidikan jelas. Kunci gerbang bukan kelayakan Financial Datasets atau hak mengedar semula data pasaran. Sahkan pengecam syarikat, mata wang dan semantik cap masa secara bebas. Untuk syarikat disenaraikan silang, nyatakan sama ada analisis merujuk penerbit, kelas saham tempatan atau resit depositari. Asingkan bukti permintaan model daripada bukti penyedia data supaya siri kewangan hilang tidak salah didiagnosis sebagai masalah LLM.

Laluan pengangkutan OpenAI ai-hedge-fund selepas pemilihan daftar model.ai-hedge-fund routes through Penyedia daftar OpenAI + OPENAI_API_BASE to the APIsRouter gateway (api.apisrouter.com/v1), which fans out to: Registered research model.ai-hedge-fundviaPenyedia daftar OpenAI+ OPENAI_API_BASEAPIsRouterapi.apisrouter.com/v1Registered research model
Laluan klien didokumenkan selepas pemilihan penyedia. Data kewangan menggunakan klien sendiri.

Sahkan keputusan dihuraikan sebagai data

Kilang yang disemak membungkus klien penyedia di belakang kaedah complete(system, user). Teks responsnya bukan hasil penyelidikan sah secara automatik. Periksa lapisan ejen yang menghurai JSON, mengendalikan penolakan dan menggabungkan output. Respons boleh tidak kosong tetapi cacat, bercanggah secara dalaman atau tidak disokong input. Simpan respons mentah yang disunting dan objek dihuraikan di bawah satu rekod permintaan. Sahkan medan dijangka dan keadaan dibenarkan dan bukannya memadankan ayat meyakinkan. Anggap hasil hilang atau ditolak sebagai tidak tersedia, bukan isyarat neutral yang masuk senyap ke agregasi portfolio.

import os
from hedge_fund.llm.client import make_llm, extract_json
from hedge_fund.llm.registry import provider_for

model = os.environ["HEDGE_FUND_LLM_MODEL"]
assert provider_for(model) == "OpenAI"
client = make_llm(model=model)
result = extract_json(client.complete(
    "Return a JSON object with a boolean ready field.",
    "Set ready to true.",
))
assert result.get("ready") is True
# This request tests the client and parser, not financial research.

Jadikan kitaran penyelidikan pertama kecil dan boleh disemak

Selepas ujian klien dibenarkan, pilih satu penerbit dan soalan terhad dengan bukti berlesen atau awam. Sahkan setiap alat wajib memulangkan syarikat dan tempoh dijangka, kemudian bandingkan penjelasan terjana dengan dokumen asal. Kekalkan larian awal baca sahaja dan langkah semakan manusia yang jelas. Nilai sama ada output memetik bukti menyokong dan menentang, merekod data hilang serta membezakan andaian daripada pengiraan. Nama peranan penganalisis atau gaya pelaburan bukan bukti bahawa penaakulan terjana mengulangi kaedah atau pertimbangan orang sebenar.

Kekalkan bukti backtest bebas

Aplikasi boleh menamatkan kitaran penyelidikan sementara penilaian sejarahnya masih tidak sah. Periksa cap masa penerbitan, data disemak, pemilihan syarikat yang masih hidup dan penggunaan berita semasa dalam prompt sejarah. Asingkan tempoh pembangunan, pengesahan dan data tertahan sebelum mengulang prompt atau tetapan strategi. Simpan penanda aras, andaian kos transaksi dan setiap konfigurasi dicuba. Memilih prompt berulang kali berdasarkan tempoh ujian sama menjadikan tempoh itu data pembangunan. Laporkan penilaian tidak lengkap dengan jujur dan bukannya mengisi jadual hasil dengan pulangan ilustratif yang boleh dianggap ukuran.

Kawal kegagalan dan jumlah perbelanjaan penyelidikan

Kira panggilan model, percubaan semula, kegagalan parsing, caj data kewangan dan pengiraan tempatan pada tahap tugas. Tamat masa endpoint mungkin menyebabkan pengebilan tidak diketahui sehingga penggunaan direkonsiliasikan. Cuba semula kegagalan pengangkutan sementara dalam belanjawan tetap; jangan cuba semula kegagalan pengesahan atau pemilihan penyedia tanpa perubahan. Kekalkan peringkat gagal dan ralat yang dibersihkan untuk semakan. Respons hello gerbang umum boleh membantu mengasingkan pengangkutan, tetapi hanya ujian klien projek sendiri menguji tingkah laku penyesuainya. Perbandingan kos berguna mengekalkan pakej sumber, peranan dan kriteria penerimaan output yang sama untuk model calon.

Bukti dan batasan

Kilang dan daftar semasa disemak pada fc1bf250 pada 5 September 2026. Contoh ialah templat bersumber; tiada permintaan APIsRouter atau kitaran penyelidikan lengkap dilaksanakan untuk panduan ini. Panggilan terdahulu melalui gerbang lain tidak membuktikan integrasi ini. Kekalkan hasil klien, alat data dan artifak lengkap berasingan ketika mengesahkan persekitaran.

Soalan lazim

Mengapa ID tersuai saya meminta kunci Anthropic?

Dalam kilang disemak, ID model tidak berdaftar kembali kepada Anthropic. Semak provider_for(model) dan daftar hedge_fund/llm/api_models.json semasa sebelum membina klien.

Adakah OPENAI_API_BASE menghala semula setiap penyedia?

Tidak. Ia dibaca dalam cawangan klien OpenAI. Penyedia daftar lain membina klien sendiri dan mungkin menggunakan tetapan berbeza.

Medan daftar manakah yang berkaitan?

Daftar disemak membaca display_name, model_name dan provider. Kekalkan ID endpoint tepat dan pilih pengangkutan secara sengaja.

Adakah model dalam menu aplikasi menunjukkan akses endpoint?

Tidak. Semak ID tepat dan akses akaun dengan endpoint pilihan. Daftar aplikasi menentukan pemilihan klien, bukan katalog gerbang.

Apakah yang patut diperiksa selepas klien memulangkan JSON?

Sahkan alat data kewangan, skema output ejen, tingkah laku penolakan dan artifak penyelidikan akhir berpautan bukti menggunakan tugas terhad.

Bolehkah output digunakan untuk meletakkan pesanan secara automatik?

Panduan ini meliputi konfigurasi penyelidikan. Kebenaran pesanan, had, rekonsiliasi dan semakan operasi tergolong dalam sistem pelaksanaan yang disahkan berasingan.