FinGPT API-applicatie instellen

Kies een applicatie vóór je een endpoint kiest

FinGPT is een verzameling onderzoek en applicaties rond financiële taalmodellen en geen universele API-client. Agentnotebooks, voorbeelden voor lokale inferentie en fine-tuning hebben verschillende dependencies. Deze gids richt zich op fingpt/ag2_financial_analysis_pipeline.ipynb bij revisie 1aac5558, gereviewd op 5 september 2026. Het gebruikt AG2 om taken rond financieel nieuws te coördineren. Dit notebook configureren is geen migratie van ieder FinGPT-project. Kies eerst het exacte notebook en zijn dependencyvoorwaarden en documenteer daarna wat remote inferentie is, wat lokaal draait en welke datatools zijn betrokken.

Begrijp de drie onafhankelijke servicegrenzen

Het gereviewde notebook levert een LLMConfig voor agentconversatie, tools die financiële informatie via yfinance ophalen en een Transformers-sentimentpipeline. Dat zijn afzonderlijke runtimepaden. De sentiments-tool in het voorbeeld gebruikt FinBERT; een gatewayselectie van een chatmodel maakt die tool niet tot een ander FinGPT-checkpoint. Een lokale download van gewichten kan eigen modellicentie- en hardwarevereisten hebben. Audit de werkelijke tools voordat je het resulterende systeem volledig remote of volledig lokaal noemt.

Pas de gedocumenteerde AG2-configuratie aan

Het notebook bouwt LLMConfig met api_type, model, api_key en base_url. De vervanging hieronder behoudt die velden en haalt identifier en credential uit de omgeving. FINANCE_MODEL_ID is een placeholder-slot van de applicatie; los het op naar een actuele catalogusentry die de vereiste interacties van het notebook ondersteunt. Deze configuratie maakt geen modelresponse. Behoud de compatibele AG2-versievoorwaarden van het notebook en vervang een gelijknamig AutoGen-pakket niet zonder imports en API's te controleren.

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.

Verbind agents en test geregistreerde tools

Geef dezelfde llm_config door aan researcher, analyst, advisor en GroupChatManager van het notebook. Behoud de gedocumenteerde toolregistraties en inspecteer de toolrequest van de agent, het executorresultaat en het volgende modelbericht. Begin met een kleine toegestane inputset en verifieer iedere vereiste operatie. Bewaar een toolfout wanneer data niet beschikbaar is, zodat de uiteindelijke brief kan benoemen welk bewijs ontbreekt. Het diagram toont de conversatieroute; financiële datatools en lokale classificatie behouden hun eigen configuratie.

Behandel sentiment als modeloutput en niet als aandelensignaal

Een classifierlabel beschrijft de interpretatie van aangeleverde tekst onder een specifiek checkpoint. Het is geen gekalibreerde waarschijnlijkheid van toekomstige aandelenperformance. Registreer originele headline, bron, publicatietijd en eventuele afkapping vóór classificatie. Controleer de labelmapping en bewaar ambigue voorbeelden. Negatieve taal over sectorvraag kan samengaan met positieve bedrijfsspecifieke guidance; beide in één score samendrukken verliest dat onderscheid. Valideer voor internationale dekking taal en marktcontext van de classifier in plaats van elke tekst te vertalen en dezelfde calibratie aan te nemen.

Bouw een klein end-to-end-acceptatiepakket

Gebruik na een afzonderlijk geautoriseerde clienttest een begrensde set publiek of gelicentieerd materiaal voor één bedrijf. Bewaar inputhashes, tooloutputs, classifierresultaten, agentconversatie en eindbrief. Review of iedere feitelijke zin naar input kan worden teruggevoerd en ontbrekende data zichtbaar blijft. Het eerste pakket moet een datatoolfout en een ambigu tekstvoorbeeld bevatten, want alleen een headline op het happy path test abstention niet. Houd de reviewstatus expliciet op het eindartefact; een voltooide notebookcel is alleen uitvoeringsbewijs.

Bereken kosten van remote en lokaal gebruik afzonderlijk

De AG2-conversatie kan meerdere requests produceren, inclusief coördinatie en retries. Registreer usage met response- of factureringsbewijs en het actuele prijscontract. Houd data-abonnementen, checkpointdownloads, CPU- of GPU-inferentie, opslag en menselijke review afzonderlijk bij. Gebruik een versiebeheerd bronpakket wanneer je conversatiemodellen vergelijkt, zodat een veranderende nieuwsfeed het experiment niet domineert. Houd de classifier waar passend geladen en cache goedgekeurde bronextractie per versie, met genoeg metadata om een gewijzigd model of gewijzigde input te detecteren.

Los problemen op in het component dat eigenaar is van de fout

Een LLMConfig-importfout vraagt meestal om controle van package-identiteit en versie en niet om een gewijzigd endpoint. Een authenticatie- of missing-model-response hoort bij het remote clientpad. Leeg nieuws, gewijzigde providerschema's en marktsymboolmismatches horen bij de datatools. Een checkpoint- of geheugenfout hoort bij lokale inferentie. Bewaar de mislukte fase en geschoond bewijs en voer daarna waar mogelijk alleen het getroffen onderdeel opnieuw uit. Schakel onnodige code-executiemachtigingen uit en houd financiële data en credentials buiten openbare notebookoutputs vóór je een reproductie deelt.

Bewijs en beperkingen

Het AG2-notebook is op 5 september 2026 bij 1aac5558 via de bron gereviewd. De configuratie past de gedocumenteerde velden aan. Voor deze gids is geen APIsRouter-notebookrun of gemeten taakkostcase geproduceerd. Valideer conversatie, tools, lokale classificatie en eindbrief samen voordat je de applicatie als operationeel behandelt.

Veelgestelde vragen