Konfiguracja aplikacji FinGPT API

Wybierz aplikację przed wyborem endpointu

FinGPT jest zbiorem badań i aplikacji dotyczących finansowych modeli językowych, a nie jednym uniwersalnym klientem API. Jego notebooki agentowe, przykłady lokalnego wnioskowania i prace dostrajania mają różne zależności. Ten przewodnik skupia się na fingpt/ag2_financial_analysis_pipeline.ipynb w rewizji 1aac5558, przejrzanej 5 września 2026 r. Notebook używa AG2 do koordynowania zadań związanych z wiadomościami finansowymi. Skonfigurowanie tego notebooka nie jest migracją każdego projektu FinGPT. Najpierw wybierz dokładny notebook i jego ograniczenia zależności, a następnie udokumentuj, co jest zdalnym wnioskowaniem, co działa lokalnie i jakie narzędzia danych uczestniczą w procesie.

Zrozum trzy niezależne granice usług

Przejrzany notebook dostarcza LLMConfig do rozmowy agenta, narzędzia pobierające informacje finansowe przez yfinance oraz pipeline sentymentu Transformers. Są to osobne ścieżki czasu działania. W szczególności przykładowe narzędzie sentymentu używa FinBERT; wybór gatewayowego modelu czatu nie zmienia tego narzędzia w inny checkpoint FinGPT. Pobranie lokalnych wag może mieć własną licencję modelu i wymagania sprzętowe. Przeanalizuj rzeczywiste narzędzia, zanim opiszesz wynikowy system jako w pełni zdalny lub w pełni lokalny.

Dostosuj udokumentowaną konfigurację AG2

Notebook tworzy LLMConfig z api_type, model, api_key i base_url. Poniższa zamiana zachowuje te pola i pobiera identyfikator oraz dane uwierzytelniające ze środowiska. FINANCE_MODEL_ID jest placeholderem należącym do aplikacji; rozwiąż go do aktualnego wpisu katalogu obsługującego wymagane interakcje notebooka. Ta konfiguracja nie tworzy odpowiedzi modelu. Zachowaj zgodne ograniczenia wersji AG2 notebooka i nie zastępuj podobnie nazwanym pakietem AutoGen bez sprawdzenia importów oraz API.

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.

Połącz agentów i przetestuj zarejestrowane narzędzia

Przekaż tę samą llm_config do researcher, analyst, advisor i GroupChatManager notebooka. Zachowaj udokumentowane rejestracje narzędzi i przejrzyj żądanie narzędzia emitowane przez agenta, wynik executora oraz następną wiadomość modelu. Zacznij od małego, dozwolonego zestawu danych wejściowych i zweryfikuj każdą wymaganą operację. Zachowaj zwrócony błąd narzędzia, gdy dane są niedostępne, aby końcowe opracowanie mogło wskazać brakujący dowód. Diagram pokazuje trasę rozmowy; narzędzia danych finansowych i lokalna klasyfikacja zachowują własną konfigurację.

Traktuj sentyment jako wynik modelu, a nie sygnał akcji

Etykieta klasyfikatora opisuje jego interpretację dostarczonego tekstu przy konkretnym checkpoincie. Nie jest skalibrowanym prawdopodobieństwem przyszłych wyników akcji. Przed klasyfikacją zapisz oryginalny nagłówek, źródło, czas publikacji i ewentualne obcięcie tekstu. Sprawdź mapowanie etykiet i zachowaj niejednoznaczne przykłady. Negatywny język o popycie w branży może współistnieć z pozytywną prognozą dotyczącą spółki; połączenie obu w jeden wynik usuwa to rozróżnienie. Dla zakresu międzynarodowego zweryfikuj język i kontekst rynku klasyfikatora, zamiast tłumaczyć każdy tekst i zakładać tę samą kalibrację.

Zbuduj mały pakiet akceptacji od początku do końca

Po osobno autoryzowanym teście klienta użyj ograniczonego zbioru publicznych lub licencjonowanych materiałów dla jednej spółki. Zapisz hashe danych wejściowych, wyniki narzędzi, wyniki klasyfikatora, rozmowę agenta i końcowe opracowanie. Sprawdź, czy każde zdanie faktograficzne można prześledzić do danych wejściowych i czy brakujące dane pozostają widoczne. Początkowy pakiet powinien zawierać awarię narzędzia danych oraz niejednoznaczny przykład tekstu, ponieważ sam nagłówek z poprawnej ścieżki nie testuje wstrzymania odpowiedzi. Na końcowym artefakcie zachowaj jawny status przeglądu; ukończona komórka notebooka jest tylko dowodem wykonania.

Uwzględnij koszty zasobów zdalnych i lokalnych

Rozmowa AG2 może tworzyć wiele żądań, w tym koordynację i ponowienia. Ich użycie zapisuj na podstawie dowodów odpowiedzi lub rozliczenia oraz aktualnego kontraktu cenowego. Osobno rozliczaj subskrypcje danych, pobieranie checkpointów, wnioskowanie CPU lub GPU, przechowywanie i przegląd człowieka. Przy porównywaniu modeli rozmowy używaj wersjonowanego pakietu źródłowego, aby zmieniający się kanał wiadomości nie zdominował eksperymentu. W miarę potrzeb utrzymuj załadowany klasyfikator i buforuj zatwierdzoną ekstrakcję źródła według wersji, zachowując jednak metadane pozwalające wykryć zmieniony model lub dane wejściowe.

Diagnozuj komponent, który jest właścicielem błędu

Błąd importu LLMConfig zwykle wymaga sprawdzenia tożsamości i wersji pakietu, a nie zmiany endpointu. Odpowiedź o błędzie uwierzytelniania lub brakującym modelu należy do ścieżki klienta zdalnego. Puste wiadomości, zmienione schematy dostawcy i niezgodności symboli rynkowych należą do narzędzi danych. Błąd checkpointu lub pamięci należy do lokalnego wnioskowania. Zachowaj zawodny etap i oczyszczone dowody, a następnie, jeśli to możliwe, uruchom ponownie tylko dotkniętą część. Wyłącz zbędne uprawnienia wykonywania kodu i przed udostępnieniem reprodukcji trzymaj dane finansowe oraz dane uwierzytelniające poza publicznymi wynikami notebooka.

Dowody i ograniczenia

Notebook AG2 został przejrzany pod kątem źródeł w 1aac5558 5 września 2026 r. Konfiguracja dostosowuje jego udokumentowane pola. Na potrzeby tego przewodnika nie wykonano notebooka APIsRouter ani nie przygotowano zmierzonego przypadku kosztu zadania. Przed uznaniem aplikacji za operacyjną zweryfikuj razem rozmowę, narzędzia, lokalną klasyfikację i końcowe opracowanie.

Częste pytania