Configuração de aplicação da API FinGPT

Escolha uma aplicação antes de escolher um endpoint

FinGPT é uma coleção de pesquisas e aplicações de modelos de linguagem financeira, não um único cliente universal de API. Seus notebooks de agentes, exemplos de inferência local e trabalhos de fine-tuning têm dependências diferentes. Este guia se concentra em fingpt/ag2_financial_analysis_pipeline.ipynb na revisão 1aac5558, revisada em 5 de setembro de 2026. Ele usa AG2 para coordenar tarefas de notícias financeiras. Configurar esse notebook não é migrar todos os projetos FinGPT. Escolha primeiro o notebook exato e suas restrições de dependência e depois documente o que é inferência remota, o que roda localmente e quais ferramentas de dados estão envolvidas.

Entenda os três limites de serviço independentes

O notebook revisado fornece um LLMConfig para conversas de agentes, ferramentas que buscam informações financeiras por meio de yfinance e um pipeline de sentimento Transformers. São caminhos de runtime separados. Em particular, a ferramenta de sentimento do exemplo usa FinBERT; selecionar um modelo de chat no gateway não transforma essa ferramenta em outro checkpoint FinGPT. Um download de pesos locais pode ter sua própria licença de modelo e requisitos de hardware. Audite as ferramentas reais antes de descrever o sistema resultante como totalmente remoto ou totalmente local.

Adapte a configuração AG2 documentada

O notebook constrói LLMConfig com api_type, model, api_key e base_url. A substituição a seguir mantém esses campos e obtém identificador e credencial do ambiente. FINANCE_MODEL_ID é um slot de placeholder pertencente à aplicação; resolva-o para uma entrada atual do catálogo que ofereça as interações exigidas pelo notebook. Esta configuração não cria uma resposta de modelo. Preserve as restrições de versão compatível do AG2 no notebook e não substitua por um pacote AutoGen de nome semelhante sem conferir imports e APIs.

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.

Conecte os agentes e teste as ferramentas registradas

Passe o mesmo llm_config ao researcher, analyst, advisor e GroupChatManager do notebook. Preserve os registros de ferramentas documentados e inspecione a solicitação de ferramenta emitida pelo agente, o resultado do executor e a próxima mensagem do modelo. Comece com um conjunto pequeno de entradas permitidas e verifique cada operação necessária. Preserve um erro de ferramenta retornado quando os dados estiverem indisponíveis para que o briefing final possa dizer qual evidência está ausente. O diagrama mostra a rota da conversa; ferramentas de dados financeiros e classificação local mantêm suas próprias configurações.

Revise sentimento como saída de modelo, não como sinal de ação

Um rótulo de classificador descreve sua interpretação do texto fornecido sob um checkpoint específico. Não é uma probabilidade calibrada do desempenho futuro da ação. Registre o título original, a fonte, o horário de publicação e qualquer truncamento antes da classificação. Confira o mapeamento de rótulos e preserve exemplos ambíguos. Linguagem negativa sobre a demanda do setor pode coexistir com guidance positivo específico da empresa; colapsar ambos em uma pontuação perde essa distinção. Para cobertura internacional, valide idioma e contexto de mercado do classificador, em vez de traduzir todo texto e presumir a mesma calibração.

Construa um pequeno pacote de aceitação ponta a ponta

Depois de um teste de cliente autorizado separadamente, use um conjunto delimitado de material público ou licenciado para uma empresa. Salve hashes de entrada, saídas das ferramentas, resultados do classificador, conversa do agente e briefing final. Revise se toda frase factual pode ser rastreada até uma entrada e se os dados ausentes continuam visíveis. O pacote inicial deve incluir uma falha da ferramenta de dados e um exemplo de texto ambíguo, pois um título no caminho feliz sozinho não testa abstenção. Mantenha status de revisão explícito no artefato final; uma célula de notebook concluída é apenas evidência de execução.

Contabilize custos de recursos remotos e locais

A conversa AG2 pode produzir várias solicitações, incluindo coordenação e tentativas. Registre seu uso com evidência de resposta ou faturamento e o contrato de preços atual. Contabilize separadamente assinaturas de dados, downloads de checkpoints, inferência em CPU ou GPU, armazenamento e revisão humana. Reutilize um pacote de fontes versionado ao comparar modelos de conversa para que um feed de notícias em mudança não domine o experimento. Mantenha o classificador carregado quando apropriado e faça cache da extração de fontes aprovadas por versão, preservando metadados suficientes para detectar modelo ou entrada alterados.

Solucione o componente que possui o erro

Um erro de importação do LLMConfig geralmente pede verificação da identidade e versão do pacote, não mudança do endpoint. Uma resposta de autenticação ou modelo ausente pertence ao caminho do cliente remoto. Notícias vazias, esquemas alterados do provedor e incompatibilidades de símbolos de mercado pertencem às ferramentas de dados. Um erro de checkpoint ou memória pertence à inferência local. Preserve a etapa falha e as evidências sanitizadas e execute novamente apenas a parte afetada quando possível. Desative permissões desnecessárias de execução de código e mantenha dados financeiros e credenciais fora das saídas públicas do notebook antes de compartilhar uma reprodução.

Evidências e limitações

O notebook AG2 foi revisado pela fonte em 1aac5558 em 5 de setembro de 2026. A configuração adapta seus campos documentados. Nenhuma execução de notebook pela APIsRouter nem caso de custo de tarefa medido foi produzido para este guia. Valide conversa, ferramentas, classificação local e briefing final juntos antes de tratar a aplicação como operacional.

Perguntas frequentes