Rode o FinRobot em um endpoint personalizado compatível com OpenAI.

Resposta rápida: uma entrada em OAI_CONFIG_LIST.

As instruções de configuração do FinRobot mandam você renomear OAI_CONFIG_LIST_sample para OAI_CONFIG_LIST e preencher credenciais. Esse arquivo é uma lista de config AutoGen padrão: um array JSON onde cada entrada aceita model e api_key, e opcionalmente base_url, que o exemplo distribuído já demonstra para endpoints não-padrão. Adicione uma entrada com sua chave de gateway e base_url definido como https://api.apisrouter.com/v1, e todo agente do FinRobot que carrega o arquivo pode rotear por ele. Uma pegadinha que custa tempo às pessoas: os tutoriais carregam o arquivo através de autogen.config_list_from_json com um filter_dict que seleciona entradas por nome de modelo. Se sua nova entrada diz claude-sonnet-4-6 mas o filtro ainda pede o id GPT do exemplo, sua entrada é filtrada para fora e a execução falha nas credenciais antigas. Atualize o filter_dict para corresponder ao modelo que você adicionou, ou remova o filtro enquanto testa.

[
    {
        "model": "claude-sonnet-4-6",
        "api_key": "sk-YOUR-APISROUTER-KEY",
        "base_url": "https://api.apisrouter.com/v1"
    }
]

Como o FinRobot usa sua config de LLM.

O FinRobot (AI4Finance-Foundation no GitHub, cerca de 7,6 mil estrelas) é uma plataforma de agentes de IA para análise financeira construída sobre o AutoGen (pyautogen 0.2.19 ou mais recente). Seus agentes são workflows empacotados: um forecaster Market_Analyst que puxa notícias e fundamentos da empresa e prevê o movimento da próxima semana, um redator de relatório anual que transforma arquivamentos em um PDF de pesquisa de ações, e agentes de QA com retrieval-augmented sobre teleconferências de resultados e arquivamentos da SEC. Cada tutorial constrói o mesmo formato de llm_config: um dict cujo config_list vem de autogen.config_list_from_json lendo o arquivo OAI_CONFIG_LIST. Esse llm_config é entregue a classes wrapper como SingleAssistant e SingleAssistantShadow de finrobot.agents.workflow, que possuem os agentes AutoGen subjacentes. A decisão de endpoint, portanto, vive inteiramente no arquivo JSON: o cliente OpenAI do AutoGen envia requisições /v1/chat/completions para qualquer base_url que a entrada selecionada carregue e encaminha o campo model como uma string simples. Essa string simples é a vitória prática. Quando o endpoint por trás de base_url serve múltiplos fornecedores, um id Claude, DeepSeek, ou Qwen anda pela mesma config com formato OpenAI sem o FinRobot notar, e trocar o modelo de análise vira uma edição JSON de uma linha mais um filter_dict correspondente.

Configuração completa: arquivo de config, filtro, e chaves de dados.

O FinRobot divide credenciais entre dois arquivos, e só um deles diz respeito ao LLM. OAI_CONFIG_LIST contém endpoints e chaves de modelo. config_api_keys contém credenciais de dados de mercado (FINNHUB_API_KEY, FMP_API_KEY, SEC_API_KEY, e chaves sociais), carregadas separadamente através de register_keys_from_json. Rotear o LLM por um gateway muda o primeiro arquivo e deixa o segundo intocado, então buscas de notícias, fundamentos, e arquivamentos se comportam exatamente como antes. O padrão de tutorial abaixo é a estrutura do notebook forecaster com a entrada de gateway selecionada. O mesmo llm_config funciona para os tutoriais de relatório anual e RAG, que diferem só em qual classe de workflow eles instanciam.

import autogen
from finrobot.utils import register_keys_from_json
from finrobot.agents.workflow import SingleAssistant

llm_config = {
    "config_list": autogen.config_list_from_json(
        "../OAI_CONFIG_LIST",
        filter_dict={"model": ["claude-sonnet-4-6"]},  # combine com sua entrada
    ),
    "timeout": 120,
    "temperature": 0,
}

register_keys_from_json("../config_api_keys")  # chaves de dados finnhub/fmp/sec

assistant = SingleAssistant("Market_Analyst", llm_config,
                            human_input_mode="NEVER")
assistant.chat("Analyze NVDA news this week and predict next week's movement.")

Escolhendo modelos por workflow do FinRobot.

O experimento limpo que funciona: fixe o ticker e a faixa de datas, rode o mesmo workflow uma vez por entrada candidata, e compare as saídas lado a lado. Atrás de um endpoint cada candidato é uma edição de filter_dict, e o log de uso por chave dá a você a conta de tokens por candidato sem trabalho de planilha.

• O redator de relatório anual é o trabalho de raciocínio mais pesado: ele lê seções de arquivamento, sintetiza uma tese de investimento, e rascunha um relatório estruturado. claude-opus-4-7 ou gpt-5.5 nesse workflow é onde a qualidade da saída muda visivelmente.
• O forecaster de mercado é uma tarefa mais curta e repetida sobre notícias e fundamentos. claude-sonnet-4-6 ou deepseek-v4-pro lida bem com isso, e importa quando você o roda diariamente em uma lista de acompanhamento.
• QA por RAG sobre teleconferências de resultados é recuperação mais síntese sobre trechos longos, o que favorece ids de contexto longo; gemini-3.1-pro-preview vale a pena testar contra claude-sonnet-4-6 ali.
• Como entradas são selecionadas por filter_dict, você pode manter um arquivo com uma entrada de ponta e uma entrada rápida contra o mesmo base_url e escolher por notebook, em vez de editar credenciais por execução.
• Ids de modelo são strings exatas. O FinRobot os passa sem validação, então a listagem /v1/models do endpoint é a grafia autoritativa.

Pague pelo uso · abaixo do preço oficial

Selected models are priced below official list prices. Exact input, output, cache, and per-request prices are shown for each model.

Modos de falha específicos do FinRobot.

A incompatibilidade de filter_dict é o grande problema. config_list_from_json retorna só entradas cujo model bate com o filtro; um filtro que não bate com nada levanta um erro sobre uma lista de config vazia, e um filtro que bate com entradas remanescentes do exemplo envia requisições para a OpenAI com chaves de placeholder, o que aparece como um 401 do host errado. Quando mudanças de roteamento parecem não ter efeito, imprima o config_list resolvido primeiro. Caminhos relativos são o segundo problema. Os tutoriais carregam "../OAI_CONFIG_LIST" porque notebooks ficam um nível abaixo da raiz do repositório; um script na raiz quer "OAI_CONFIG_LIST" em vez disso, e o AutoGen também aceita a variável de ambiente OAI_CONFIG_LIST carregando a string JSON, o que contorna problemas de caminho em containers. Linhas de comentário são o terceiro. As instruções de configuração mandam você remover as notas de comentário dos arquivos de exemplo porque elas tornam o JSON inválido; um JSONDecodeError na inicialização significa que um comentário perdido sobreviveu. Credenciais de dados falham independentemente. Se o chat do agente funciona bem mas notícias ou fundamentos voltam vazios, isso é um problema de config_api_keys (Finnhub, FMP, SEC), não um problema de endpoint. E o módulo separado FinRobot Pro para ações configura suas chaves através de um config.ini; em julho de 2026, suas configurações documentadas cobrem um openai_api_key mas nenhuma sobrescrita de base URL, então trate esse módulo como fornecedor-direto até o upstream documentar uma.

Quem roteia o FinRobot por um gateway.

• Analistas gerando relatórios de ações por uma lista de cobertura. Contextos de arquivamento longos por relatório tornam diferenças de preço por modelo materiais, e um endpoint torna o modelo uma escolha por execução.
• Times quant rodando o forecaster diariamente sobre uma lista de acompanhamento, onde um id de camada média rápido mantém a conta recorrente estável sem reescrever o workflow.
• Pesquisadores comparando famílias de modelo em tarefas financeiras idênticas. Cada candidato é uma entrada de config, não uma troca de conta de fornecedor e SDK.
• Times padronizando stacks baseadas em AutoGen. O FinRobot compartilha a convenção OAI_CONFIG_LIST com outros projetos AutoGen, então um formato de entrada de gateway serve todos eles.
• Desenvolvedores sem acesso ao faturamento de um determinado fornecedor. O acesso baseado em recarga sem exigência de cartão remove a dependência de cadastro por provedor.

Verifique o endpoint e depure a primeira execução.

Liste os modelos que sua chave pode endereçar antes de abrir um notebook; toda string de modelo em OAI_CONFIG_LIST e todo valor de filter_dict precisam corresponder a um id servido exatamente. Depois rode o chat mais curto possível através de SingleAssistant e observe o console. Um 401 significa que a api_key da entrada selecionada não pertence ao endpoint em seu base_url; verifique qual entrada o filtro de fato escolheu. Um erro model-not-found é um erro de digitação no id da entrada. Um erro de conexão geralmente significa que base_url perdeu seu sufixo /v1. Se o agente entra em loop sem resultados de ferramenta, as chaves de dados em config_api_keys são as suspeitas, não o endpoint de LLM. Assim que as requisições fluem, o console da APIsRouter mostra modelo, contagens de token e gasto por requisição. Execuções de redação de relatório são conversas longas de múltiplos turnos, e a visão de uso mostra quanto um relatório de fato custa antes de você agendar cinquenta deles.

curl -s https://api.apisrouter.com/v1/models \
  -H "Authorization: Bearer $APISROUTER_API_KEY" | head -50

Perguntas frequentes