Configuração da API do TradingAgents

Comece com uma pergunta de pesquisa versionada

Defina o provedor compatível, a URL de backend personalizada e dois papéis de modelo e depois teste uma empresa em uma data de pesquisa definida. TradingAgents organiza analistas, argumentos de pesquisa opostos e revisão de risco, então uma primeira tarefa útil é inspecionar como esses papéis explicam o mesmo pacote de fontes. Escolha a empresa e a data-limite das informações antes de mudar modelos. Preserve fatos subjacentes e itens não resolvidos da primeira execução para que comparações posteriores usem a mesma pergunta. Os campos abaixo seguem a revisão service 9dee508c.

Configure o provedor compatível e os dois papéis de modelo

O default_config.py revisado expõe llm_provider, backend_url, deep_think_llm e quick_think_llm. O cliente compatível usa o endpoint fornecido; autenticação é uma configuração de ambiente separada. Os dois slots de papel precisam de um identificador de modelo exato aceito pelo endpoint escolhido e pelo cliente do projeto. O exemplo adapta esses campos de origem e somente constrói a configuração. Defina RESEARCH_MODEL_ID e SUMMARY_MODEL_ID a partir do catálogo atual depois de verificar os recursos necessários. Esses nomes são slots de ambiente locais, não IDs de modelo nem padrões do TradingAgents. Mantenha a credencial no ambiente do processo, não no script.

import os
from copy import deepcopy
from tradingagents.default_config import DEFAULT_CONFIG

config = deepcopy(DEFAULT_CONFIG)
config.update({
    "llm_provider": "openai_compatible",
    "backend_url": "https://api.apisrouter.com/v1",
    "deep_think_llm": os.environ["RESEARCH_MODEL_ID"],
    "quick_think_llm": os.environ["SUMMARY_MODEL_ID"],
    "max_debate_rounds": 1,
    "max_risk_discuss_rounds": 1,
})
assert os.environ["OPENAI_COMPATIBLE_API_KEY"]
# Configuration only. This does not start a research run.

Mantenha a rota do modelo separada dos dados financeiros

Configure os fornecedores de dados financeiros independentemente do endpoint do modelo. Para ações internacionais, resolva o emissor e o símbolo específico da bolsa antes da coleta. Preserve moeda de negociação, moeda de apresentação, fuso horário do mercado e escolha do benchmark. Um recibo depositário listado nos EUA e sua ação ordinária subjacente precisam de uma regra de conversão explícita antes que suas séries de preços possam ser comparadas. O diagrama mostra como as configurações do modelo se conectam; ferramentas de dados financeiros mantêm suas próprias credenciais, cobertura e timestamps de fonte. Confira essas ferramentas antes de diagnosticar uma entrada de pesquisa ausente como falha de LLM.

Escolha papéis pelo contrato da tarefa

Teste os recursos que cada papel realmente usa. Uma resposta de texto não estabelece parsing de chamada de ferramenta, tratamento de contexto longo ou comportamento de saída estruturada. Mudar uma família de modelos também pode mudar o comportamento do adaptador do provedor, mesmo quando o endpoint aceita seu identificador. Comece com o menor conjunto útil de papéis; adicione debate somente quando ele identificar alegações sem suporte ou contradições úteis. Avalie o artefato final contra o mesmo pacote de fontes, em vez de tratar relatórios mais longos como pesquisa melhor.

Use um teste de aceitação da primeira execução em etapas

Primeiro inspecione a configuração resolvida sem imprimir chaves. Depois, em um ambiente de execução autorizado, exercite o cliente do projeto com o modelo selecionado e preserve um registro de solicitação redigido. Em seguida teste uma interação de ferramenta necessária e seu caminho de erro. Por fim execute TradingAgentsGraph com um conjunto limitado de fontes e inspecione o estado resultante, fatos citados e saída final de pesquisa. Salve revisão do repositório, versões de dependências, hashes de entradas e configurações de papéis. Uma resposta da fábrica passa apenas pela etapa do cliente; um relatório completo ainda precisa de revisão de fontes e números antes de contar como artefato de pesquisa utilizável.

import os
from research_config import config
from tradingagents.graph.trading_graph import TradingAgentsGraph

graph = TradingAgentsGraph(debug=False, config=config)
state, decision = graph.propagate(
    os.environ["RESEARCH_TICKER"],
    os.environ["RESEARCH_DATE"],
)
# Inspect state and decision against the source packet.
# Running this template makes model and data requests.

Proteja pesquisas históricas de informações posteriores

Uma data de análise solicitada não prova que toda resposta do fornecedor é de ponto no tempo. Verifique se fundamentos estavam disponíveis até a data-limite, se artigos foram corrigidos depois e se dados em cache vieram de outro experimento. Preserve separadamente horário original de publicação e horário de ingestão. Mantenha feedback de treinamento ou reflexão fora de um período de avaliação holdout. Listas históricas de tickers devem incluir deslistagens e mudanças de símbolo relevantes. Registre tratamento de ações corporativas e benchmark de comparação junto de cada experimento para que uma mudança de modelo não seja confundida com mudança de dados.

Faça orçamento de debate, tentativas e contexto repetido

O gasto de um agente financeiro vem de cada solicitação no grafo, incluindo resumos, contexto repetido e tentativas faturáveis. Use o contrato atual de preços para planejar e reconcilie o uso real depois. Limite rodadas de debate, volume de fontes, trabalhos paralelos e tentativas automáticas antes de uma varredura. Faça cache da extração de fontes usando versões de documentos; diferencie reutilização da aplicação de descontos de faturamento do provedor. Acompanhe assinaturas de dados e computação local separadamente das cobranças de LLM e compare o custo por artefato de pesquisa aceito. Comece pela execução delimitada acima antes de ampliar o universo de tickers e datas.

Diagnostique a etapa que falhou

Para falhas de autenticação, verifique se a chave do provedor compatível chega ao mesmo processo que cria o cliente. Para modelos ausentes, compare o identificador exato e o acesso da conta com o catálogo atual. Para saída de ferramenta malformada, preserve o esquema da ferramenta e a resposta sanitizada, em vez de guardar somente a exceção final. Uma parada pode ser solicitação de fornecedor de dados, loop repetido de ferramenta ou timeout do modelo; inspecione timestamps das etapas antes de aumentar limites. Pare se dados obrigatórios estiverem ausentes. Tentar até aparecer prosa pode esconder a falha original e consumir todo o orçamento da pesquisa.

Evidências e limitações

A configuração foi revisada pelas fontes em 5 de setembro de 2026, na revisão 9dee508c. Os exemplos são templates de passo a passo; nenhuma solicitação de cliente da APIsRouter, grafo completo ou caso de custo medido foi executado para este guia. Valide os modelos e ferramentas de dados selecionados em sua própria execução delimitada antes de ampliar o fluxo.

Perguntas frequentes