Настройка приложения FinGPT API

Сначала выберите приложение, потом endpoint

FinGPT — это набор исследований и приложений финансовых языковых моделей, а не один универсальный клиент API. Его agent notebooks, примеры локального inference и работы по fine-tuning имеют разные зависимости. Это руководство посвящено fingpt/ag2_financial_analysis_pipeline.ipynb на revision 1aac5558, проверенном 5 сентября 2026 года. В нём AG2 координирует задачи по финансовым новостям. Настройка этой notebook не является миграцией каждого проекта FinGPT. Сначала выберите точную notebook и ограничения её зависимостей, затем документируйте, что выполняется удалённо, что локально и какие инструменты данных участвуют.

Поймите три независимые границы сервисов

Проверенная notebook предоставляет LLMConfig для разговора агента, инструменты получения финансовой информации через yfinance и pipeline анализа тональности Transformers. Это отдельные пути выполнения. В частности, пример инструмента тональности использует FinBERT; выбор chat-модели через gateway не превращает этот инструмент в другой checkpoint FinGPT. Скачивание локальных весов может иметь собственную лицензию модели и требования к оборудованию. Проверьте фактические инструменты, прежде чем называть получившуюся систему полностью удалённой или полностью локальной.

Адаптируйте документированную конфигурацию AG2

Notebook строит LLMConfig с api_type, model, api_key и base_url. Следующая замена сохраняет эти поля и получает идентификатор и учётные данные из окружения. FINANCE_MODEL_ID — placeholder-слот, принадлежащий приложению; разрешите его в текущую запись каталога, которая поддерживает нужные notebook взаимодействия. Эта конфигурация не создаёт ответа модели. Сохраните ограничения совместимой версии AG2 из notebook и не заменяйте пакет AutoGen с похожим названием, не проверив импорты и 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.

Подключите агентов и проверьте зарегистрированные инструменты

Передайте один и тот же llm_config исследователю, аналитику, советнику и GroupChatManager из notebook. Сохраните документированные регистрации инструментов и проверьте сгенерированный агентом запрос инструмента, результат executor и следующее сообщение модели. Начните с небольшого разрешённого набора входных данных и проверьте каждую обязательную операцию. Сохраняйте возвращённую ошибку инструмента, когда данные недоступны, чтобы итоговый бриф мог указать отсутствующие свидетельства. Диаграмма показывает маршрут разговора; финансовые инструменты и локальная классификация сохраняют собственную конфигурацию.

Рассматривайте тональность как вывод модели, а не сигнал акции

Метка классификатора описывает его интерпретацию переданного текста при конкретном checkpoint. Это не откалиброванная вероятность будущей доходности акции. До классификации сохраните исходный заголовок, источник, время публикации и возможное усечение. Проверьте отображение меток и сохраняйте неоднозначные примеры. Негативный язык о спросе в отрасли может сосуществовать с позитивным прогнозом для конкретной компании; объединение обоих факторов в один балл уничтожает это различие. Для международного покрытия проверьте язык и рыночный контекст классификатора, а не переводите каждый текст и не предполагайте одинаковую калибровку.

Соберите небольшой сквозной пакет приёмки

После отдельно авторизованного теста клиента используйте ограниченный набор публичных или лицензированных материалов для одной компании. Сохраните хэши входов, результаты инструментов, результаты классификатора, диалог агента и итоговый бриф. Проверьте, можно ли проследить каждое фактическое предложение до входных данных и остаются ли отсутствующие данные видимыми. Начальный пакет должен включать сбой инструмента данных и неоднозначный пример текста, потому что один удачный заголовок не проверяет отказ от ответа. Явно укажите статус проверки итогового артефакта; завершённая ячейка notebook — лишь свидетельство выполнения.

Учитывайте стоимость удалённых и локальных ресурсов

Диалог AG2 может создавать несколько запросов, включая координацию и повторы. Фиксируйте их usage по свидетельствам ответа или биллинга и текущему контракту цен. Отдельно учитывайте подписки на данные, скачивание checkpoint, inference на CPU или GPU, хранение и человеческую проверку. При сравнении разговорных моделей используйте версионированный пакет источников, чтобы меняющаяся лента новостей не доминировала в эксперименте. Где уместно, держите классификатор загруженным и кэшируйте одобренное извлечение источников по версии, сохраняя достаточно metadata для обнаружения изменившейся модели или входа.

Диагностируйте компонент, которому принадлежит ошибка

Ошибка импорта LLMConfig обычно требует проверить идентичность и версию пакета, а не менять endpoint. Ответ об аутентификации или отсутствующей модели относится к удалённому клиентскому пути. Пустые новости, изменившиеся схемы поставщика и несовпадения рыночных символов относятся к инструментам данных. Ошибка checkpoint или памяти относится к локальному inference. Сохраните сбойный этап и очищенные свидетельства, затем по возможности перезапустите только затронутую часть. Отключите ненужные права выполнения кода и уберите финансовые данные и учётные данные из публичного вывода notebook перед публикацией воспроизведения.

Свидетельства и ограничения

Notebook AG2 была проверена по исходникам на 1aac5558 5 сентября 2026 года. Конфигурация адаптирует её документированные поля. Для этого руководства не выполнялись notebook через APIsRouter и не создавался измеренный пример стоимости задачи. Перед тем как считать приложение рабочим, проверьте вместе разговор, инструменты, локальную классификацию и итоговый бриф.

Частые вопросы