Generelle agenter er ikke gode nok? Denne finansielle AI med 15.000 stjerner automatiserer hele investeringsforskningsprocessen

I de seneste par år er udviklingstendensen for AI-intelligente agenter blevet mere og mere tydelig, og den generelle agentkapacitet understøttet af generelle store modeller er steget hele vejen.

Men så snart de træder ind i et professionelt felt, afslører disse "alsidige agenter" let deres mangler, og finansiel forskning er det mest typiske eksempel.

Nedbrydningslogikken i finansielle rapporter, den ensartede verifikation af metriske kalibre, verifikationen af datakilders ægthed, reproducerbarheden af forskningskonklusioner, disse er alle kernekrav i finansiel forskning, og det er simpelthen umuligt at løse dem med en intelligent agent, der er universel for forskellige områder.

Det var også under gennemgangen af open source-projekter, at jeg opdagede et projekt, der har opnået et godt ry i både finansielle kredse og udviklersamfundet: Dexter, en autonom intelligent agent, der er specielt designet til dybdegående finansiel forskning.

I modsætning til almindelige finansielle spørgsmål og svar-værktøjer kan den selv nedbryde forskningsopgaver, hente professionelle data, udføre analyseprocesser og gentagne gange verificere forskningsresultaterne. Det kan betragtes som en intelligent agent, der virkelig er implementeret i finansielle investeringsforskningsscenarier, og dens popularitet og styrke er meget imponerende.

Ikke en "finansiel version af ChatGPT"

Hvis almindelig finansiel AI løser spørgsmålet om "kan du give et svar", så løser Dexter det mere centrale spørgsmål i finansiel forskning om "kan du undersøge problemet tydeligt".

Dexters position er ikke at være en "finansiel version af ChatGPT", men at replikere den virkelige finansielle investeringsforskningsproces.

Når du stiller et forskningsspørgsmål, f.eks.:

• Analyser ændringerne i en virksomheds omsætning i de seneste fem år?
• Sammenlign værdiansættelsesstrukturen for to brancher?
• Vurder kvaliteten af en virksomheds pengestrømme?

Det vil ikke direkte give et konkluderende stykke tekst, men vil følge den professionelle investeringsforskningslogik, først afklare forskningsmålet, derefter vurdere de centrale finansielle indikatorer, der er nødvendige for at fuldføre forskningen, derefter screene matchende professionelle datakilder og endelig udføre analyse, verificere data og supplere information trin for trin.

Hele forskningsprocessen er struktureret og sporbar, i stedet for at "generere" svaret én gang ved hjælp af en stor model.

Professionelle datakilder er dens tillid

Den nedre grænse for finansiel analyse afhænger altid af datakvaliteten.

Dexter kan direkte oprette forbindelse til finansielle datakilder på institutionsniveau, der dækker kerneoplysninger som omsætningsopgørelse, balance og pengestrømsopgørelse.

Dette er ikke simpel web-scraping, men et data system organiseret omkring en professionel finansiel struktur.

Problemet med mange generelle agenter er, at logikken måske ikke er et problem, men datakilderne er vage, og kalibrene er ikke ensartede, og den endelige konklusion er simpelthen ikke bæredygtig.

Dexter behandler datakilder som en kernekompetence fra designniveau, ikke som en ekstra funktion. Dette er et meget vigtigt skridt for investeringsforskningsscenarier.

Den vil "tjekke sig selv"

Dexters selvverifikationsmekanisme er endnu mere i overensstemmelse med de høje krav til nøjagtighed i den finansielle sektor.

Under hele analyseprocessen vil Dexter løbende kontrollere mellemliggende resultater og endelige konklusioner. Når den finder logiske huller eller manglende data, justerer den automatisk forskningstrinnene og fortsætter med at udføre dem, indtil den fuldfører den komplette forskningsopgave.

Model support

Dexters kompatibilitet er også meget fleksibel. Uanset om det er OpenAI, Anthropic, Google, xAI, OpenRouter disse cloud-store modeller eller lokalt implementerede Ollama, kan de alle tilsluttes problemfrit. Den kan køre hurtigt i skyen og kan også opfylde privatlivets behov for lokal implementering.

Hurtig start

1. Forbered køremiljøet

Dexter bruger Bun som runtime. Den officielle version kræver 1.0 og derover. Installationsmetoderne er forskellige for forskellige systemer. Genstart terminalen efter operationen.

macOS / Linux-system kan udføres:

curl -fsSL https://bun.com/install | bashWindows-system kan udføres:

powershell -c "irm bun.sh/install.ps1|iex"Når installationen er fuldført, skal du indtaste bun --version i terminalen, og det betyder, at installationen er vellykket, hvis versionsnummeret kan output normalt.### To, Klone projektet og installer afhængigheder

Efter at have klonet projektets lager, gå ind i projektmappen og brug Bun til at installere de nødvendige afhængigheder:

git clone https://github.com/virattt/dexter.git cd dexter bun install

Tre, Konfigurer miljøvariabler

Dette er et kritisk trin for at køre Dexter. Projektet har allerede leveret en miljøvariabel skabelonfil. Vi skal blot kopiere skabelonen for at generere en konfigurationsfil og derefter redigere den efter vores egne behov:

cp env.example .env Rediger derefter den genererede .env-fil. De API-nøgler, der skal konfigureres, er hovedsageligt opdelt i tre kategorier:

• API-nøgle til store modelleverandører: Inkluderer OpenAI, Anthropic, Google, xAI, OpenRouter osv. (f.eks. OPENAI_API_KEY) kan konfigureres i overensstemmelse med den store model, du bruger;
• Financial Datasets API Key: Bruges til at hente finansielle markeds- og regnskabsdata på institutionsniveau, hvilket er kernekonfigurationen til at realisere professionel finansiel analyse. Det anbefales at konfigurere den. Hent adresse: https://financialdatasets.ai/
• Netværkssøgningsrelaterede API-nøgler: Inkluderer Exa, Tavily, der bruges til at forbedre agentens netværkssøgningsfunktioner, er en valgfri konfiguration. Hent adresse: https://exa.ai/

Hvis du har brug for at bruge lokalt implementeret Ollama, skal du konfigurere i filen:

OLLAMA_BASE_URL=http://127.0.0.1:11434

Fire, Start Dexter

Når miljøvariablerne er konfigureret, skal du blot udføre startkommandoen i terminalen:

bun start for at gå ind i Dexters interaktive CLI-grænseflade. Indtast finansielle forskningsrelaterede spørgsmål i grænsefladen, og den vil automatisk planlægge og udføre den komplette analyseproces.

Hvis det er til udviklings- eller fejlfindingsformål, kan du bruge hot-reload-tilstand til at starte:

bun dev

Fem, Evaluering og fejlfinding

For brugere med avancerede behov har Dexter en indbygget evalueringsværktøj, der kan bruges til at teste agentens analysefunktioner. Du kan enten køre den komplette evalueringsproces eller tilfældigt udtrække prøver til test:

bun run src/evals/run.ts bun run src/evals/run.ts --sample 10 Dexter vil automatisk registrere alle analyseprocesser, værktøjsopkald og mellemliggende resultater i denne mappe:

.dexter/scratchpad/ Gennem filerne under den kan du fuldføre gennemgangen af forskningsprocessen og fejlfindingen af projektet

Vertikal Agent er fokus for næste fase

Generelle agenter vil fortsætte med at gøre fremskridt, men den intelligente agent, der virkelig begynder at være "nyttig", vil helt sikkert grave dybt ned i det vertikale felt.

Dexter er en typisk prøve. Den forsøger ikke at dække alle områder, men fokuserer på finansiel forskning og uddyber datakilder, analyseprocesser og verifikationsmekanismer.Projektadresse: https://github.com/virattt/dexter