Les agents universels sont-ils dépassés ? Cette IA financière avec 15 000 étoiles automatise l'ensemble du processus de recherche et d'investissement

Ces deux dernières années, la tendance de développement des agents d'IA est devenue de plus en plus claire, et la capacité d'agent universel soutenue par de grands modèles universels a progressé.

Mais dès que l'on entre dans un domaine spécialisé, ces "agents universels" sont facilement démasqués, et la recherche financière en est l'exemple le plus typique.

La logique de décomposition des états financiers, la vérification unifiée du calibre des indicateurs, la vérification de l'authenticité des sources de données, la reproductibilité des conclusions de recherche, ce sont toutes des exigences fondamentales de la recherche financière, et il est impossible de les résoudre réellement avec un agent intelligent universel pour divers domaines.

C'est également en parcourant des projets open source que j'ai découvert un projet qui a acquis une bonne réputation dans le cercle financier et la communauté des développeurs : Dexter, un agent intelligent autonome spécialement conçu pour la recherche financière approfondie.

Contrairement aux outils de questions-réponses financières ordinaires, il peut décomposer lui-même les tâches de recherche, extraire des données professionnelles, exécuter des processus d'analyse et vérifier à plusieurs reprises les résultats de la recherche. On peut le considérer comme un agent intelligent réellement mis en œuvre dans des scénarios de recherche et d'investissement financiers, avec une popularité et une force considérables.

Pas un "ChatGPT version financière"

Si l'IA financière ordinaire résout le problème de "pouvoir donner une réponse", alors Dexter résout le problème plus fondamental de la recherche financière : "pouvoir étudier clairement le problème".

Le positionnement de Dexter n'est pas de créer un "ChatGPT version financière", mais de reproduire le processus réel de recherche et d'investissement financiers.

Lorsque vous posez une question de recherche, par exemple :

• Analyser l'évolution du chiffre d'affaires d'une entreprise au cours des cinq dernières années ?
• Comparer la structure d'évaluation de deux secteurs ?
• Évaluer la qualité des flux de trésorerie d'une entreprise ?

Il ne donnera pas directement un texte de conclusion, mais suivra la logique professionnelle de la recherche et de l'investissement, en définissant d'abord l'objectif de la recherche, puis en déterminant les indicateurs financiers clés nécessaires pour mener à bien la recherche, puis en filtrant les sources de données professionnelles correspondantes, et enfin en exécutant étape par étape l'analyse, en vérifiant les données et en complétant les informations.

L'ensemble du processus de recherche est structuré et traçable, au lieu de "générer" une réponse en une seule fois par un grand modèle.

Des sources de données professionnelles, c'est sa force

La limite inférieure de l'analyse financière dépend toujours de la qualité des données.

Dexter peut se connecter directement à des sources de données financières de niveau institutionnel, couvrant les données clés telles que le compte de résultat, le bilan et le tableau des flux de trésorerie.

Il ne s'agit pas d'un simple web scraping, mais d'un système de données organisé autour d'une structure financière professionnelle.

Le problème de nombreux agents universels est que : la logique n'est peut-être pas un problème, mais la source des données est floue, le calibre n'est pas uniforme et la conclusion finale ne tient pas la route.

Dexter considère la source de données comme une capacité de base dès la conception, plutôt que comme une fonction supplémentaire. C'est une étape très importante pour les scénarios de recherche et d'investissement.

Il va "s'auto-vérifier"

Le mécanisme d'auto-vérification de Dexter est encore plus conforme aux exigences élevées du domaine financier en matière d'exactitude.

Tout au long du processus d'analyse, Dexter vérifie en permanence les résultats intermédiaires et les conclusions finales. Une fois qu'il détecte des lacunes logiques ou des données manquantes, il ajuste automatiquement les étapes de recherche et continue à les exécuter jusqu'à ce qu'il ait terminé la tâche de recherche complète.

Prise en charge des modèles

La compatibilité de Dexter est également très flexible. Qu'il s'agisse de grands modèles cloud tels que OpenAI, Anthropic, Google, xAI, OpenRouter, ou d'Ollama déployé localement, ils peuvent tous être connectés de manière transparente, ce qui permet une exécution rapide dans le cloud et répond aux besoins de confidentialité du déploiement local.

Prise en main rapide

1. Préparer l'environnement d'exécution

Dexter utilise Bun comme environnement d'exécution. La version officielle requise est 1.0 ou supérieure. Les méthodes d'installation varient selon les systèmes. Redémarrez le terminal une fois l'opération terminée.

macOS / Linux peut exécuter :

curl -fsSL https://bun.com/install | bashWindows peut exécuter :

powershell -c "irm bun.sh/install.ps1|iex"Une fois l'installation terminée, entrez bun --version dans le terminal. Si le numéro de version est affiché normalement, cela signifie que l'installation a réussi.### Deuxièmement, cloner le projet et installer les dépendances

Après avoir cloné le dépôt du projet, accédez au répertoire du projet et utilisez Bun pour installer les dépendances requises :

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

Troisièmement, configurer les variables d'environnement

C'est une étape cruciale pour exécuter Dexter. Le projet fournit déjà un fichier de modèle de variables d'environnement. Nous devons d'abord copier le modèle pour générer un fichier de configuration, puis le modifier en fonction de nos propres besoins :

cp env.example .env Ensuite, modifiez le fichier .env généré. Les clés API principales à configurer sont divisées en trois catégories :

• Clé API du fournisseur de grands modèles : y compris OpenAI, Anthropic, Google, xAI, OpenRouter, etc. (par exemple, OPENAI_API_KEY) peut être configurée en fonction du grand modèle que vous utilisez ;
• Clé API des ensembles de données financiers : utilisée pour extraire des données financières et de marché de niveau institutionnel, c'est la configuration de base pour réaliser une analyse financière professionnelle, il est recommandé de la configurer obligatoirement. Adresse d'obtention : https://financialdatasets.ai/
• Clé API liée à la recherche sur le Web : y compris Exa, Tavily, utilisée pour améliorer la capacité de recherche sur le Web de l'agent intelligent, est une configuration facultative. Adresse d'obtention : https://exa.ai/

Si vous devez utiliser Ollama déployé localement, configurez-le dans le fichier :

OLLAMA_BASE_URL=http://127.0.0.1:11434

Quatrièmement, démarrer Dexter

Une fois la configuration des variables d'environnement terminée, exécutez directement la commande de démarrage dans le terminal :

bun start Vous pouvez alors accéder à l'interface CLI interactive de Dexter. Entrez des questions liées à la recherche financière dans l'interface, et il planifiera et exécutera automatiquement le processus d'analyse complet.

Si c'est à des fins de développement ou de débogage, vous pouvez utiliser le mode de rechargement à chaud pour démarrer :

bun dev

Cinquièmement, évaluation et débogage

Pour les utilisateurs ayant des besoins avancés, Dexter dispose d'un outil d'évaluation spécialisé intégré, qui peut être utilisé pour tester la capacité d'analyse de l'agent intelligent. Vous pouvez exécuter un processus d'évaluation complet ou extraire des échantillons aléatoires pour les tests :

bun run src/evals/run.ts bun run src/evals/run.ts --sample 10 Dexter enregistrera automatiquement tous les processus d'analyse, les appels d'outils et les résultats intermédiaires dans ce répertoire :

.dexter/scratchpad/ Vous pouvez utiliser les fichiers qu'il contient pour compléter l'examen du processus de recherche et le débogage du projet

L'Agent vertical est le point central de la prochaine étape

Les Agents généraux continueront de progresser, mais les agents intelligents qui commencent vraiment à être "utiles" seront certainement ceux qui creusent en profondeur dans des domaines verticaux.

Dexter est un exemple typique. Il n'a pas essayé de couvrir tous les domaines, mais s'est concentré sur la recherche financière, en approfondissant les sources de données, les processus d'analyse et les mécanismes de vérification.Adresse du projet : https://github.com/virattt/dexter