Les agents généraux ne fonctionnent plus ? 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 général soutenue par de grands modèles généraux a augmenté tout au long du processus. Mais dès que l'on entre dans un domaine professionnel, 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 résoudre réellement ces problèmes avec un agent universel pour tous les 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 ordinaires de questions-réponses financières, il peut décomposer lui-même les tâches de recherche, extraire des données professionnelles, exécuter des processus d'analyse et revérifier à plusieurs reprises les résultats de la recherche. Il s'agit d'un agent intelligent qui est réellement mis en œuvre dans les scénarios de recherche et d'investissement financiers, et sa popularité et sa force sont très bonnes.  ## 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 clarifiant d'abord l'objectif de la recherche, puis en déterminant les indicateurs financiers clés nécessaires pour mener à bien la recherche, puis en sélectionnant 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 sont 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 généraux est que : la logique n'est peut-être pas un problème, mais la source des données est vague, le calibre n'est pas uniforme et la conclusion finale n'est pas du tout valable. 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 vérifiera en permanence les résultats intermédiaires et les conclusions finales. Une fois qu'il aura détecté des failles logiques ou des données manquantes, il ajustera automatiquement les étapes de recherche et continuera à les exécuter jusqu'à ce qu'il ait terminé la tâche de recherche complète. ## Support de 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. Il peut être exécuté rapidement dans le cloud et répondre aux besoins de confidentialité du déploiement local.  ## Démarrage rapide ### 1. Préparer l'environnement d'exécution Dexter utilise Bun comme environnement d'exécution. La version officielle requise est 1.0 et supérieure. La méthode d'installation est différente selon les systèmes. Redémarrez le terminal une fois l'opération terminée. macOS / Linux peut exécuter : `curl -fsSL https://bun.com/install | bash`Windows 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 correctement affiché, cela signifie que l'installation a réussi.### Deuxièmement, cloner le projet et installer les dépendances Après avoir cloné le dépôt du projet, entrez dans le répertoire du projet et utilisez Bun pour installer les dépendances requises par le projet : `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 l'éditer en fonction de nos propres besoins : `cp env.example .env` Ensuite, éditez le fichier .env généré. Les API Keys principales qui doivent être configurées sont divisées en trois catégories : - **API Key du fournisseur de grands modèles** : y compris OpenAI, Anthropic, Google, xAI, OpenRouter, etc. (par exemple, OPENAI_API_KEY) peuvent être configurées en fonction du grand modèle que vous utilisez ; - **Financial Datasets API Key** : 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/ - **API Key liées à la recherche sur le Web** : y compris Exa, Tavily, utilisées pour améliorer la capacité de recherche sur le Web de l'agent intelligent, c'est une configuration facultative. Adresse d'obtention : https://exa.ai/ Si vous devez utiliser Ollama déployé localement, configurez dans le fichier : `OLLAMA_BASE_URL=http://127.0.0.1:11434` ### Quatrièmement, démarrer Dexter Une fois les variables d'environnement configurées, exécutez directement la commande de démarrage dans le terminal : `bun start` vous pouvez entrer dans 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 pour le développement ou le 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 dédié, 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  ## Les Agents Verticaux sont l'axe principal de la prochaine étape Les Agents Généraux continueront de progresser, mais les agents intelligents qui commencent vraiment à être "utiles" creuseront certainement en profondeur dans les 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