Generell Agent er ikke bra nok? Denne finansielle AI-en med 15 000 stjerner automatiserer hele investerings- og forskningsprosessen

De siste to årene har utviklingstrenden for AI-agenter blitt stadig tydeligere, og den generelle agentkapasiteten støttet av generelle store modeller har steget jevnt og trutt.

Men så snart de trer inn i et profesjonelt felt, vil disse "universelle agentene" lett avsløre sin inkompetanse, og finansiell forskning er det mest typiske eksemplet.

Logikken for å dekonstruere regnskap, den enhetlige verifiseringen av indikatorer, verifiseringen av datakilders autentisitet og reproduserbarheten av forskningskonklusjoner er alle kjernebehovene i finansiell forskning. Å stole på en intelligent agent som er universell for alle felt, kan ikke virkelig løse problemet.

Det var også under gjennomgangen av åpen kildekode-prosjekter at jeg oppdaget et prosjekt som har samlet et godt rykte i finansielle kretser og utviklermiljøet: Dexter, en autonom intelligent agent spesielt designet for dyp finansiell forskning.

I motsetning til vanlige finansielle spørsmåls- og svarverktøy, kan den selv dekonstruere forskningsoppgaver, hente profesjonelle data, utføre analyseprosesser og gjentatte ganger verifisere forskningsresultater. Det kan betraktes som en intelligent agent som virkelig er implementert i finansielle investerings- og forskningsscenarier, og både populariteten og styrken er veldig imponerende.

Ikke en "finansiell versjon av ChatGPT"

Hvis vanlige finansielle AI-er løser spørsmålet om "kan du gi et svar", løser Dexter det mer sentrale spørsmålet i finansiell forskning om "kan du undersøke problemet grundig".

Dexters posisjon er ikke å lage en "finansiell versjon av ChatGPT", men å gjenskape den virkelige finansielle investerings- og forskningsprosessen.

Når du stiller et forskningsspørsmål, for eksempel:

• Analyser endringene i inntektene til et selskap de siste fem årene?
• Sammenlign verdsettelsesstrukturen til to bransjer?
• Vurder kontantstrømkvaliteten til et selskap?

Den vil ikke direkte gi en konkluderende tekst, men vil følge profesjonell investerings- og forskningslogikk, først tydeliggjøre forskningsmålet, deretter vurdere de viktigste finansielle indikatorene som kreves for å fullføre forskningen, deretter screene og matche profesjonelle datakilder, og til slutt trinnvis utføre analyse, verifisere data og supplere informasjon.

Hele forskningsprosessen er strukturert og sporbar, i stedet for å stole på en stor modell for å "generere" svar en gang for alle.

Profesjonelle datakilder er dens styrke

Nedre grense for finansiell analyse avhenger alltid av datakvalitet.

Dexter kan direkte koble til finansielle datakilder på institusjonelt nivå, som dekker kjerne data som inntektsoppgaver, balanser og kontantstrømoppgaver.

Dette er ikke enkel nettskraping, men et data system organisert rundt profesjonelle finansielle strukturer.

Mange generelle agenter har problemer med at logikken kanskje ikke er et problem, men datakildene er vage og kaliberne er ikke enhetlige, og den endelige konklusjonen er ikke bærekraftig.

Dexter anser datakilder som en kjernekompetanse fra designnivået, i stedet for en tilleggsfunksjon. Dette er et veldig viktig skritt for investerings- og forskningsscenarier.

Den vil "sjekke seg selv"

Dexters selvvalideringsmekanisme er enda mer i tråd med de høye kravene til nøyaktighet i finanssektoren.

Gjennom hele analyseprosessen vil Dexter kontinuerlig sjekke mellomresultater og endelige konklusjoner. Hvis det oppdages logiske hull eller manglende data, vil den automatisk justere forskningstrinnene og fortsette å utføre dem til den fullfører hele forskningsoppgaven.

Modellstøtte

Dexters kompatibilitet er også veldig fleksibel. Enten det er OpenAI, Anthropic, Google, xAI, OpenRouter disse skybaserte store modellene, eller lokalt distribuerte Ollama, kan de sømløst kobles til, og kan kjøres raskt i skyen, og kan også møte personvernbehovene til lokal distribusjon.

Rask start

1. Forbered kjøremiljøet

Dexter bruker Bun som kjøretid. Den offisielle versjonen krever 1.0 eller høyere. Installasjonsmetodene for forskjellige systemer er forskjellige. Start terminalen på nytt etter at operasjonen er fullført.

macOS / Linux-system kan utføre:

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

powershell -c "irm bun.sh/install.ps1|iex"Etter installasjonen, skriv bun --version i terminalen, og den normale utgangen av versjonsnummeret indikerer at installasjonen er vellykket.### II. Klon prosjektet og installer avhengigheter

Etter å ha klonet prosjektets repository, gå inn i prosjektmappen og bruk Bun for å installere de nødvendige avhengighetene:

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

III. Konfigurer miljøvariabler

Dette er et kritisk trinn for å kjøre Dexter. Prosjektet har allerede en malfil for miljøvariabler. Vi trenger bare å kopiere malen for å generere en konfigurasjonsfil, og deretter redigere den i henhold til våre egne behov:

cp env.example .env

Rediger deretter den genererte .env-filen. De viktigste API-nøklene som må konfigureres er hovedsakelig delt inn i tre kategorier:

• API-nøkkel for leverandør av store språkmodeller: Inkluderer OpenAI, Anthropic, Google, xAI, OpenRouter, etc. (f.eks. OPENAI_API_KEY). Du kan konfigurere den tilsvarende modellen du bruker;
• Financial Datasets API Key: Brukes til å hente finansmarkeds- og regnskapsdata på institusjonelt nivå, og er kjernekonfigurasjonen for å realisere profesjonell finansiell analyse. Det anbefales å konfigurere denne. Hent adresse: https://financialdatasets.ai/
• API-nøkkel relatert til nettsøk: Inkluderer Exa, Tavily, som brukes til å forbedre agentens nettsøkfunksjoner, og er en valgfri konfigurasjon. Hent adresse: https://exa.ai/

Hvis du trenger å bruke lokalt distribuert Ollama, konfigurer i filen:

OLLAMA_BASE_URL=http://127.0.0.1:11434

IV. Start Dexter

Etter at miljøvariablene er konfigurert, kjør startkommandoen direkte i terminalen:

bun start

for å gå inn i Dexters interaktive CLI-grensesnitt. Skriv inn finansielle forskningsrelaterte spørsmål i grensesnittet, og det vil automatisk planlegge og utføre hele analyseprosessen.

Hvis det er for utviklings- eller feilsøkingsformål, kan du bruke hot-reload-modus for å starte:

bun dev

V. Evaluering og feilsøking

For brukere med avanserte behov har Dexter en innebygd evalueringsverktøy som kan brukes til å teste agentens analyseevner. Du kan enten kjøre hele evalueringsprosessen eller tilfeldig trekke ut prøver for testing:

bun run src/evals/run.ts bun run src/evals/run.ts --sample 10

Dexter vil automatisk registrere hele analyseprosessen, verktøyanrop og mellomresultater i denne katalogen:

.dexter/scratchpad/ Gjennom filene under den kan du fullføre gjennomgangen av forskningsprosessen og feilsøkingen av prosjektet

Vertikal Agent, er hovedfokus for neste fase

Generelle agenter vil fortsette å utvikle seg, men den intelligente agenten som virkelig begynner å bli "nyttig", vil definitivt være en som graver dypt i vertikale felt.

Dexter er et typisk eksempel. Den prøver ikke å dekke alle felt, men fokuserer på finansiell forskning, og utdyper datakilder, analyseprosesser og verifiseringsmekanismer.Prosjektadresse: https://github.com/virattt/dexter