Universele Agenten werken niet meer? Deze financiële AI met 15.000 sterren automatiseert het hele beleggingsonderzoeksproces

De ontwikkelingstrend van AI-agenten is de afgelopen twee jaar steeds duidelijker geworden, waarbij de universele agentcapaciteit, ondersteund door universele grote modellen, steeds verder is toegenomen.

Maar zodra ze een professioneel gebied betreden, laten deze 'alleskunner-agenten' al snel steken vallen, en financieel onderzoek is daar een typisch voorbeeld van.

De ontledingslogica van financiële overzichten, de uniforme verificatie van indicatordefinities, de authenticiteitsverificatie van gegevensbronnen en de reproduceerbaarheid van onderzoeksconclusies zijn allemaal kerneisen van financieel onderzoek. Het is onmogelijk om dit echt op te lossen met een intelligente agent die universeel is voor alle gebieden.

Tijdens het doorbladeren van open source projecten ontdekte ik een project dat veel lof heeft geoogst in de financiële wereld en de ontwikkelaarsgemeenschap: Dexter, een autonome intelligente agent die speciaal is ontworpen voor diepgaand financieel onderzoek.

In tegenstelling tot gewone financiële vraag- en antwoordtools, kan het zelf onderzoekstaken ontleden, professionele gegevens ophalen, analyseprocessen uitvoeren en de onderzoeksresultaten herhaaldelijk verifiëren. Het kan worden beschouwd als een intelligente agent die echt is geland in financiële beleggingsonderzoeksscenario's, met zowel populariteit als kracht.

Geen 'Financiële ChatGPT'

Als gewone financiële AI het probleem oplost van 'kan het een antwoord geven', dan lost Dexter het meer fundamentele probleem op in financieel onderzoek van 'kan het probleem duidelijk worden onderzocht'.

De positionering van Dexter is niet om een 'Financiële ChatGPT' te zijn, maar om het echte financiële beleggingsonderzoeksproces te repliceren.

Wanneer u een onderzoeksvraag stelt, zoals:

• Analyseer de omzetveranderingen van een bepaald bedrijf in de afgelopen vijf jaar?
• Vergelijk de waarderingsstructuren van twee industrieën?
• Evalueer de kwaliteit van de cashflow van een bepaald bedrijf?

Het geeft niet direct een conclusietekst, maar volgt de professionele beleggingsonderzoekslogica, eerst het onderzoeksdoel bepalen, vervolgens de belangrijkste financiële indicatoren bepalen die nodig zijn om het onderzoek te voltooien, vervolgens de overeenkomende professionele gegevensbronnen selecteren en ten slotte stap voor stap de analyse uitvoeren, gegevens verifiëren en informatie aanvullen.

Het hele onderzoeksproces is gestructureerd en traceerbaar, in plaats van dat het grote model in één keer een antwoord 'genereert'.

Professionele gegevensbronnen zijn de basis

De ondergrens van financiële analyse hangt altijd af van de gegevenskwaliteit.

Dexter kan direct verbinding maken met financiële gegevensbronnen van institutioneel niveau, die kerngegevens omvatten zoals omzetoverzichten, balansen en kasstroomoverzichten.

Dit is geen simpele webscraping, maar een gegevenssysteem dat is georganiseerd rond een professionele financiële structuur.

Het probleem met veel universele agenten is dat de logica misschien geen probleem is, maar de gegevensbronnen zijn vaag en de definities zijn niet uniform, waardoor de uiteindelijke conclusie niet standhoudt.

Dexter beschouwt de gegevensbron vanaf het ontwerpniveau als een kerncompetentie, in plaats van een extra functie. Dit is een zeer cruciale stap voor beleggingsonderzoeksscenario's.

Het zal 'zichzelf controleren'

Het zelfverificatiemechanisme van Dexter komt nog meer overeen met de hoge eisen van nauwkeurigheid in de financiële sector.

Tijdens het hele analyseproces zal Dexter voortdurend de tussenresultaten en de uiteindelijke conclusies controleren. Zodra het logische fouten of gegevensverlies ontdekt, zal het automatisch de onderzoeksstappen aanpassen en doorgaan met de uitvoering totdat de volledige onderzoekstaak is voltooid.

Modelondersteuning

De compatibiliteit van Dexter is ook erg flexibel. Of het nu gaat om cloudgebaseerde grote modellen zoals OpenAI, Anthropic, Google, xAI, OpenRouter, of lokaal geïmplementeerde Ollama, ze kunnen naadloos worden aangesloten. Het kan snel in de cloud worden uitgevoerd en kan ook voldoen aan de privacybehoeften van lokale implementatie.

Snel aan de slag

1. Bereid de runtime-omgeving voor

Dexter gebruikt Bun als runtime. De officiële vereiste is versie 1.0 en hoger. De installatiemethoden verschillen voor verschillende systemen. Start na de bewerking de terminal opnieuw op.

macOS / Linux-systemen kunnen uitvoeren:

curl -fsSL https://bun.com/install | bashWindows-systemen kunnen uitvoeren:

powershell -c "irm bun.sh/install.ps1|iex"Nadat de installatie is voltooid, voert u bun --version in de terminal in. Als het versienummer normaal kan worden uitgevoerd, geeft dit aan dat de installatie is geslaagd.### II. Project klonen en afhankelijkheden installeren

Na het klonen van de projectrepository, ga naar de projectdirectory en gebruik Bun om de vereiste afhankelijkheden van het project te installeren:

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

III. Omgevingsvariabelen configureren

Dit is een cruciale stap voor het uitvoeren van Dexter. Het project biedt al een sjabloonbestand voor omgevingsvariabelen. We hoeven alleen eerst het sjabloon te kopiëren om een configuratiebestand te genereren en het vervolgens te bewerken op basis van onze eigen behoeften:

cp env.example .env Bewerk vervolgens het gegenereerde .env-bestand. De belangrijkste API-sleutels die moeten worden geconfigureerd, zijn onderverdeeld in drie categorieën:

• API-sleutel van de grote modelleverancier: inclusief OpenAI, Anthropic, Google, xAI, OpenRouter, enz. (zoals OPENAI_API_KEY) kan worden geconfigureerd op basis van het grote model dat u gebruikt;
• Financial Datasets API Key: Wordt gebruikt om financiële markt- en financiële gegevens op institutioneel niveau op te roepen, wat de kernconfiguratie is voor het realiseren van professionele financiële analyses. Het wordt aanbevolen om dit te configureren. Verkrijg adres: https://financialdatasets.ai/
• API-sleutel gerelateerd aan web zoeken: inclusief Exa, Tavily, gebruikt om de web zoekmogelijkheden van de agent te verbeteren, is een optionele configuratie. Verkrijg adres: https://exa.ai/

Als u de lokaal geïmplementeerde Ollama wilt gebruiken, configureert u in het bestand:

OLLAMA_BASE_URL=http://127.0.0.1:11434

IV. Dexter starten

Nadat de omgevingsvariabelen zijn geconfigureerd, voert u direct de startopdracht uit in de terminal:

bun start om de interactieve CLI-interface van Dexter te openen. Voer in de interface vragen in die betrekking hebben op financieel onderzoek en het zal automatisch de volledige analyseworkflow plannen en uitvoeren.

Voor ontwikkelings- of debuggingsdoeleinden kan de hot-reload-modus worden gebruikt om te starten:

bun dev

V. Evaluatie en debugging

Voor gebruikers met geavanceerde behoeften heeft Dexter een ingebouwde evaluatietool die kan worden gebruikt om de analyse mogelijkheden van de agent te testen. Het kan een volledige evaluatie workflow uitvoeren of willekeurig samples selecteren om te testen:

bun run src/evals/run.ts bun run src/evals/run.ts --sample 10 Dexter registreert automatisch alle analyseprocessen, tool aanroepen en tussenresultaten in deze directory:

.dexter/scratchpad/ Via de bestanden eronder kan de herhaling van het onderzoeksproces en de debugging van het project worden voltooid.

Verticale Agent, is de focus van de volgende fase

Algemene agenten zullen blijven verbeteren, maar de intelligente agenten die echt "bruikbaar" beginnen te worden, zullen zeker diep in verticale domeinen graven.

Dexter is een typisch voorbeeld. Het probeert niet alle gebieden te bestrijken, maar richt zich op financieel onderzoek en verdiept de gegevensbronnen, analyseprocessen en verificatiemechanismen.Projectadres: https://github.com/virattt/dexter