首頁 >科技週邊 >人工智慧 >如何建立用於股票見解的多模式代理系統？

如何建立用於股票見解的多模式代理系統？

William Shakespeare原創: 2025-03-04 10:41:10422瀏覽

多模式的代理系統代表了人工智能領域的革命性進步，無縫地結合了多種數據類型（例如文本，圖像，音頻和視頻），這是一個統一的系統，可以顯著增強智能技術的能力。這些系統依賴於可以獨立處理，分析和綜合各種來源的信息的自主智能代理，從而促進對複雜情況的更深入，更細微的理解。

通過將多模式輸入與代理功能合併，這些系統可以實時動態適應不斷變化的環境和用戶交互，從而提供更敏感和智能的體驗。這種融合不僅提高了各個行業的運營效率，而且還提高了人類計算機的相互作用，從而使它們更加流暢，直覺和上下文意識。結果，將多模式的代理框架設置為重塑我們與技術互動和利用技術的方式，在跨部門的無數應用中推動創新。

學習目標

具有高級圖像分析的代理AI系統的好處

> CREW AI的視覺工具如何增強代理AI功能？ DeepSeek-R1-Distill-Qwen-7b型號及其功能

>實踐Python教程與DeepSeek R1
構建一個多模式的多模式，多代理系統，用於庫存分析
>使用庫存圖表進行分析和比較庫存行為
>本文是

> > data Science Blogathon的一部分。 Table of contentsAgentic AI systems with Image Analysis CapabilitiesBuilding a Multi-Modal Agentic System to Explain Stock Behavior From Stock Charts

Hands-On Python Implementation using Ollama on Google Colab

>結論
常見問題具有圖像分析功能的代理AI系統
代理AI系統正在改變行業。
- 瞬時視覺數據處理：這些高級系統具有實時分析大量視覺信息的能力，從而極大地提高了不同部門的運營效率，包括醫療保健，製造和零售。這種快速處理有助於快速決策和對動態條件的立即響應。圖像識別中的 >卓越的精度：
- > 通過將圖像分析無縫納入其操作框架中，這些智能係統可以自主執行複雜的任務，例如提供醫療診斷或進行監視操作，而無需直接監督。這種自動化不僅簡化了工作流程，而且還可以最大程度地減少人為錯誤的可能性，從而為提高生產率和可靠性鋪平了道路。 >
- >機組人道AI視覺工具 > Crewai是一個尖端的開源框架，旨在將自主的AI代理協調到凝聚力的團隊中，使他們能夠協作處理複雜的任務。在Crewai內部，每個代理都被分配了特定的角色，配備了指定工具，並由定義明確的目標驅動，反映了現實世界工作人員的結構。
構建一個多模式的代理系統，以解釋庫存圖表的庫存行為>
>我們將構建一個複雜的多模式代理系統，該系統將首先利用Crewai的視覺工具，旨在解釋和分析兩家公司的庫存圖表（以圖像的形式）。然後，該系統將利用DeepSeek-R1-Distill-Qwen-7b模型的力量，以提供對這些公司股票行為的詳細說明，從而為兩家公司的業績提供良好的見解並比較其行為。這種方法可以通過將視覺數據分析與高級語言模型相結合，從而實現明智的決策，從而對市場趨勢進行全面的了解和比較。

> deepSeek-r1-distill-qwen-7b
為了適應DeepSeek R1的高級推理能力以用於更緊湊的語言模型，創建者編制了DeepSeek R1本身生成的800,000個示例的數據集。然後將這些示例用於微調現有模型，例如Qwen和Llama。結果表明，這種相對簡單的知識蒸餾方法有效地將R1的複雜推理功能傳遞給了這些其他模型
> DeepSeek-R1-Distill-Qwen-7b型號是Distled DeepSeek R1的型號之一。它是較大的DeepSeek-R1體系結構的蒸餾版，旨在提供提高效率的同時保持穩健的性能。這是一些關鍵功能：
該模型在數學任務中脫穎而出，在數學500基准上取得了令人印象深刻的分數為92.8％，
展示了其有效處理複雜數學推理的能力。除了其數學能力外，DeepSeek-R1-Distill-Qwen-7b在事實提問的任務上表現出色，在GPQA Diamond上得分為49.1％，在數學和事實推理能力之間取得了良好的平衡。
>我們將利用這一模型來解釋和找到公司股票行為背後的推理，從庫存圖表圖像中提取信息。

使用Ollama在Google Colab上使用Ollama實施實施Python >我們將使用Ollama來拉動LLM型號並利用Google COLAB上的T4 GPU來構建此多模式代理系統。

>步驟1。安裝必要的庫
```
!pip install crewai crewai_tools
!sudo apt update
!sudo apt install -y pciutils
!pip install langchain-ollama
!curl -fsSL https://ollama.com/install.sh | sh
!pip install ollama==0.4.2
```
>步驟2。啟用線程到設置Ollama Server
```
import threading
import subprocess
import time

def run_ollama_serve():
 subprocess.Popen(["ollama", "serve"])

thread = threading.Thread(target=run_ollama_serve)
thread.start()
time.sleep(5)
```
步驟3。
```
!ollama pull deepseek-r1
```
>步驟4。定義OpenAI API鍵和LLM模型
```
import os
from crewai import Agent, Task, Crew, Process, LLM
from crewai_tools import LlamaIndexTool
from langchain_openai import ChatOpenAI
from crewai_tools import VisionTool
vision_tool = VisionTool()

os.environ['OPENAI_API_KEY'] =''
os.environ["OPENAI_MODEL_NAME"] = "gpt-4o-mini"

llm = LLM(
 
 model="ollama/deepseek-r1",
)
```
步驟5。定義代理，工作人員中的任務
```
def create_crew(image_url,image_url1):

 #Agent For EXTRACTNG INFORMATION FROM STOCK CHART
 stockchartexpert= Agent(
 role="STOCK CHART EXPERT",
 goal="Your goal is to EXTRACT INFORMATION FROM THE TWO GIVEN %s & %s stock charts correctly """%(image_url, image_url1),
 backstory="""You are a STOCK CHART expert""",
 verbose=True,tools=[vision_tool],
 allow_delegation=False

 )

 #Agent For RESEARCH WHY THE STOCK BEHAVED IN A SPECIFIC WAY
 stockmarketexpert= Agent(
 role="STOCK BEHAVIOUR EXPERT",
 goal="""BASED ON THE PREVIOUSLY EXTRACTED INFORMATION ,RESEARCH ABOUT THE RECENT UPDATES OF THE TWO COMPANIES and EXPLAIN AND COMPARE IN SPECIFIC POINTS WHY THE STOCK BEHAVED THIS WAY . """,
 backstory="""You are a STOCK BEHAVIOUR EXPERT""",
 verbose=True,

 allow_delegation=False,llm = llm
 )

 #Task For EXTRACTING INFORMATION FROM A STOCK CHART
 task1 = Task(
 description="""Your goal is to EXTRACT INFORMATION FROM THE GIVEN %s & %s stock chart correctly """%((image_url,image_url1)),
 expected_output="information in text format",
 agent=stockchartexpert,
 )

 #Task For EXPLAINING WITH ENOUGH REASONINGS WHY THE STOCK BEHAVED IN A SPECIFIC WAY
 task2 = Task(
 description="""BASED ON THE PREVIOUSLY EXTRACTED INFORMATION ,RESEARCH ABOUT THE RECENT UPDATES OF THE TWO COMPANIES and EXPLAIN AND COMPARE IN SPECIFIC POINTS WHY THE STOCK BEHAVED THIS WAY.""",
 expected_output="Reasons behind stock behavior in BULLET POINTS",
 agent=stockmarketexpert
 )
 
 #Define the crew based on the defined agents and tasks
 crew = Crew(
 agents=[stockchartexpert,stockmarketexpert],
 tasks=[task1,task2],
 verbose=True, # You can set it to 1 or 2 to different logging levels
 )

 result = crew.kickoff()
 return result
```
>步驟6。運行船員

以下兩個庫存圖表作為機組人員的輸入
```
text = create_crew("https://www.eqimg.com/images/2024/11182024-chart6-equitymaster.gif","https://www.eqimg.com/images/2024/03262024-chart4-equitymaster.gif")
pprint(text)
```
最終輸出

從最終產出中可以看出，代理系統對股票圖表的股價行為進行了很好的分析和比較。
```
Mamaearth's stock exhibited volatility during the year due to internal challenges that led to significant price changes. These included unexpected product launches and market controversies which caused both peaks and troughs in the share price, resulting in an overall fluctuating trend. On the other hand, Zomato demonstrated a generally upward trend in its share price over the same period. This upward movement can be attributed to expanding business operations, particularly with successful forays into cities like Bengaluru and Pune, enhancing their market presence. However, near the end of 2024, external factors such as a major scandal or regulatory issues might have contributed to a temporary decline in share price despite the overall positive trend. In summary, Mamaearth's stock volatility stems from internal inconsistencies and external controversies, while Zomato's upward trajectory is driven by successful market expansion with minor setbacks due to external events.
```
多模式代理系統的另一個示例，用於股票洞察

>讓我們檢查並比較另外兩家公司的股票圖表中的股價行為 - 欣喜若狂的食品工程和比卡吉食品國際有限公司。
```
text = create_crew("https://s3.tradingview.com/p/PuKVGTNm_mid.png","https://images.cnbctv18.com/uploads/2024/12/bikaji-dec12-2024-12-b639f48761fab044197b144a2f9be099.jpg?im=Resize,width=360,aspect=fit,type=normal")
print(text)
```
最終輸出
從最終產出可以看出，代理系統對股票圖表中的股價行為進行了很好的分析，並比較了對比卡吉（Bikaji）持續性能的趨勢的詳盡解釋，與歡樂的食品公司的看漲模式相比。
結論
總之，多模式代理框架通過將各種數據類型融合以更好的實時決策來標誌著AI中的變革轉變。這些系統通過整合高級圖像分析和代理功能來增強自適應智能。結果，它們優化了各個部門的效率和準確性。機組AI Vision Tool和DeepSeek R1模型展示了此類框架如何實現複雜的應用程序，例如分析股票行為。這一進步強調了AI在推動創新和改善決策方面的作用日益增長。
鑰匙要點
1. 多模式代理框架：這些框架將文本，圖像，音頻和視頻集成到統一的AI系統中，從而增強了人工智能功能。這些系統中的智能代理獨立處理，分析和綜合來自不同來源的信息。這種能力使他們能夠對複雜情況有細微的理解，從而使AI更適應和響應。
2. 實時適應性：通過將多模式輸入與代理功能合併，這些系統動態適應不斷變化的環境。這種適應性使得更加響應且智能的用戶交互。多種數據類型的集成提高了包括醫療保健，製造業和零售在內的各個領域的運營效率。它提高了決策速度和準確性，從而提高了更好的結果
3. >> crew ai視覺工具：此工具使Crewai中的自主代理能夠從圖像中提取和處理文本，增強其決策能力並提高整體工作流程效率。
4. >deepSeek-r1-distill-qwen-7b型號：這種蒸餾模型可提供強大的性能，同時更加緊湊，在數學推理和事實問題上的任務中出色，使其適合分析股票行為。
5. >本文所示的媒體不歸Analytics Vidhya擁有，並由作者自行決定使用。 常見問題
> Q1。 AI中的多模式代理框架是什麼？多模式代理框架將文本，圖像，音頻和視頻（視頻和視頻）等各種數據類型組合到統一的AI系統中。這種集成使智能代理能夠分析和處理多種形式的數據，以獲得更細微和有效的決策。什麼是船員AI？ CREW AI是一個高級的開源框架，旨在將自主AI代理協調為凝聚力的團隊，以合作完成複雜的任務。系統中的每個代理都有一個特定的角色，配備了指定工具，並由定義明確的目標驅動，模仿了現實世界工作人員的結構和功能。 Q3。機組人道AI視覺工具如何增強多模式系統？機組AI視覺工具允許代理從圖像提取和處理文本。該功能使系統能夠理解視覺數據並將其集成到決策過程中，從而進一步提高工作流程效率。哪些行業可以從具有圖像分析功能的代理AI系統中受益？這些系統在醫療保健，製造業和零售等行業中特別有益，在醫療保健，製造業和零售業中，圖像識別中的實時分析和精度對於諸如醫學診斷和質量控制等任務至關重要。 Q5。 DeepSeek R1的蒸餾型是什麼？ DeepSeek-R1的蒸餾模型是使用稱為蒸餾的過程創建的較大DeepSeek-R1模型的較小，更有效的版本，該過程可保留原始模型的許多推理能力，同時降低計算需求。這些蒸餾模型使用DeepSeek-R1生成的數據進行微調。這些蒸餾模型的一些示例是DeepSeek-R1-Distill-Qwen-1.5b，DeepSeek-R1-Distill-Qwen-7b，DeepSeek-R1-Distill-Qwen-14b，DeepSeek-R1-Distill-distill-distill-lllama-8b等