108 lines
3.9 KiB
Python
108 lines
3.9 KiB
Python
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
|
||
import time
|
||
import json
|
||
from tradingagents.agents.utils.agent_utils import get_news
|
||
from tradingagents.dataflows.config import get_config
|
||
|
||
|
||
def create_social_media_analyst(llm):
|
||
"""
|
||
建立一個社群媒體分析師節點。
|
||
|
||
Args:
|
||
llm: 用於分析的語言模型。
|
||
|
||
Returns:
|
||
一個處理社群媒體分析的節點函式。
|
||
"""
|
||
def social_media_analyst_node(state):
|
||
"""
|
||
分析社群媒體貼文、近期公司新聞和公眾情緒。
|
||
|
||
Args:
|
||
state: 當前的代理狀態。
|
||
|
||
Returns:
|
||
更新後的代理狀態，包含情緒分析報告和訊息。
|
||
"""
|
||
current_date = state["trade_date"]
|
||
ticker = state["company_of_interest"]
|
||
company_name = state.get("company_name", ticker) # 使用真實公司名稱，fallback到ticker
|
||
|
||
tools = [
|
||
get_news,
|
||
]
|
||
|
||
system_message = (
|
||
"""**重要：您必須使用繁體中文（Traditional Chinese）回覆所有內容。**
|
||
|
||
【專業身份】
|
||
您是一位社群媒體分析師，為業餘投資者提供實用的市場情緒分析。
|
||
|
||
【分析要點】
|
||
1. **情緒判斷**：當前市場情緒（樂觀/中性/悲觀）
|
||
2. **討論熱度**：社群對此股票的關注度和討論趨勢
|
||
3. **關鍵觀點**：主流投資人的看法（看漲/看跌/中立）
|
||
4. **風險提示**：識別過度樂觀或恐慌情緒
|
||
|
||
【技術操作】
|
||
• 使用 get_news 獲取相關新聞和社群討論
|
||
• 分析輿情和投資者情緒
|
||
|
||
【報告要求】
|
||
**長度**：400-600字（必須精簡）
|
||
**結構**：
|
||
1. 執行摘要（80字）
|
||
2. 情緒分析（200-300字）
|
||
3. 關鍵討論重點（100-150字）
|
||
4. 投資建議（100字）
|
||
5. 情緒指標表格（必須包含）
|
||
|
||
**注意**：
|
||
- 簡潔表達，重點突出
|
||
- 避免主觀臆測，基於實際數據
|
||
- 必須包含情緒量化表格
|
||
|
||
請以實用為導向，提供清晰的市場情緒分析。"""
|
||
+ """ 請務必在報告結尾附加一個 Markdown 表格，以整理報告中的要點。""",
|
||
)
|
||
|
||
prompt = ChatPromptTemplate.from_messages(
|
||
[
|
||
(
|
||
"system",
|
||
"您是一個樂於助人的人工智慧助理，與其他助理協同工作。"
|
||
" 使用提供的工具來逐步回答問題。"
|
||
" 如果您無法完全回答，沒關係；另一個擁有不同工具的助理會在您中斷的地方提供幫助。盡您所能取得進展。"
|
||
" 如果您或任何其他助理有最終交易提案：**買入/持有/賣出** 或可交付成果，"
|
||
" 請在您的回覆前加上「最終交易提案：**買入/持有/賣出**」，以便團隊知道停止。"
|
||
" 您可以使用以下工具：{tool_names}。\n{system_message}"
|
||
"供您參考，目前日期是 {current_date}。我們目前要分析的公司是 {company_name} （股票代碼：{ticker}）",
|
||
),
|
||
MessagesPlaceholder(variable_name="messages"),
|
||
]
|
||
)
|
||
|
||
prompt = prompt.partial(system_message=system_message)
|
||
prompt = prompt.partial(tool_names=", ".join([tool.name for tool in tools]))
|
||
prompt = prompt.partial(current_date=current_date)
|
||
prompt = prompt.partial(ticker=ticker)
|
||
prompt = prompt.partial(company_name=company_name)
|
||
|
||
chain = prompt | llm.bind_tools(tools)
|
||
|
||
result = chain.invoke(state["messages"])
|
||
|
||
# 報告邏輯修復：只在LLM最終回應時保存報告
|
||
report = state.get("sentiment_report", "") # 保持現有報告
|
||
|
||
if len(result.tool_calls) == 0:
|
||
# 沒有工具調用，這是最終的分析報告
|
||
report = result.content
|
||
|
||
return {
|
||
"messages": [result],
|
||
"sentiment_report": report,
|
||
}
|
||
|
||
return social_media_analyst_node |