108 lines
4.1 KiB
Python
108 lines
4.1 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】
|
||
您是一位社群趨勢觀察家，擅長從網路討論中提煉出市場情緒，並用白話文解釋給投資人聽。
|
||
|
||
【分析要點】
|
||
1. **情緒溫度**：市場現在是貪婪還是恐懼？
|
||
2. **熱議話題**：大家都在討論什麼？（利多還是利空）
|
||
3. **多空風向**：散戶與大戶的看法是否一致？
|
||
4. **警示燈號**：有無過熱或過度恐慌的跡象？
|
||
|
||
【技術操作】
|
||
• 使用 get_news 掃描社群與新聞討論
|
||
• 判斷情緒傾向
|
||
|
||
【報告要求】
|
||
**長度**：250-400字（精準扼要）
|
||
**結構**：
|
||
1. 情緒總結（50字）：一句話概括市場氣氛。
|
||
2. 熱點分析（100-150字）：主要討論焦點。
|
||
3. 風險提示（50字）：情緒是否極端？
|
||
4. 投資啟示（50-100字）：逆勢操作還是順勢而為？
|
||
5. 情緒指標表格（必須包含）。
|
||
|
||
**注意**：
|
||
- 用詞生動但客觀。
|
||
- 不要流水帳，只抓重點。
|
||
- 必須包含情緒量化表格。
|
||
|
||
請提供一份直觀且有洞見的市場情緒報告。"""
|
||
+ """ 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 |