121 lines
5.5 KiB
Python
121 lines
5.5 KiB
Python
# -*- coding: utf-8 -*-
|
||
from langchain_core.messages import AIMessage
|
||
import time
|
||
import json
|
||
|
||
|
||
def create_bear_researcher(llm, memory):
|
||
"""
|
||
建立一個看跌研究員節點。
|
||
|
||
這個節點在辯論中扮演看跌分析師的角色，提出反對投資某支股票的論點。
|
||
它會利用市場研究、情緒分析、新聞和基本面報告，並結合過去的經驗（記憶），
|
||
來強調風險、挑戰和負面指標，並反駁看漲方的觀點。
|
||
|
||
Args:
|
||
llm: 用於生成回應的語言模型。
|
||
memory: 儲存過去情況和反思的記憶體物件。
|
||
|
||
Returns:
|
||
function: 一個代表看跌研究員節點的函式，可在 langgraph 中使用。
|
||
"""
|
||
|
||
def bear_node(state) -> dict:
|
||
"""
|
||
看跌研究員節點的執行函式。
|
||
|
||
Args:
|
||
state (dict): 當前的圖狀態。
|
||
|
||
Returns:
|
||
dict: 更新後的狀態，包含新的投資辯論狀態。
|
||
"""
|
||
# 從狀態中獲取投資辯論的相關資訊
|
||
investment_debate_state = state["investment_debate_state"]
|
||
history = investment_debate_state.get("history", "")
|
||
bear_history = investment_debate_state.get("bear_history", "")
|
||
current_response = investment_debate_state.get("current_response", "")
|
||
|
||
# 從狀態中獲取各類分析報告
|
||
market_research_report = state["market_report"]
|
||
sentiment_report = state["sentiment_report"]
|
||
news_report = state["news_report"]
|
||
fundamentals_report = state["fundamentals_report"]
|
||
|
||
# 整合當前情況並智能截斷以避免超過 token 限制
|
||
# 估算：1 個中文字符 ≈ 2.5 tokens，1 個英文字符 ≈ 0.25 tokens
|
||
# 目標：將每個報告限制在合理的字符數內，總共不超過約 15000 字符（約 20000-30000 tokens）
|
||
|
||
def truncate_text(text, max_chars):
|
||
"""截斷文本到指定字符數"""
|
||
if len(text) <= max_chars:
|
||
return text
|
||
return text[:max_chars] + "\n...(內容已截斷)"
|
||
|
||
# 為每個報告設置合理的字符限制
|
||
# 模型 gpt-4.1-mini 的限制是 8192 tokens
|
||
# 混合中英文估算: 1 字符 ≈ 1.5-2 tokens (取保守值)
|
||
# 目標: 總字符數 < 3000 字符 (約 4500-6000 tokens，留 2000+ tokens 給 completion)
|
||
market_research_report = truncate_text(market_research_report, 500)
|
||
sentiment_report = truncate_text(sentiment_report, 500)
|
||
news_report = truncate_text(news_report, 800) # 新聞通常較長但也需要控制
|
||
fundamentals_report = truncate_text(fundamentals_report, 600)
|
||
|
||
curr_situation = f"{market_research_report}\n\n{sentiment_report}\n\n{news_report}\n\n{fundamentals_report}"
|
||
|
||
# 從記憶體中獲取過去相似情況的經驗
|
||
past_memories = memory.get_memories(curr_situation, n_matches=2)
|
||
|
||
# 將過去的經驗格式化為字串（限制長度）
|
||
past_memory_str = ""
|
||
for i, rec in enumerate(past_memories, 1):
|
||
recommendation = rec["recommendation"]
|
||
# 限制每條記憶的長度
|
||
if len(recommendation) > 200:
|
||
recommendation = recommendation[:200] + "...(已截斷)"
|
||
past_memory_str += recommendation + "\n\n"
|
||
|
||
# 建立提示 (prompt) - 限制歷史長度以控制總 token 數
|
||
history = truncate_text(history, 300)
|
||
current_response = truncate_text(current_response, 200)
|
||
|
||
prompt = f"""您是一位提出反對投資該股票論點的看跌分析師。您的目標是提出一個理由充分的論點，強調風險、挑戰和負面指標。利用所提供的研究和數據，有效突顯潛在的缺點並反駁看漲論點。
|
||
|
||
需要關注的要點：
|
||
|
||
- 風險與挑戰：突顯可能阻礙股票表現的因素，如市場飽和、財務不穩定或宏觀經濟威脅。
|
||
- 競爭劣勢：強調脆弱性，如較弱的市場定位、創新能力下降或來自競爭對手的威脅。
|
||
- 負面指標：使用來自財務數據、市場趨勢或近期負面新聞的證據來支持您的立場。
|
||
- 看漲對應觀點：用具體數據和合理推理批判性地分析看漲論點，揭示其弱點或過於樂觀的假設。
|
||
- 參與：以對話風格呈現您的論點，直接與看漲分析師的觀點互動，進行有效辯論，而不僅僅是羅列事實。
|
||
|
||
可用資源：
|
||
|
||
市場研究報告：{market_research_report}
|
||
社群媒體情緒報告：{sentiment_report}
|
||
最新世界事務新聞：{news_report}
|
||
公司基本面報告：{fundamentals_report}
|
||
辯論的對話歷史：{history}
|
||
上次的看漲論點：{current_response}
|
||
從相似情況中得到的反思和經驗教訓：{past_memory_str}
|
||
利用這些資訊，提出一個令人信服的看跌論點，駁斥看漲方的說法，並進行一場動態辯論，展示投資該股票的風險和弱點。您還必須處理反思，並從過去的錯誤和教訓中學習。
|
||
"""
|
||
|
||
# 呼叫 LLM 生成回應
|
||
response = llm.invoke(prompt)
|
||
|
||
# 格式化論點
|
||
argument = f"看跌分析師：{response.content}"
|
||
|
||
# 更新投資辯論狀態
|
||
new_investment_debate_state = {
|
||
"history": history + "\n" + argument,
|
||
"bear_history": bear_history + "\n" + argument,
|
||
"bull_history": investment_debate_state.get("bull_history", ""),
|
||
"current_response": argument,
|
||
"count": investment_debate_state["count"] + 1,
|
||
}
|
||
|
||
return {"investment_debate_state": new_investment_debate_state}
|
||
|
||
return bear_node |