180 lines
7.6 KiB
Python
180 lines
7.6 KiB
Python
# -*- coding: utf-8 -*-
|
||
import time
|
||
import json
|
||
import logging
|
||
import random
|
||
from tenacity import (
|
||
retry,
|
||
stop_after_attempt,
|
||
wait_exponential,
|
||
retry_if_exception_type,
|
||
before_sleep_log
|
||
)
|
||
from anthropic._exceptions import OverloadedError
|
||
from tradingagents.agents.utils.output_filter import fix_common_llm_errors, validate_and_warn
|
||
|
||
# 設置日誌記錄器
|
||
logger = logging.getLogger(__name__)
|
||
|
||
|
||
def create_research_manager(llm, memory):
|
||
"""
|
||
建立一個研究管理員（裁判）節點。
|
||
|
||
這個節點扮演投資組合經理和辯論主持人的角色。
|
||
其任務是評估看漲和看跌分析師之間的辯論，並做出最終的投資決策
|
||
（與看跌方一致、與看漲方一致，或在有充分理由時選擇持有）。
|
||
它還需要制定一個詳細的投資計畫給交易員。
|
||
|
||
Args:
|
||
llm: 用於生成決策和計畫的語言模型。
|
||
memory: 儲存過去情況和反思的記憶體物件。
|
||
|
||
Returns:
|
||
function: 一個代表研究管理員節點的函式，可在 langgraph 中使用。
|
||
"""
|
||
|
||
def research_manager_node(state) -> dict:
|
||
"""
|
||
研究管理員節點的執行函式。
|
||
|
||
Args:
|
||
state (dict): 當前的圖狀態。
|
||
|
||
Returns:
|
||
dict: 更新後的狀態，包含裁判的決策和投資計畫。
|
||
"""
|
||
# 從狀態中獲取所需資訊
|
||
investment_debate_state = state["investment_debate_state"]
|
||
history = investment_debate_state.get("history", "")
|
||
|
||
market_research_report = state["market_report"]
|
||
sentiment_report = state["sentiment_report"]
|
||
news_report = state["news_report"]
|
||
fundamentals_report = state["fundamentals_report"]
|
||
|
||
# 定義文本截斷函數以避免超過 token 限制 - 移除截斷邏輯以保留完整報告內容
|
||
# 為每個報告設置合理的字符限制 - 移除，保留完整報告
|
||
|
||
# 整合當前情況
|
||
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
|
||
past_memory_str = ""
|
||
for i, rec in enumerate(past_memories, 1):
|
||
recommendation = rec["recommendation"]
|
||
past_memory_str += recommendation + "\n\n"
|
||
|
||
# 截斷辯論歷史 - 這是最容易超過限制的部分 - 移除截斷以保留完整內容
|
||
|
||
# 建立提示 (prompt)
|
||
prompt = f"""**重要：您必須使用繁體中文（Traditional Chinese）回覆所有內容。**
|
||
**嚴格禁止：請勿在回覆中使用任何 emoji 表情符號（如 ✅ ❌ 📊 📈 🚀 等）。**
|
||
**請只使用純文字、數字、標點符號和必要的 Unicode 符號（如 ↑ ↓ ★ ●等）。**
|
||
|
||
【專業身份】
|
||
您是投資決策經理，負責評估多空辯論並做出最終投資決策。**您必須保持嚴格中立觀點，公正評估看漲與看跌雙方論據，基於證據做出獨立決策。**
|
||
|
||
【職責】
|
||
1. **評估論證**：客觀權衡看漲與看跌方的論據強度，不偏袒任何一方
|
||
2. **做出決策**：基於證據明確判斷買入/賣出/持有，展現獨立判斷
|
||
3. **制定計畫**：提供交易員可執行的詳細操作指引
|
||
4. **中立裁判**：**作為中立裁判，綜合雙方論點後做出獨立決策，不受任何一方影響**
|
||
|
||
【可用資訊】
|
||
- 過去反思："{past_memory_str}"
|
||
- 辯論歷史：{history}
|
||
|
||
【輸出要求】
|
||
**字數要求**：**800-1500字**
|
||
**嚴格遵守字數限制，少於800字或超過1500字的報告將被退回**
|
||
**內容結構**：
|
||
1. 決策摘要（150字以上）：明確的買入/賣出/持有決策與核心理由
|
||
2. 論證評估（200字以上）：公正評估雙方最強論點與分歧點，不偏袒任何一方
|
||
3. 決策依據（300字以上）：選擇此立場的關鍵證據與邏輯推理
|
||
4. 操作指引（100字以上）：部位規模、目標價位、停損設定等具體參數
|
||
5. 風險提示（50字以上）：主要風險與監控重點
|
||
|
||
**撰寫原則**：
|
||
- **嚴格中立**：作為中立裁判，不偏向看漲或看跌任何一方
|
||
- **獨立決策**：基於證據與邏輯做出獨立判斷，展現決策自主性
|
||
- 決策明確，避免模稜兩可，必須給出清晰立場
|
||
- 提供具體量化的操作參數，確保可執行性
|
||
- 邏輯清晰，證據充分，說服力強
|
||
|
||
**結尾提示**：
|
||
請在報告最後加上以下結尾：
|
||
「---
|
||
👔 **本報告為研究經理的投資決策，綜合看漲與看跌雙方論據後做出。建議交易團隊執行前再次確認市場狀況。投資決策需獨立判斷，請謹慎評估。**」
|
||
|
||
請提供專業且可執行的投資決策報告。"""
|
||
|
||
# 定義帶重試機制的 LLM 調用函數
|
||
# 基於 Cursor IDE 博客建議的最佳實踐：
|
||
# 1. 使用指數退避策略（exponential backoff）
|
||
# 2. 添加隨機因子（jitter）避免多個客戶端同步重試
|
||
# 3. 增加重試次數和最大延遲時間
|
||
import random
|
||
|
||
@retry(
|
||
retry=retry_if_exception_type(OverloadedError),
|
||
wait=wait_exponential(multiplier=1, min=2, max=60), # 增加最大延遲到 60 秒
|
||
stop=stop_after_attempt(5), # 增加重試次數到 5 次
|
||
before_sleep=before_sleep_log(logger, logging.WARNING)
|
||
)
|
||
def invoke_llm_with_retry(llm_instance, prompt_text):
|
||
"""
|
||
調用 LLM 並在遇到 529 錯誤時自動重試。
|
||
|
||
使用指數退避策略加隨機因子（jitter）：
|
||
- 第 1 次重試：等待 2-4 秒（2 * 2^0 + jitter）
|
||
- 第 2 次重試：等待 4-8 秒（2 * 2^1 + jitter）
|
||
- 第 3 次重試：等待 8-16 秒（2 * 2^2 + jitter）
|
||
- 第 4 次重試：等待 16-32 秒（2 * 2^3 + jitter）
|
||
- 第 5 次重試：等待 32-60 秒（2 * 2^4 + jitter，最大 60 秒）
|
||
|
||
Args:
|
||
llm_instance: LLM 實例
|
||
prompt_text: 提示文本
|
||
|
||
Returns:
|
||
LLM 的回應
|
||
|
||
Raises:
|
||
OverloadedError: 如果 5 次重試後仍然失敗
|
||
"""
|
||
# 添加小量隨機延遲（jitter）避免同步重試
|
||
jitter = random.uniform(0, 0.5)
|
||
if jitter > 0:
|
||
time.sleep(jitter)
|
||
|
||
logger.info("正在調用 Research Manager LLM...")
|
||
return llm_instance.invoke(prompt_text)
|
||
|
||
# 使用帶重試機制的函數調用 LLM
|
||
response = invoke_llm_with_retry(llm, prompt)
|
||
|
||
# CRITICAL FIX: Apply output filtering
|
||
response.content = fix_common_llm_errors(response.content)
|
||
validate_and_warn(response.content, "Research_Manager")
|
||
|
||
# 更新投資辯論狀態
|
||
new_investment_debate_state = {
|
||
"judge_decision": response.content,
|
||
"history": investment_debate_state.get("history", ""),
|
||
"bear_history": investment_debate_state.get("bear_history", ""),
|
||
"bull_history": investment_debate_state.get("bull_history", ""),
|
||
"current_response": response.content,
|
||
"count": investment_debate_state["count"],
|
||
}
|
||
|
||
# 返回更新後的狀態，包括裁判的決策和投資計畫
|
||
return {
|
||
"investment_debate_state": new_investment_debate_state,
|
||
"investment_plan": response.content,
|
||
}
|
||
|
||
return research_manager_node |