Um einen Finanzanalysten zu erstellen, der Erkenntnisse aus den Finanzberichten von Apple gewinnen kann, werden wir die Kraft von Unteragenten nutzen. Hier ist, wie es funktioniert:

1. Installieren Sie die erforderlichen Pakete: Wir beginnen mit der Installation der notwendigen Pakete, einschließlich des Anthropic Python-Clients, einer Bibliothek zum Lesen von PDF-Dateien und Matplotlib zur Erstellung von Plots.

2. Definieren Sie Unteragenten: Wir definieren unsere Unteragenten mithilfe des Anthropic-Clients, wobei die kleineren Clot 3 Hau-Modelle die einzelnen Quartalsberichte bearbeiten.

3. Laden Sie Finanzberichte herunter: Wir laden die Finanzberichte für jedes Quartal des Geschäftsjahres 2023 herunter.

4. Erstellen Sie Eingabeaufforderungen für Unteragenten: Wir verwenden das größere Opus-Modell, um Eingabeaufforderungen für die Unteragenten zu erstellen, in denen sie angewiesen werden, relevante Informationen aus den Quartalsberichten zu extrahieren.

5. Extrahieren Sie Informationen aus den Berichten: Wir verwenden die Funktion extract_information, um jeden Quartalsbericht zu verarbeiten, indem wir die PDF-Dateien in Bilder umwandeln und sie mit den generierten Eingabeaufforderungen durch die Hau-Unteragenten schleusen.

6. Kombinieren Sie die Erkenntnisse der Unteragenten: Die Antworten der Unteragenten, getrennt durch XML-Tags, werden gesammelt und an den Opus-Superagenten weitergeleitet, um die endgültige Antwort zu generieren.

7. Visualisieren Sie die Erkenntnisse: Der Superagent liefert eine Antwort, die Python-Code mit Matplotlib enthält, um einen Plot zu erstellen, der die Veränderungen in den Nettoumsätzen von Apple über die Quartale hinweg visualisiert.

Indem wir die Fähigkeiten des größeren Opus-Modells und der kleineren Hau-Unteragenten nutzen, können wir effizient Erkenntnisse aus komplexen Finanzberichten extrahieren und sie in einer prägnanten und visuell ansprechenden Weise präsentieren. Dieser Ansatz zeigt die Leistungsfähigkeit der Verwendung einer Hierarchie von KI-Agenten zur Bewältigung komplexer Aufgaben.

#

Um unseren Finanzanalysten zu erstellen, müssen wir zunächst die relevanten Finanzberichte herunterladen. Wir werden die folgenden Schritte durchführen:

1. **Laden Sie die PDF-Dateien herunter**: Wir definieren eine Funktion `download_file`, die eine URL und einen Ordnerpfad entgegennimmt und die PDF-Datei in dem angegebenen Ordner herunterlädt.

2. **Konvertieren Sie PDF in Base64-PNG**: Da wir die Bildverarbeitungsfähigkeiten des Hau-Modells nutzen möchten, müssen wir die PDF-Dateien in ein Format umwandeln, das das Modell verarbeiten kann. Wir definieren eine Funktion `pdf_to_base64_png`, die eine PDF-Datei entgegennimmt, jede Seite als Bild extrahiert und eine Liste von Base64-codierten PNG-Bildern zurückgibt.

3. **Bereiten Sie die Dateipfade vor**: Wir erstellen eine Ordnerstruktur mit einem "images"-Ordner und einem "using_sub_agents"-Unterordner, um die heruntergeladenen Dateien zu speichern.

4. **Laden Sie die Dateien herunter**: Wir laden die PDF-Dateien für die vier Quartale des Geschäftsjahres 2023 herunter und überprüfen, ob es während des Downloadprozesses Probleme gab.

Mit diesen Schritten haben wir die notwendigen Daten für unseren Finanzanalysten vorbereitet, um die Geschäftsberichte zu analysieren.

Um einen Finanzanalysten mit Cloud 3 Hau zu erstellen, müssen wir zunächst die erforderlichen Pakete installieren, einschließlich des Anthropic Python-Clients, einer Bibliothek zum Lesen von PDF-Dateien und Matplotlib für die Erstellung von Plots. Anschließend importieren wir die notwendigen Pakete und richten den Anthropic-API-Schlüssel ein.

Als Nächstes definieren wir unsere Unteragenten mithilfe des Anthropic-Clients, wobei die Unteragenten auf dem kleineren Cloud 3 Hau-Modell basieren. Dies ermöglicht es uns, einfachere Teilaufgaben an diese Unteragenten zu übertragen, was kostengünstiger sein kann.

Um die Daten für unsere Analyse zu erhalten, laden wir die Finanzberichte für verschiedene Quartale (Q1, Q2, Q3 und Q4) herunter und wandeln die PDF-Dateien mithilfe der Funktion PDF_to_base64_PNG in eine Liste von Bildern um. Dies nutzt die Bildverarbeitungsfähigkeiten von Hau, die für die Extraktion von Informationen aus den komplexen PDF-Dokumenten entscheidend sein werden.

Wir erstellen dann eine Funktion namens generate_hu_prompt, die das größere Opus-Modell verwendet, um eine spezifische Eingabeaufforderung für die Unteragenten zu generieren. Diese Eingabeaufforderung weist die Unteragenten an, relevante Informationen aus den ihnen zugänglichen Geschäftsberichten zu extrahieren.

Die Funktion extract_information wird verwendet, um die Unteragenten auf die einzelnen Geschäftsberichte laufen zu lassen, wobei jeder Unteragent die erforderlichen Informationen aus einem einzelnen Bericht extrahiert. Die Ergebnisse der Unteragenten werden mithilfe von XML-Tags kombiniert, um die Informationen aus jedem Quartal zu trennen.

Schließlich erstellen wir eine Eingabeaufforderung für das größere Opus-Modell, das als Superagent fungiert. Dieser Superagent nimmt die kombinierten Informationen der Unteragenten entgegen und generiert eine Antwort auf die ursprüngliche Benutzerfrage, einschließlich Python-Code mit Matplotlib zur Visualisierung der Ergebnisse.

Die Ausgabe dieses Prozesses umfasst eine textuelle Analyse der Veränderungen im Nettoumsatz von Apple und der Hauptfaktoren sowie einen generierten Plot, der die vierteljährlichen Trends veranschaulicht.

Dieses Beispiel zeigt, wie Sie die Fähigkeiten von Cloud 3 Hau und Opus nutzen können, um ein benutzerdefiniertes KI-Framework für die gezielte Informationsextraktion und -analyse zu erstellen, ohne dass Sie dedizierte KI-Orchestrierungsframeworks benötigen.

Um eine umfassende Finanzanalyse zu erstellen, werden wir die Kraft von Opus, einem größeren Sprachmodell, nutzen, um die Erkenntnisse der einzelnen Unteragenten zusammenzuführen. Der Prozess umfasst die folgenden Schritte:

1. Erstellen Sie Eingabeaufforderungen für Unteragenten: Ausgehend von der ursprünglichen Benutzerfrage werden wir spezifische Eingabeaufforderungen für jeden Unteragenten erstellen, um relevante Informationen aus den Quartalsberichten zu extrahieren.

2. Extrahieren Sie Informationen aus den Quartalsberichten: Wir werden die Unteragenten ausführen, von denen jeder Zugriff auf einen einzelnen Quartalsbericht hat, um die erforderlichen Finanzdaten und Erkenntnisse zu extrahieren.

3. Kombinieren Sie die Ausgaben der Unteragenten: Die Ausgaben der Unteragenten werden mit Hilfe von XML-Tags kombiniert, um eine strukturierte Antwort zu erstellen, die die verschiedenen Abschnitte der Analyse trennt.

4. Verwenden Sie Opus, um den Abschlussbericht zu erstellen: Die kombinierten Ausgaben der Unteragenten werden an das Opus-Modell übergeben, das die endgültige Antwort auf die Benutzerfrage generiert, einschließlich eines Python-Codeausschnitts mit Matplotlib zur Visualisierung der wichtigsten Erkenntnisse.

Indem wir die spezialisierten Fähigkeiten der Unteragenten und die umfassende Logik von Opus nutzen, können wir eine detaillierte und aussagekräftige Finanzanalyse erstellen, die die Benutzerfrage effektiv beantwortet.

#

Die Analyse der Finanzberichte von Apple für das Jahr 2023 zeigt die folgenden Schlüsselerkenntnisse:

- Die Nettoumsätze begannen von Q1 bis Q3 zu sinken, verzeichneten aber in Q4 2023 einen Aufwärtstrend, wahrscheinlich aufgrund der Ferienzeit und neuer Produkteinführungen.
- Die Schlüsselfaktoren für die Veränderungen der Nettoumsätze in den einzelnen Quartalen sind:
  - Q1: Starke iPhone- und Mac-Verkäufe
  - Q2: Rückgang bei iPhone- und iPad-Verkäufen, ausgeglichen durch Wachstum bei Services und Wearables
  - Q3: Anhaltender Rückgang bei iPhone- und iPad-Verkäufen, teilweise ausgeglichen durch Wachstum bei Services und Wearables
  - Q4: Erholung bei iPhone- und iPad-Verkäufen sowie weiteres Wachstum bei Services und Wearables

Um diese Trends zu visualisieren, wird der folgende Python-Code mit Matplotlib bereitgestellt:

```python
import matplotlib.pyplot as plt

# Quartalsumsätze
q1_sales = 117.2
q2_sales = 94.8
q3_sales = 81.8
q4_sales = 90.1

# Plot der Quartalsumsätze
quarters = ['Q1', 'Q2', 'Q3', 'Q4']
sales = [q1_sales, q2_sales, q3_sales, q4_sales]

plt.figure(figsize=(8, 6))
plt.plot(quarters, sales)
plt.xlabel('Quartal')
plt.ylabel('Nettoumsatz (in Milliarden)')
plt.title('Trend der Apple-Quartalsumsätze 2023')
plt.grid(True)
plt.show()

Dieser Code erstellt einen Linienplot, der den Trend der Quartalsumsätze von Apple im Geschäftsjahr 2023 visualisiert. Der Plot zeigt deutlich den Rückgang der Nettoumsätze von Q1 bis Q3 und den anschließenden Aufschwung in Q4.

In diesem Beispiel haben wir gezeigt, wie man einen Finanzanalysten mit einer Kombination aus großen Sprachmodellen (LLMs) und kleineren Unteragenten erstellen kann. Wir haben die fortgeschrittenen Reasoning- und Bildanalysefähigkeiten des Opus-Modells genutzt, um Eingabeaufforderungen für die kleineren Hau-Unteragenten zu generieren, die dann verwendet wurden, um relevante Informationen aus den Quartalsfinanzberichten von Apple zu extrahieren.

Die Schlüsselaspekte dieses Ansatzes sind:

1. Prompt-Engineering: Wir haben das Opus-Modell verwendet, um spezifische Eingabeaufforderungen für die Hau-Unteragenten zu generieren, um sicherzustellen, dass sie sich auf die Extraktion der notwendigen Informationen aus den Finanzberichten konzentrieren.

2. Parallele Verarbeitung: Wir haben die Unteragententasks parallel ausgeführt, was uns eine effiziente Verarbeitung der Berichte für alle vier Quartale ermöglichte.

3. XML-Tags: Die Verwendung von XML-Tags in den Eingabeaufforderungen und Antworten ermöglichte es uns, die verschiedenen Abschnitte der Ausgabe klar zu trennen, was die Verarbeitung und Analyse der Ergebnisse erleichterte.

4. Visualisierung: Die endgültige Antwort enthielt Python-Code mit Matplotlib, um eine visuelle Darstellung der Veränderungen im Nettoumsatz von Apple über die Quartale hinweg zu erstellen, was eine klare und prägnante Kommunikation der Erkenntnisse ermöglichte.

Dieses Beispiel zeigt die Leistungsfähigkeit der Verwendung einer Kombination aus großen und kleinen Modellen zum Aufbau komplexer KI-Anwendungen und hebt die Bedeutung von Prompt-Engineering und der effektiven Nutzung von XML-Tags zur Strukturierung von Eingabe- und Ausgabedaten hervor.