Para crear un analista financiero que pueda extraer información de los informes financieros de Apple, aprovecharemos el poder de los sub-agentes. Así es cómo funciona:

1. Instalar los paquetes requeridos: Comenzamos instalando los paquetes necesarios, incluido el cliente de Python de Anthropic, una biblioteca para leer archivos PDF y Matplotlib para generar gráficos.

2. Definir sub-agentes: Definimos nuestros sub-agentes utilizando el cliente de Anthropic, con los modelos más pequeños de Clot 3 Hau manejando los informes trimestrales individuales.

3. Descargar informes financieros: Descargamos los informes de ganancias financieras para cada trimestre del año fiscal 2023.

4. Generar indicaciones para los sub-agentes: Utilizamos el modelo Opus más grande para generar indicaciones para los sub-agentes, instruyéndolos a extraer información relevante de los informes de ganancias trimestrales.

5. Extraer información de los informes: Utilizamos la función extract_information para procesar cada informe trimestral, convirtiendo los archivos PDF en imágenes y pasándolos a través de los sub-agentes Hau con las indicaciones generadas.

6. Combinar las ideas de los sub-agentes: Las respuestas de los sub-agentes, separadas por etiquetas XML, se recopilan y se pasan al super-agente Opus para generar la respuesta final.

7. Visualizar las ideas: El super-agente proporciona una respuesta que incluye código de Python utilizando Matplotlib para generar un gráfico que visualiza los cambios en las ventas netas de Apple a lo largo de los trimestres.

Al aprovechar las capacidades del modelo Opus más grande y los sub-agentes Hau más pequeños, podemos extraer eficientemente información de informes financieros complejos y presentarla de una manera concisa y visualmente atractiva. Este enfoque demuestra el poder de usar una jerarquía de agentes de IA para abordar tareas complejas.

#

Para crear nuestro analista financiero, primero necesitamos descargar los informes de ganancias financieras relevantes. Utilizaremos los siguientes pasos:

1. **Descargar los archivos PDF**: Definimos una función `download_file` que toma una URL y una ruta de carpeta, y descarga el archivo PDF a la carpeta especificada.

2. **Convertir PDF a PNG en Base64**: Como queremos aprovechar las capacidades de visión del modelo Hau, necesitamos convertir los archivos PDF a un formato que el modelo pueda procesar. Definimos una función `pdf_to_base64_png` que toma un archivo PDF, extrae cada página como una imagen y devuelve una lista de imágenes PNG codificadas en Base64.

3. **Preparar las rutas de los archivos**: Creamos una estructura de carpetas con una carpeta "images" y una subcarpeta "using_sub_agents" para almacenar los archivos descargados.

4. **Descargar los archivos**: Descargamos los archivos PDF para los cuatro trimestres del año fiscal 2023 y verificamos si hay algún problema durante el proceso de descarga.

Con estos pasos, hemos preparado los datos necesarios para que nuestro analista financiero analice los informes de ganancias.

Para crear un analista financiero utilizando Cloud 3 Hau, primero debemos instalar los paquetes requeridos, incluido el cliente de Python de Anthropic, una biblioteca para leer archivos PDF y Matplotlib para generar gráficos. Luego, importamos los paquetes necesarios y configuramos la clave de la API de Anthropic.

A continuación, definimos nuestros sub-agentes utilizando el cliente de Anthropic, con los sub-agentes basados en el modelo más pequeño de Cloud 3 Hau. Esto nos permite asignar tareas más simples a estos sub-agentes, lo que puede ser más rentable.

Para obtener los datos para nuestro análisis, descargamos los informes de ganancias financieras de diferentes trimestres (T1, T2, T3 y T4) y convertimos los archivos PDF en una lista de imágenes utilizando la función PDF_to_base64_PNG. Esto aprovecha las capacidades de visión de Hau, que serán cruciales para extraer información de los complejos documentos PDF.

Luego, creamos una función llamada generate_hu_prompt que utiliza el modelo Opus más grande para generar una indicación específica para los sub-agentes. Esta indicación instruye a los sub-agentes a extraer información relevante de los informes de ganancias a los que tienen acceso.

La función extract_information se utiliza para ejecutar los sub-agentes en los archivos individuales de informes de ganancias, donde cada sub-agente extrae la información requerida de un solo informe. Los resultados de los sub-agentes se combinan utilizando etiquetas XML para separar la información de cada trimestre.

Finalmente, creamos una indicación para el modelo Opus más grande, que actúa como un super-agente. Este super-agente toma la información combinada de los sub-agentes y genera una respuesta a la pregunta original del usuario, incluido el código de Python utilizando Matplotlib para visualizar los resultados.

La salida de este proceso incluye un análisis textual de los cambios en las ventas netas de Apple y los principales contribuyentes, así como un gráfico generado que ilustra las tendencias trimestrales.

Este ejemplo demuestra cómo puede aprovechar las capacidades de Cloud 3 Hau y Opus para construir un marco de trabajo de IA personalizado para la extracción y el análisis de información dirigidos, sin la necesidad de marcos de trabajo de orquestación de IA dedicados.

Para crear un análisis financiero integral, aprovecharemos el poder de Opus, un modelo de lenguaje más grande, para combinar las ideas recopiladas de los sub-agentes individuales. El proceso implica los siguientes pasos:

1. Generar indicaciones para los sub-agentes: Utilizando la pregunta original del usuario, generaremos indicaciones específicas para cada sub-agente para extraer información relevante de los informes de ganancias trimestrales.

2. Extraer información de los informes trimestrales: Ejecutaremos los sub-agentes, cada uno con acceso a un solo informe trimestral, para extraer los datos e ideas financieros requeridos.

3. Combinar las salidas de los sub-agentes: Las salidas de los sub-agentes se combinarán, con la ayuda de etiquetas XML, para crear una respuesta estructurada que separe las diferentes secciones del análisis.

4. Utilizar Opus para generar el informe final: Las salidas combinadas de los sub-agentes se pasarán al modelo Opus, que generará la respuesta final a la pregunta del usuario, incluido un fragmento de código de Python utilizando Matplotlib para visualizar las ideas clave.

Al aprovechar las capacidades especializadas de los sub-agentes y el razonamiento integral de Opus, podemos crear un análisis financiero detallado e informativo que aborde eficazmente la consulta del usuario.

#

El análisis de los informes financieros de 2023 de Apple revela las siguientes ideas clave:

- Las ventas netas comenzaron a disminuir desde el T1 hasta el T3, pero vieron una tendencia al alza en el T4 de 2023, probablemente debido a la temporada navideña y los nuevos lanzamientos de productos.
- Los principales contribuyentes a los cambios en las ventas netas a lo largo de los trimestres incluyen:
  - T1: Fuertes ventas de iPhone y Mac
  - T2: Disminución en las ventas de iPhone y iPad, compensada por el crecimiento en Servicios y Dispositivos Portátiles
  - T3: Continua disminución en las ventas de iPhone y iPad, parcialmente compensada por el crecimiento en Servicios y Dispositivos Portátiles
  - T4: Recuperación en las ventas de iPhone y iPad, junto con un crecimiento continuo en Servicios y Dispositivos Portátiles

Para visualizar estas tendencias, se proporciona el siguiente código de Python utilizando Matplotlib:

```python
import matplotlib.pyplot as plt

# Datos de ventas netas trimestrales
q1_sales = 117.2
q2_sales = 94.8
q3_sales = 81.8
q4_sales = 90.1

# Trazar las ventas netas trimestrales
trimestres = ['T1', 'T2', 'T3', 'T4']
ventas = [q1_sales, q2_sales, q3_sales, q4_sales]

plt.figure(figsize=(8, 6))
plt.plot(trimestres, ventas)
plt.xlabel('Trimestre')
plt.ylabel('Ventas Netas (en miles de millones)')
plt.title('Tendencia de Ventas Netas Trimestrales de Apple en 2023')
plt.grid(True)
plt.show()

Este código genera un gráfico de líneas que visualiza la tendencia de las ventas netas trimestrales de Apple en el año fiscal 2023. El gráfico muestra claramente la disminución de las ventas netas del T1 al T3, seguida de la recuperación en el T4.