Para criar um analista financeiro que possa extrair insights dos relatórios financeiros da Apple, vamos aproveitar o poder dos sub-agentes. Eis como funciona:

1. Instalar Pacotes Necessários: Começamos instalando os pacotes necessários, incluindo o cliente Python da Anthropic, uma biblioteca para ler arquivos PDF e o Matplotlib para gerar gráficos.

2. Definir Sub-Agentes: Definimos nossos sub-agentes usando o cliente Anthropic, com os modelos Clot 3 Hau menores lidando com os relatórios trimestrais individuais.

3. Baixar Relatórios Financeiros: Baixamos os relatórios de resultados financeiros para cada trimestre do ano fiscal de 2023.

4. Gerar Prompts para Sub-Agentes: Usamos o modelo Opus maior para gerar prompts para os sub-agentes, instruindo-os a extrair informações relevantes dos relatórios de resultados trimestrais.

5. Extrair Informações dos Relatórios: Usamos a função extract_information para processar cada relatório trimestral, convertendo os arquivos PDF em imagens e passando-os pelos sub-agentes Hau com os prompts gerados.

6. Combinar Insights dos Sub-Agentes: As respostas dos sub-agentes, separadas por tags XML, são coletadas e passadas para o super-agente Opus para gerar a resposta final.

7. Visualizar os Insights: O super-agente fornece uma resposta que inclui código Python usando o Matplotlib para gerar um gráfico que visualiza as mudanças nas vendas líquidas da Apple ao longo dos trimestres.

Ao aproveitar os recursos do modelo Opus maior e dos sub-agentes Hau menores, podemos extrair eficientemente insights de relatórios financeiros complexos e apresentá-los de forma concisa e visualmente atraente. Essa abordagem demonstra o poder de usar uma hierarquia de agentes de IA para resolver tarefas complexas.

#

Para criar nosso analista financeiro, primeiro precisamos baixar os relatórios de resultados financeiros relevantes. Usaremos as seguintes etapas:

1. **Baixar os arquivos PDF**: Definimos uma função `download_file` que recebe uma URL e um caminho de pasta e baixa o arquivo PDF para a pasta especificada.

2. **Converter PDF para PNG Base64**: Como queremos aproveitar os recursos de visão do modelo Hau, precisamos converter os arquivos PDF em um formato que o modelo possa processar. Definimos uma função `pdf_to_base64_png` que recebe um arquivo PDF, extrai cada página como uma imagem e retorna uma lista de imagens PNG codificadas em Base64.

3. **Preparar os caminhos dos arquivos**: Criamos uma estrutura de pastas com uma pasta "images" e uma subpasta "using_sub_agents" para armazenar os arquivos baixados.

4. **Baixar os arquivos**: Baixamos os arquivos PDF para os quatro trimestres do ano fiscal de 2023 e verificamos se houve algum problema durante o processo de download.

Com essas etapas, preparamos os dados necessários para que nosso analista financeiro analise os relatórios de resultados.

Para criar um analista financeiro usando o Cloud 3 Hau, primeiro precisamos instalar os pacotes necessários, incluindo o cliente Python da Anthropic, uma biblioteca para ler arquivos PDF e o Matplotlib para gerar gráficos. Em seguida, importamos os pacotes necessários e configuramos a chave da API da Anthropic.

Depois, definimos nossos sub-agentes usando o cliente Anthropic, com os sub-agentes baseados no modelo menor Cloud 3 Hau. Isso nos permite atribuir tarefas mais simples a esses sub-agentes, o que pode ser mais econômico.

Para obter os dados para nossa análise, baixamos os relatórios de resultados financeiros de diferentes trimestres (T1, T2, T3 e T4) e convertemos os arquivos PDF em uma lista de imagens usando a função PDF_to_base64_PNG. Isso aproveita os recursos de visão do Hau, que serão cruciais para extrair informações dos documentos PDF complexos.

Em seguida, criamos uma função chamada generate_hu_prompt que usa o modelo Opus maior para gerar um prompt específico para os sub-agentes. Esse prompt instrui os sub-agentes a extrair informações relevantes dos relatórios de resultados aos quais eles têm acesso.

A função extract_information é usada para executar os sub-agentes nos arquivos de relatórios de resultados individuais, com cada sub-agente extraindo as informações necessárias de um único relatório. Os resultados dos sub-agentes são combinados usando tags XML para separar as informações de cada trimestre.

Finalmente, criamos um prompt para o modelo Opus maior, que atua como um super-agente. Esse super-agente pega as informações combinadas dos sub-agentes e gera uma resposta à pergunta original do usuário, incluindo código Python usando o Matplotlib para visualizar os resultados.

A saída desse processo inclui uma análise textual das mudanças nas vendas líquidas da Apple e dos principais contribuintes, bem como um gráfico gerado que ilustra as tendências trimestrais.

Este exemplo demonstra como você pode aproveitar os recursos do Cloud 3 Hau e do Opus para construir uma estrutura de IA personalizada para extração e análise de informações direcionadas, sem a necessidade de estruturas de orquestração de IA dedicadas.

Para criar uma análise financeira abrangente, vamos aproveitar o poder do Opus, um modelo de linguagem maior, para combinar os insights coletados dos sub-agentes individuais. O processo envolve as seguintes etapas:

1. Gerar Prompts para Sub-Agentes: Usando a pergunta original do usuário, vamos gerar prompts específicos para cada sub-agente extrair informações relevantes dos relatórios de resultados trimestrais.

2. Extrair Informações dos Relatórios Trimestrais: Vamos executar os sub-agentes, cada um com acesso a um único relatório trimestral, para extrair os dados financeiros e insights necessários.

3. Combinar Saídas dos Sub-Agentes: As saídas dos sub-agentes serão combinadas, com a ajuda de tags XML, para criar uma resposta estruturada que separe as diferentes seções da análise.

4. Utilizar o Opus para Gerar o Relatório Final: As saídas combinadas dos sub-agentes serão passadas para o modelo Opus, que gerará a resposta final à pergunta do usuário, incluindo um trecho de código Python usando o Matplotlib para visualizar os principais insights.

Ao aproveitar os recursos especializados dos sub-agentes e o raciocínio abrangente do Opus, podemos criar uma análise financeira detalhada e perspicaz que atenda efetivamente à consulta do usuário.

#

A análise dos relatórios de resultados financeiros da Apple em 2023 revela os seguintes insights-chave:

- As vendas líquidas começaram a diminuir do T1 para o T3, mas apresentaram uma tendência de alta no T4 de 2023, provavelmente devido à temporada de férias e aos novos lançamentos de produtos.
- Os principais contribuintes para as mudanças nas vendas líquidas ao longo dos trimestres incluem:
  - T1: Forte vendas de iPhones e Macs
  - T2: Queda nas vendas de iPhones e iPads, compensada pelo crescimento em Serviços e Wearables
  - T3: Queda contínua nas vendas de iPhones e iPads, parcialmente compensada pelo crescimento em Serviços e Wearables
  - T4: Recuperação nas vendas de iPhones e iPads, juntamente com o crescimento contínuo em Serviços e Wearables

Para visualizar essas tendências, o seguinte código Python usando o Matplotlib é fornecido:

```python
import matplotlib.pyplot as plt

# Dados de vendas líquidas trimestrais
q1_sales = 117.2
q2_sales = 94.8
q3_sales = 81.8
q4_sales = 90.1

# Plotar as vendas líquidas trimestrais
trimestres = ['T1', 'T2', 'T3', 'T4']
vendas = [q1_sales, q2_sales, q3_sales, q4_sales]

plt.figure(figsize=(8, 6))
plt.plot(trimestres, vendas)
plt.xlabel('Trimestre')
plt.ylabel('Vendas Líquidas (em bilhões)')
plt.title('Tendência de Vendas Líquidas Trimestrais da Apple em 2023')
plt.grid(True)
plt.show()

Esse código gera um gráfico de linha que visualiza a tendência de vendas líquidas trimestrais da Apple no ano fiscal de 2023. O gráfico mostra claramente a diminuição nas vendas líquidas do T1 ao T3, seguida pela recuperação no T4.