Для создания финансового аналитика, который может извлекать инсайты из финансовых отчетов Apple, мы будем использовать возможности подагентов. Вот как это работает:

1. Установка необходимых пакетов: Мы начинаем с установки необходимых пакетов, включая клиент Python для Anthropic, библиотеку для чтения PDF-файлов и Matplotlib для создания графиков.

2. Определение подагентов: Мы определяем наших подагентов с использованием клиента Anthropic, при этом более мелкие модели Clot 3 Hau обрабатывают отдельные квартальные отчеты.

3. Загрузка финансовых отчетов: Мы загружаем отчеты о финансовых результатах за каждый квартал 2023 финансового года.

4. Генерация подсказок для подагентов: Мы используем более крупную модель Opus для генерации подсказок для подагентов, инструктируя их извлекать соответствующую информацию из квартальных отчетов о прибылях и убытках.

5. Извлечение информации из отчетов: Мы используем функцию extract_information для обработки каждого квартального отчета, преобразуя PDF-файлы в изображения и передавая их через подагентов Hau с сгенерированными подсказками.

6. Объединение инсайтов от подагентов: Ответы от подагентов, разделенные тегами XML, собираются и передаются супер-агенту Opus для генерации окончательного ответа.

7. Визуализация инсайтов: Супер-агент предоставляет ответ, включающий Python-код с использованием Matplotlib для создания графика, визуализирующего изменения чистых продаж Apple в течение кварталов.

Используя возможности более крупной модели Opus и более мелких подагентов Hau, мы можем эффективно извлекать инсайты из сложных финансовых отчетов и представлять их в лаконичной и визуально привлекательной форме. Этот подход демонстрирует силу использования иерархии AI-агентов для решения сложных задач.

#

Для создания нашего финансового аналитика сначала нам нужно загрузить соответствующие отчеты о финансовых результатах. Мы будем использовать следующие шаги:

1. **Загрузка PDF-файлов**: Мы определяем функцию `download_file`, которая принимает URL-адрес и путь к папке и загружает PDF-файл в указанную папку.

2. **Преобразование PDF в Base64 PNG**: Поскольку мы хотим использовать возможности модели Hau в области компьютерного зрения, нам необходимо преобразовать PDF-файлы в формат, который может обрабатывать эта модель. Мы определяем функцию `pdf_to_base64_png`, которая принимает PDF-файл, извлекает каждую страницу как изображение и возвращает список закодированных в Base64 PNG-изображений.

3. **Подготовка путей к файлам**: Мы создаем структуру папок с папкой "images" и подпапкой "using_sub_agents" для хранения загруженных файлов.

4. **Загрузка файлов**: Мы загружаем PDF-файлы за четыре квартала 2023 финансового года и проверяем, нет ли проблем во время загрузки.

С помощью этих шагов мы подготовили необходимые данные для нашего финансового аналитика для анализа отчетов о прибылях и убытках.

Для создания финансового аналитика с использованием Cloud 3 Hau сначала нам нужно установить необходимые пакеты, включая клиент Python для Anthropic, библиотеку для чтения PDF-файлов и Matplotlib для создания графиков. Затем мы импортируем необходимые пакеты и настраиваем ключ API Anthropic.

Затем мы определяем наших подагентов с использованием клиента Anthropic, при этом подагенты основаны на более мелкой модели Cloud 3 Hau. Это позволяет нам назначать более простые подзадачи этим подагентам, что может быть более экономичным.

Для получения данных для нашего анализа мы загружаем отчеты о финансовых результатах за разные кварталы (Q1, Q2, Q3 и Q4) и преобразуем PDF-файлы в список изображений с помощью функции PDF_to_base64_PNG. Это использует возможности модели Hau в области компьютерного зрения, что будет важно для извлечения информации из сложных PDF-документов.

Затем мы создаем функцию под названием generate_hu_prompt, которая использует более крупную модель Opus для генерации конкретной подсказки для подагентов. Эта подсказка инструктирует подагентов извлекать соответствующую информацию из отчетов о прибылях и убытках, к которым они имеют доступ.

Функция extract_information используется для запуска подагентов на отдельных файлах отчетов о прибылях и убытках, при этом каждый подагент извлекает необходимую информацию из одного отчета. Результаты от подагентов объединяются с использованием тегов XML для разделения информации из каждого квартала.

Наконец, мы создаем подсказку для более крупной модели Opus, которая выступает в качестве супер-агента. Этот супер-агент берет объединенную информацию от подагентов и генерирует ответ на исходный вопрос пользователя, включая Python-код с использованием Matplotlib для визуализации результатов.

Вывод этого процесса включает текстовый анализ изменений чистых продаж Apple и ключевых факторов, а также сгенерированный график, иллюстрирующий квартальные тенденции.

Этот пример демонстрирует, как можно использовать возможности Cloud 3 Hau и Opus для построения пользовательской AI-структуры для целевого извлечения и анализа информации, без необходимости использования специализированных фреймворков для оркестрации AI.

Для создания всестороннего финансового анализа мы будем использовать возможности Opus, более крупной языковой модели, для объединения инсайтов, полученных от отдельных подагентов. Процесс включает следующие шаги:

1. Генерация подсказок для подагентов: Используя исходный вопрос пользователя, мы сгенерируем конкретные подсказки для каждого подагента, чтобы они извлекали соответствующую информацию из квартальных отчетов о прибылях и убытках.

2. Извлечение информации из квартальных отчетов: Мы запустим подагентов, каждый из которых будет иметь доступ к одному квартальному отчету, чтобы извлечь необходимые финансовые данные и инсайты.

3. Объединение выходных данных подагентов: Выходные данные от подагентов будут объединены с помощью тегов XML, чтобы создать структурированный ответ, который разделяет различные разделы анализа.

4. Использование Opus для генерации окончательного отчета: Объединенные выходные данные подагентов будут переданы модели Opus, которая сгенерирует окончательный ответ на вопрос пользователя, включая фрагмент Python-кода с использованием Matplotlib для визуализации ключевых инсайтов.

Используя специализированные возможности подагентов и всеобъемлющие возможности рассуждений Opus, мы можем создать подробный и содержательный финансовый анализ, который эффективно решает вопрос пользователя.

#

Анализ финансовых отчетов Apple за 2023 год выявил следующие ключевые инсайты:

- Чистые продажи начали снижаться с Q1 по Q3, но в Q4 2023 года наблюдалась тенденция к росту, вероятно, из-за сезона праздников и выпуска новых продуктов.
- Ключевыми факторами, повлиявшими на изменения чистых продаж в течение кварталов, являются:
  - Q1: Сильные продажи iPhone и Mac
  - Q2: Снижение продаж iPhone и iPad, компенсированное ростом в сегментах Услуг и Носимых устройств
  - Q3: Продолжающееся снижение продаж iPhone и iPad, частично компенсированное ростом в сегментах Услуг и Носимых устройств
  - Q4: Восстановление продаж iPhone и iPad, а также продолжающийся рост в сегментах Услуг и Носимых устройств

Для визуализации этих тенденций предоставляется следующий Python-код с использованием Matplotlib:

```python
import matplotlib.pyplot as plt

# Данные о квартальных чистых продажах
q1_sales = 117.2
q2_sales = 94.8
q3_sales = 81.8
q4_sales = 90.1

# Построение графика квартальных чистых продаж
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('Квартал')
plt.ylabel('Чистые продажи (в миллиардах)')
plt.title('Тенденция квартальных чистых продаж Apple в 2023 году')
plt.grid(True)
plt.show()

Этот код генерирует линейный график, визуализирующий тенденцию квартальных чистых продаж Apple в 2023 финансовом году. График четко показывает снижение чистых продаж с Q1 по Q3 и последующее восстановление в Q4.

В этом примере мы продемонстрировали, как создать финансового аналитика с использованием комбинации больших языковых моделей (LLM) и более мелких подагентов. Мы использовали расширенные возможности рассуждений и анализа изображений модели Opus для генерации подсказок для более мелких подагентов Hau, которые затем использовались для извлечения соответствующей информации из квартальных финансовых отчетов Apple.

Ключевые аспекты этого подхода включают:

1. Инженерия подсказок: Мы использовали модель Opus для генерации конкретных подсказок для подагентов Hau, чтобы они сосредоточились на извлечении необходимой информации из финансовых отчетов.

2. Параллельная обработка: Мы выполняли задачи подагентов параллельно, что позволило нам эффективно обработать отчеты за все четыре квартала.

3. Теги XML: Использование тегов XML в подсказках и ответах позволило нам четко разделить различные разделы вывода, что упростило обработку и анализ результатов.

4. Визуализация: Окончательный ответ включал Python-код с использованием Matplotlib для создания визуального представления изменений чистых продаж Apple в течение кварталов, что обеспечивает четкий и лаконичный способ передачи инсайтов.

Этот пример демонстрирует силу использования комбинации больших и малых моделей для построения сложных AI-приложений, а также подчеркивает важность инженерии подсказок и эффективного использования тегов XML для структурирования входных и выходных данных.