Để tạo ra một nhà phân tích tài chính có thể trích xuất thông tin từ các báo cáo tài chính của Apple, chúng ta sẽ tận dụng sức mạnh của các tác nhân phụ. Đây là cách thức hoạt động:

1. Cài đặt các gói cần thiết: Chúng ta bắt đầu bằng cách cài đặt các gói cần thiết, bao gồm khách hàng Python của Anthropic, một thư viện để đọc tệp PDF và Matplotlib để tạo biểu đồ.

2. Định nghĩa các tác nhân phụ: Chúng ta định nghĩa các tác nhân phụ của mình bằng cách sử dụng khách hàng Anthropic, với các mô hình Clot 3 Hau nhỏ hơn xử lý các báo cáo quý riêng lẻ.

3. Tải xuống các báo cáo tài chính: Chúng ta tải xuống các báo cáo thu nhập tài chính cho mỗi quý của năm tài chính 2023.

4. Tạo các lời nhắc cho các tác nhân phụ: Chúng ta sử dụng mô hình Opus lớn hơn để tạo các lời nhắc cho các tác nhân phụ, hướng dẫn chúng trích xuất thông tin liên quan từ các báo cáo thu nhập quý.

5. Trích xuất thông tin từ các báo cáo: Chúng ta sử dụng hàm extract_information để xử lý mỗi báo cáo thu nhập quý, chuyển đổi các tệp PDF thành hình ảnh và chuyển chúng qua các tác nhân phụ Hau với các lời nhắc được tạo.

6. Kết hợp các thông tin từ các tác nhân phụ: Các phản hồi từ các tác nhân phụ, được phân tách bằng các thẻ XML, được thu thập và chuyển đến tác nhân siêu cấp Opus để tạo ra phản hồi cuối cùng.

7. Trực quan hóa các thông tin: Tác nhân siêu cấp cung cấp một phản hồi bao gồm mã Python sử dụng Matplotlib để tạo biểu đồ trực quan hóa các thay đổi trong doanh số thuần của Apple theo các quý.

#

Để tạo ra nhà phân tích tài chính của chúng ta, trước tiên chúng ta cần tải xuống các báo cáo thu nhập tài chính liên quan. Chúng ta sẽ sử dụng các bước sau:

1. **Tải xuống các tệp PDF**: Chúng ta định nghĩa một hàm `download_file` nhận một URL và một đường dẫn thư mục, và tải xuống tệp PDF vào thư mục được chỉ định.

2. **Chuyển đổi PDF thành Base64 PNG**: Vì chúng ta muốn tận dụng khả năng nhìn thấy của mô hình Hau, chúng ta cần chuyển đổi các tệp PDF thành một định dạng mà mô hình có thể xử lý. Chúng ta định nghĩa một hàm `pdf_to_base64_png` nhận một tệp PDF, trích xuất mỗi trang làm một hình ảnh và trả về một danh sách các hình ảnh PNG được mã hóa bằng Base64.

3. **Chuẩn bị các đường dẫn tệp**: Chúng ta tạo một cấu trúc thư mục với một thư mục "images" và một thư mục con "using_sub_agents" để lưu trữ các tệp đã tải xuống.

4. **Tải xuống các tệp**: Chúng ta tải xuống các tệp PDF cho bốn quý của năm tài chính 2023 và kiểm tra xem có bất kỳ vấn đề nào trong quá trình tải xuống hay không.

Với các bước này, chúng ta đã chuẩn bị dữ liệu cần thiết để nhà phân tích tài chính của chúng ta phân tích các báo cáo thu nhập.

Để tạo ra một nhà phân tích tài chính sử dụng Cloud 3 Hau, trước tiên chúng ta cần cài đặt các gói cần thiết, bao gồm khách hàng Python của Anthropic, một thư viện để đọc tệp PDF và Matplotlib để tạo biểu đồ. Sau đó, chúng ta nhập các gói cần thiết và thiết lập khóa API Anthropic.

Tiếp theo, chúng ta định nghĩa các tác nhân phụ của mình bằng cách sử dụng khách hàng Anthropic, với các tác nhân phụ dựa trên mô hình Cloud 3 Hau nhỏ hơn. Điều này cho phép chúng ta giao các nhiệm vụ phụ đơn giản hơn cho các tác nhân phụ này, có thể hiệu quả hơn về chi phí.

Để có được dữ liệu cho phân tích của chúng ta, chúng ta tải xuống các báo cáo thu nhập tài chính cho các quý khác nhau (Q1, Q2, Q3 và Q4) và chuyển đổi các tệp PDF thành một danh sách các hình ảnh bằng cách sử dụng hàm PDF_to_base64_PNG. Điều này tận dụng khả năng nhìn thấy của Hau, sẽ rất quan trọng để trích xuất thông tin từ các tài liệu PDF phức tạp.

Chúng ta sau đó tạo một hàm gọi là generate_hu_prompt sử dụng mô hình Opus lớn hơn để tạo một lời nhắc cụ thể cho các tác nhân phụ. Lời nhắc này hướng dẫn các tác nhân phụ trích xuất thông tin liên quan từ các báo cáo thu nhập mà chúng có quyền truy cập.

Hàm extract_information được sử dụng để chạy các tác nhân phụ trên các tệp báo cáo thu nhập riêng lẻ, với mỗi tác nhân phụ trích xuất thông tin cần thiết từ một báo cáo riêng. Kết quả từ các tác nhân phụ được kết hợp bằng các thẻ XML để phân tách thông tin từ mỗi quý.

Cuối cùng, chúng ta tạo một lời nhắc cho mô hình Opus lớn hơn, đóng vai trò là tác nhân siêu cấp. Tác nhân siêu cấp này sẽ lấy thông tin kết hợp từ các tác nhân phụ và tạo ra một phản hồi cho câu hỏi ban đầu của người dùng, bao gồm mã Python sử dụng Matplotlib để trực quan hóa kết quả.

Đầu ra của quá trình này bao gồm một phân tích văn bản về các thay đổi trong doanh số thuần của Apple và các yếu tố chính góp phần, cũng như một biểu đồ được tạo ra để minh họa xu hướng theo quý.

Ví dụ này cho thấy cách bạn có thể tận dụng khả năng của Cloud 3 Hau và Opus để xây dựng một khuôn khổ AI tùy chỉnh cho việc trích xuất và phân tích thông tin mục tiêu, mà không cần các khuôn khổ điều phối AI chuyên dụng.

Để tạo ra một phân tích tài chính toàn diện, chúng ta sẽ tận dụng sức mạnh của Opus, một mô hình ngôn ngữ lớn hơn, để kết hợp các thông tin thu thập từ các tác nhân phụ riêng lẻ. Quá trình bao gồm các bước sau:

1. Tạo các lời nhắc cho các tác nhân phụ: Sử dụng câu hỏi ban đầu của người dùng, chúng ta sẽ tạo các lời nhắc cụ thể cho mỗi tác nhân phụ để trích xuất thông tin liên quan từ các báo cáo thu nhập quý.

2. Trích xuất thông tin từ các báo cáo quý: Chúng ta sẽ chạy các tác nhân phụ, mỗi tác nhân có quyền truy cập vào một báo cáo quý riêng, để trích xuất dữ liệu tài chính và thông tin cần thiết.

3. Kết hợp các đầu ra của tác nhân phụ: Các đầu ra từ các tác nhân phụ sẽ được kết hợp, với sự trợ giúp của các thẻ XML, để tạo ra một phản hồi có cấu trúc phân tách các phần khác nhau của phân tích.

4. Sử dụng Opus để tạo ra báo cáo cuối cùng: Các đầu ra tác nhân phụ kết hợp sẽ được chuyển đến mô hình Opus, mô hình này sẽ tạo ra phản hồi cuối cùng cho câu hỏi của người dùng, bao gồm đoạn mã Python sử dụng Matplotlib để trực quan hóa các thông tin chính yếu.

Bằng cách tận dụng các khả năng chuyên biệt của các tác nhân phụ và khả năng lập luận toàn diện của Opus, chúng ta có thể tạo ra một phân tích tài chính chi tiết và sâu sắc để giải quyết hiệu quả câu hỏi của người dùng.

#

Phân tích các báo cáo thu nhập tài chính của Apple năm 2023 tiết lộ các thông tin chính yếu sau:

- Doanh số thuần bắt đầu giảm từ Q1 đến Q3, nhưng có xu hướng tăng trở lại vào Q4 2023, có thể do mùa lễ hội và ra mắt sản phẩm mới.
- Các yếu tố chính góp phần vào những thay đổi trong doanh số thuần qua các quý bao gồm:
  - Q1: Bán iPhone và Mac mạnh
  - Q2: Giảm bán iPhone và iPad, bù đắp bằng tăng trưởng trong Dịch vụ và Thiết bị đeo
  - Q3: Tiếp tục giảm bán iPhone và iPad, một phần được bù đắp bằng tăng trưởng trong Dịch vụ và Thiết bị đeo
  - Q4: Phục hồi bán iPhone và iPad, cùng với sự tăng trưởng liên tục trong Dịch vụ và Thiết bị đeo

Để trực quan hóa những xu hướng này, đoạn mã Python sau đây sử dụng Matplotlib được cung cấp:

```python
import matplotlib.pyplot as plt

# Dữ liệu doanh số thuần theo quý
q1_sales = 117.2
q2_sales = 94.8
q3_sales = 81.8
q4_sales = 90.1

# Vẽ biểu đồ doanh số thuần theo quý
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('Quarter')
plt.ylabel('Net Sales (in billions)')
plt.title('Apple Quarterly Net Sales Trend in 2023')
plt.grid(True)
plt.show()

Đoạn mã này tạo ra một biểu đồ đường thể hiện xu hướng doanh số thuần quý của Apple trong năm tài chính 2023. Biểu đồ rõ ràng cho thấy sự giảm sút doanh số thuần từ Q1 đến Q3, tiếp theo là sự phục hồi vào Q4.

Trong ví dụ này, chúng ta đã minh họa cách tạo ra một nhà phân tích tài chính bằng cách kết hợp các mô hình ngôn ngữ lớn (LLM) và các tác nhân phụ nhỏ hơn. Chúng ta đã tận dụng khả năng lập luận và phân tích thị giác nâng cao của mô hình Opus để tạo ra các lời nhắc cho các tác nhân phụ Hau nhỏ hơn, sau đó được sử dụng để trích xuất thông tin liên quan từ các báo cáo tài chính quý của Apple.

Các khía cạnh chính của cách tiếp cận này bao gồm:

1. Kỹ thuật tạo lời nhắc: Chúng ta đã sử dụng mô hình Opus để tạo ra các lời nhắc cụ thể cho các tác nhân phụ Hau, đảm bảo rằng chúng tập trung vào việc trích xuất thông tin cần thiết từ các báo cáo