【Dify+deepseek+MCP】Agent助你效率开挂:打造个人股票交易助理(五)定期运行并发送结果
给你学习,我国在这方面的相关人才比较紧缺,大模型行业确实也需要更多的有志之士加入进来,我也真心希望帮助大家学好这门技术,如果日后有什么学习上的问题,欢迎找我交流,有技术上面的问题,我是很愿意去帮助大家的!截至目前大模型已经超过200个,在大模型纵横的时代,不仅大模型技术越来越卷,就连大模型相关的岗位和面试也开始越来越卷了。到这里我们对于股票助手的改造就告一段落了,在这个思路之上,大家可以按照个人的
🎯 怎么让助手能定期工作起来?🔥
分为两个步骤:
1. 将Agent改造成工作流,并获取工作流的API密钥;
2. 利用Wrap编写 Mac OS 定时脚本,完成测试
1. 股票助手工作流改造

如上流程所示:
-
用户输入查询的股票;
-
获取当前时间;
-
获取交易数据并采用Agent进行初步分析;
-
采用LLM进行总结和排版;
-
发送消息到企业微信机器人;
-
输出对应的结果
1.1 开始节点:输入查询股票
-
开始节点新增输入字段,stock,文本类型

1.2 获取当前时间
-
添加工具:“时间”-“获取当前时间”

1.3 Agent获取交易数据,输出初步分析结果
-
添加Agent节点,通过四个子步骤完成Agent的配置(工具/指令部分参考前面几篇的Agent提示词)

-
Agent策略:有多种,此处我选择的是 functioncalling
-
模型:有多种,此处选择的是qwen
-
工具列表:配置的是前面提到的三个交易数据查询工具


-
指令:即前面Agent里的提示词,稍微做下修改即可
-
迭代次数:默认,3次

提示词如下:
根据输入的股票和时间,查询当前股票代码(6位数):url链接如下,将股票代码替换为用户查询股票的代码1. 成交数据; https://api.biyingapi.com/hszbl/fsjy/股票代码/dq/DFB426E4-917B-49BB-9B18-03D1266FBE082. MACD;url链接为 https://api.biyingapi.com/hszbl/macd/股票代码/dq/DFB426E4-917B-49BB-9B18-03D1266FBE083. KDJ:https://api.biyingapi.com/hszbl/kdj/股票代码/dq/DFB426E4-917B-49BB-9B18-03D1266FBE08然后总结输出技术分析结果,最后,按巴菲特的投资框架,分析该股票的符合情况,综上,给出买卖建议(要求格式包括:标题为:股票投资分析结论,正文包含分析日期,技术分析结果,巴菲特分析结果,总体结论)最后加上“该内容为AI生成,仅供参考,不构成投资建议”。
1.4 LLM节点,对上面输出结果进行提取和润色
-
由于上述输出结果中包含Agent思考部分,因此采用LLM节点进行提取和润色

1.5 输出结果发送企业微信机器人

1.6 打印输出结果

将以上工作流发布,并点击“访问API”

创建API密钥-复制密钥


2.编写MacOS 定期执行脚本(采用Wrap)
过程非常简便,直接告诉Wrap你想要做什么就可以了;这里我的指令是:
我想要使用mac的定时任务,来定时运行dify工作流,api密钥 app-xxxMPG,调用说明如下http://9.xxx.225.xxx/app/4655d255-a20b-4062-a897-xxxxx9/develop,每天早上8点半自动运行

接下来基本上就是一步步按照提示按回车键

完成脚本如下:
#!/bin/bash# Dify 工作流调用脚本# 每天早上 8:30 自动运行API_KEY="app-uMTgGQR1ZsMevsBN03j9vMPG"WORKFLOW_URL="http://9.135.225.163/v1/workflows/run"LOG_FILE="/Users/louiscxqiu/dify_workflow.log"# 记录开始时间echo"$(date): 开始执行 Dify 工作流">>"$LOG_FILE"# 调用 Dify APIresponse=$(curl-s-w"HTTP_CODE:%{http_code}"-XPOST"$WORKFLOW_URL"\-H"Authorization: Bearer $API_KEY"\-H"Content-Type: application/json"\-d'{"inputs": {"stocks": "阿里巴巴"}, "response_mode": "blocking", "user": "cron-user"}'2>>"$LOG_FILE")# 提取HTTP状态码http_code=$(echo"$response"| grep-o"HTTP_CODE:[0-9]*"| cut-d:-f2)response_body=$(echo"$response"| sed's/HTTP_CODE:[0-9]*$//')# 记录结果if["$http_code"="200"] || ["$http_code"="201"];thenecho"$(date): 工作流执行成功 (HTTP $http_code)">>"$LOG_FILE"echo"$(date): 响应内容: $response_body">>"$LOG_FILE"elseecho"$(date): 工作流执行失败 (HTTP $http_code)">>"$LOG_FILE"echo"$(date): 错误响应: $response_body">>"$LOG_FILE"fiecho"$(date): 工作流执行完成">>"$LOG_FILE"echo"----------------------------------------">>"$LOG_FILE"
最后,我们来进行测试:

可以在dify工作流看到调用成功的记录,并且微信也会收到分析的结果了。

到这里我们对于股票助手的改造就告一段落了,在这个思路之上,大家可以按照个人的需求,再逐步地对他进行知识的扩充、丰富更多的数据接口、改写prompt完善分析的过程等等!
后续将继续分享Agent改造我们工作效率的例子,关注我,不见不散~
如何学习AI大模型 ?
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。【保证100%免费】🆓
这份完整版的 AI 大模型学习资料已经上传CSDN,朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】
读者福利: 👉👉CSDN大礼包:《最新AI大模型学习资源包》免费分享 👈👈
(👆👆👆安全链接,放心点击)
对于0基础小白入门:
如果你是零基础小白,想快速入门大模型是可以考虑的。
一方面是学习时间相对较短,学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。
要学习一门新的技术,作为新手一定要先学习成长路线图,方向不对,努力白费。
对于从来没有接触过AI大模型的同学,我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线,大家跟着这个大的方向学习准没问题。(全套教程文末领取哈)
很多朋友都不喜欢晦涩的文字,我也为大家准备了视频教程,每个章节都是当前板块的精华浓缩。

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。(全套教程文末领取哈)

光学理论是没用的,要学会跟着一起做,要动手实操,才能将自己的所学运用到实际当中去,这时候可以搞点实战项目来学习。(全套教程文末领取哈)
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。(全套教程文末领取哈)
截至目前大模型已经超过200个,在大模型纵横的时代,不仅大模型技术越来越卷,就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道,我总结了大模型常考的面试题。(全套教程文末领取哈)
只要你是真心想学AI大模型,我这份资料就可以无偿分享给你学习,我国在这方面的相关人才比较紧缺,大模型行业确实也需要更多的有志之士加入进来,我也真心希望帮助大家学好这门技术,如果日后有什么学习上的问题,欢迎找我交流,有技术上面的问题,我是很愿意去帮助大家的!
这份资料由我和鲁为民博士共同整理,鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位,在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利,同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。
资料内容涵盖了从入门到进阶的各类视频教程和实战项目,无论你是小白还是有些技术基础的,这份资料都绝对能帮助你提升薪资待遇,转行大模型岗位。


这份完整版的 AI 大模型学习资料已经上传CSDN,朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】
(👆👆👆安全链接,放心点击)
更多推荐



所有评论(0)