Xây dựng quy trình nghiên cứu tài chính đa tác nhân với Omnigent

Trong bài hướng dẫn này, chúng ta sẽ xây dựng và thực thi một quy trình làm việc đa tác nhân (multi-agent workflow) với Omnigent, sử dụng môi trường Python biệt lập và đáng tin cậy được tạo bởi uv. Chúng ta sẽ cấu hình một tác nhân chính chuyên nghiên cứu tài chính, có nhiệm vụ truy xuất tỷ giá hối đoái trực tiếp từ USD sang EUR thông qua một API bên ngoài, chuẩn bị bản tóm tắt ngắn gọn sẵn sàng gửi cho khách hàng, và ủy quyền bản thảo đó cho một tác nhân phụ chuyên kiểm định văn bản để xác thực độ rõ ràng và độ dài. Chúng ta định nghĩa các hàm Python có thể tái sử dụng dưới dạng các công cụ tác nhân (agent tools), mô tả toàn bộ cấu trúc tác nhân bằng YAML và sử dụng Claude Agent SDK làm khung thực thi. Chúng ta cũng quản lý khóa Anthropic API một cách bảo mật thông qua các biến môi trường, áp dụng các chính sách phi tương tác nhằm giới hạn số lần gọi công cụ và kiểm soát chi phí phiên làm việc, đồng thời chạy quy trình trực tiếp từ Colab mà không cần Node.js, tmux hay terminal tương tác. Thông qua quá trình triển khai này, chúng ta sẽ khám phá cách Omnigent kết hợp các tác nhân, công cụ, sự ủy quyền, truy cập dữ liệu trực tiếp và quản trị trong một hệ thống có thể cấu hình duy nhất.

Chúng ta nhập các mô-đun Python cần thiết và định nghĩa một hàm hỗ trợ để thực thi các lệnh shell, đồng thời hiển thị thông tin lỗi chi tiết khi lệnh thất bại. Chúng ta tạo một thư mục làm việc chuyên biệt và sử dụng uv để xây dựng môi trường ảo Python 3.12 biệt lập, giúp tránh hạn chế ensurepip của Colab. Sau đó, chúng ta cài đặt Omnigent và Requests bên trong môi trường này, xác định vị trí tệp thực thi Omnigent CLI và kiểm tra cài đặt bằng cách in ra phiên bản của nó.

Chúng ta thu thập khóa Anthropic API một cách bảo mật, chỉ khi khóa đó chưa có sẵn trong môi trường notebook. Chúng ta lưu trữ thông tin xác thực trong môi trường tiến trình hiện tại để Omnigent có thể phát hiện mà không cần ghi thông tin nhạy cảm vào tệp. Chúng ta cũng tạo một cấu hình môi trường riêng cho tiến trình con và tắt tính năng kiểm tra cập nhật tự động của Omnigent trong quá trình thực thi.

Chúng ta tạo một mô-đun Python chứa các hàm cục bộ mà Omnigent sẽ hiển thị dưới dạng các công cụ có thể gọi được cho các tác nhân. Chúng ta định nghĩa một công cụ tỷ giá hối đoái trực tiếp để gửi yêu cầu đến Frankfurter API và trả về tỷ giá mới nhất, mã tiền tệ và ngày áp dụng. Chúng ta cũng triển khai một công cụ đếm từ đơn giản cho phép tác nhân phụ kiểm định văn bản đo lường độ dài của bản tóm tắt tài chính.

Chúng ta định nghĩa toàn bộ kiến trúc đa tác nhân thông qua tệp cấu hình YAML. Chúng ta cấu hình tác nhân chính nghiên cứu tài chính, kết nối nó với công cụ tỷ giá hối đoái và thêm một tác nhân phụ kiểm định văn bản để đánh giá bản thảo bằng hàm đếm từ. Chúng ta cũng áp dụng các chính sách quản trị nghiêm ngặt nhằm hạn chế số lần gọi công cụ và giới hạn chi phí API tối đa cho phiên làm việc.

Chúng ta thêm thư mục hướng dẫn vào PYTHONPATH, định nghĩa câu hỏi liên quan đến tiền tệ và thực thi tác nhân Omnigent thông qua một tiến trình con phi tương tác. Chúng ta thu thập phản hồi được tạo ra, hiển thị đầu ra chẩn đoán khi quá trình thực thi thất bại và cung cấp lệnh gỡ lỗi để kiểm tra các vấn đề của trình chạy. Chúng ta kết thúc bằng việc in ra các bước tiếp theo hữu ích để khám phá Omnigent CLI, các tác nhân đi kèm, đặc tả YAML và tài liệu về chính sách.

Tóm lại, chúng ta đã tạo ra một ứng dụng đa tác nhân Omnigent thực tế, tích hợp khả năng truy xuất dữ liệu tài chính trực tiếp, ủy quyền tác nhân theo phân cấp, đánh giá văn bản tự động và các kiểm soát thực thi dựa trên chính sách. Chúng ta đã sử dụng uv để giải quyết hạn chế ensurepip của Colab và duy trì một môi trường Python 3.12 riêng biệt mà không làm thay đổi trình thông dịch hệ thống của notebook. Chúng ta đã hiển thị các hàm Python cục bộ dưới dạng các công cụ mà tác nhân có thể truy cập, định nghĩa hành vi của tác nhân và tác nhân phụ thông qua cấu hình YAML dễ đọc, đồng thời áp dụng các giới hạn cứng đối với việc sử dụng công cụ và chi tiêu API. Chúng ta cũng đã thực thi quy trình làm việc theo cách phi tương tác, thu thập cả đầu ra tiêu chuẩn và lỗi chẩn đoán, đồng thời thiết lập một cấu trúc hỗ trợ việc thay đổi mô hình dễ dàng mà không cần thay đổi logic tác nhân cơ bản. Giờ đây, chúng ta đã có một nền tảng có thể tái sử dụng để phát triển các hệ thống đa tác nhân tinh vi, bảo mật, kiểm soát chi phí và hỗ trợ công cụ hơn nữa cho nghiên cứu tài chính và các ứng dụng thực tế khác trong Google Colab.

Xem mã nguồn đầy đủ tại đây. Ngoài ra, hãy thoải mái theo dõi chúng tôi trên Twitter và đừng quên tham gia cộng đồng 150k+ ML SubReddit của chúng tôi và đăng ký nhận bản tin. Khoan đã! Bạn có dùng Telegram không? Bây giờ bạn cũng có thể tham gia cùng chúng tôi trên Telegram.

Bạn cần hợp tác với chúng tôi để quảng bá GitHub Repo, trang Hugging Face, sản phẩm mới hoặc hội thảo trực tuyến của bạn? Hãy kết nối với chúng tôi.

Sana Hassan, thực tập sinh tư vấn tại Marktechpost và là sinh viên chương trình bằng kép tại IIT Madras, có niềm đam mê áp dụng công nghệ và AI để giải quyết các thách thức thực tế. Với sự quan tâm sâu sắc đến việc giải quyết các vấn đề thực tiễn, anh mang đến một góc nhìn mới mẻ cho sự giao thoa giữa AI và các giải pháp trong đời sống.