tasani.ruВ продолжение предыдущей статьи о создании MCP-сервера на основе Finam, мы перейдем к разработке полноценного финансового ИИ-ассистента на Python. Мы реализуем MCP-клиента, подключим инструменты к LLM и исследуем различные архитектуры ИИ-агентов, включая CodeAct.
В первой части мы изучили концепцию Model Context Protocol (MCP) и создали MCP-сервер для API Finam, который предоставляет возможности для получения котировок и управления портфелем. MCP позволяет ассистентам не только генерировать текст, но и выполнять реальные действия.
Теперь мы создадим MCP-агента, который будет взаимодействовать с пользователем, получая данные и предоставляя рекомендации. Мы рассмотрим архитектуру, способную эффективно обрабатывать большие объемы данных, избегая проблем с переполнением токенов.
Новый подход CodeAct основывается на вызове инструментов через созданные API-модули, что позволяет агенту постепенно раскрывать возможности и работать с данными более эффективно. Мы реализуем автоматизированную генерацию кода API, создадим binding-объект и безопасную среду выполнения кода.
В итоге мы получим мощного финансового ИИ-ассистента, который сможет анализировать данные и предоставлять пользователям обоснованные рекомендации.
