Агент разбирает финансовые данные из CSV

О чём урок

Рассуждения с табличными данными остаются захватывающим применением агентов, особенно в финансовой сфере, где для определения правильного ответа может потребоваться несколько шагов рассуждения. Например, финансовый аналитик, работающий с финансовой отчетностью, может быть заинтересован в вычислении различных финансовых коэффициентов с помощью запросов на естественном языке. Некоторые примеры могут включать: ROE (Рентабельность собственного капитала) = Чистая прибыль / Собственный капитал акционеров Чистая рентабельность = Чистая прибыль / Выручка Оборачиваемость активов = Выручка / Средние общие активы Финансовый рычаг = Средние общие активы / Собственный капитал акционеров Наличие агента, способного правильно вычислять эти и другие коэффициенты, было бы большим подспорьем для любого аналитика в области финансов. В этом блокноте мы исследуем, как настроить Cohere ReAct Agent для ответов на вопросы по таблицам в форме SEC10K Apple за 2020 год. Мы покажем, как это можно сделать с помощью двух вариантов инструмента langchain python: один требует передачи полного пути к dataframe, а другой требует загрузки объектов dataframe в память. Хотя между двумя подходами нет существенной разницы, мы представляем оба, чтобы показать, как управлять файлами, загруженными в память, по сравнению с файлами в хранилище. Настройка Введение Вопросы и ответы по одной таблице Агент с инструментом Python Агент с инструментом Python, который принимает таблицы в качестве входных данных Вопросы и ответы по нескольким таблицам Цель этого блокнота — продемонстрировать, как агенты Cohere Langchain могут быть использованы для ответов на вопросы по табличным данным. Этот блокнот предполагает, что входными данными является набор CSV-файлов, извлеченных из отчетов Apple SEC 10K. Мы используем sec-api для загрузки отчета о прибылях и убытках и балансового отчета из файла SEC 10K .htm. Обратите внимание, что таблицы должны быть проанализированы таким образом, чтобы индекс был числовым, поскольку генерация кода на Python испытывает трудности с фильтрацией по индексу. Мы обработали таблицы и предоставили их вам. В приведенном ниже примере мы покажем, как инструмент Python можно использовать для загрузки dataframe и извлечения из него информации.

План урока

1. Мотивация
2. Цель
3. Оглавление
4. Загрузка данных
5. Агент с инструментом Python
6. Агент с инструментом Python, который принимает таблицы в качестве входных данных