Финансовые данные из CSV на встроенных инструментах Cohere

О чём урок

Рассуждения о табличных данных продолжают оставаться захватывающим применением Agents, 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 Net Profit Margin (Рентабельность чистой прибыли) = Чистая прибыль / Выручка Asset Turnover (Оборачиваемость активов) = Выручка / Средние общие активы Financial Leverage (Финансовый рычаг) = Средние общие активы / Собственный капитал акционеров Наличие Agent, способного корректно вычислять эти и другие коэффициенты, было бы большим подспорьем для любого аналитика в области финансов. В этом блокноте мы рассмотрим, как настроить Cohere Agent для ответов на вопросы по таблицам в форме Apple SEC10K 2020 года. financial_csv_publication.ipynb уже показал, как использовать langchain для запросов к вашим данным. Этот блокнот продемонстрирует, как вы можете создать того же agent, используя нативный API Cohere с python tool langchain. Мы также рассмотрим, как сделать ваш agent более устойчивым к ошибкам. Настройка Определение Python Tool Создание Cohere Agent Вопросы и ответы по одной таблице Вопросы и ответы по нескольким таблицам Устойчивость к ошибкам Добавление инструмента просмотра Здесь мы определяем python tool, используя PythonREPL langchain. Мы также определяем functions_map, который позже будет использоваться Cohere Agent для правильного сопоставления имени функции с фактической функцией. Наконец, мы определяем tools, которые будут переданы в Cohere API. Как показывает Vanilla_Multi_Step_Tool_Use.ipynb, у вас есть большая гибкость в настройке и взаимодействии с cohere agent. Здесь я создаю обертку, чтобы она автоматически определяла, когда прекращать вызов tools и выводить окончательный ответ. Она будет выполнять максимум 15 шагов. В приведенном ниже примере мы показываем, как python tool может быть использован для загрузки dataframe и извлечения из него информации.

План урока

1. Мотивация
2. Цель
3. Оглавление
4. API Key
5. Загрузка данных
6. Добавление инструмента просмотра