Construyendo agentes de IA utilizando el marco de equipo de múltiples agentes de Agno para el análisis integral de mercado e informes de riesgos

En el panorama financiero de ritmo acelerado actual, aprovechar a los agentes de IA especializados para manejar aspectos discretos del análisis es clave para ofrecer ideas oportunas y precisas. AgnoEl marco ligero y agnóstico modelo potencia a los desarrolladores a girar rápidamente a los agentes especialmente construidos, como nuestro agente financiero para datos estructurados de mercado y agente de evaluación de riesgos para el análisis de volatilidad y sentimientos, sin un código de orquestación complejo o de calderas o complejo. Al definir instrucciones claras y componer un “equipo de riesgo financiero” de múltiples agentes, AgNO maneja la coordinación, la invocación de herramientas y la gestión del contexto detrás de escena, lo que permite a cada agente centrarse en su experiencia de dominio mientras colabora sin problemas para producir un informe unificado.

!pip install -U agno google-genai duckduckgo-search yfinance

Instalamos y actualizamos el marco Core Agno, Genai SDK de Google para Gemini Integration, la biblioteca de búsqueda de Duckduckgo para consultar información en vivo y YFINANCE para un acceso sin problemas a los datos del mercado de valores. Al ejecutarlo al comienzo de nuestra sesión de Colab, nos aseguramos de que todas las dependencias necesarias estén disponibles y están actualizadas para construir y administrar sus agentes de evaluación de finanzas y riesgos.

from getpass import getpass
import os


os.environ["GOOGLE_API_KEY"] = getpass("Enter your Google API key: ")

El código anterior le solicita de forma segura que ingrese su clave de API de Google en Colab sin hacerla eco de la pantalla, y luego se almacena en la variable de entorno Google_API_Key. El envoltorio de modelo Gemini de Agno y el SDK de Google Genai pueden autenticar automáticamente las llamadas de API posteriores configurando esta variable.

from agno.agent import Agent
from agno.models.google import Gemini
from agno.tools.reasoning import ReasoningTools
from agno.tools.yfinance import YFinanceTools


agent = Agent(
    model=Gemini(id="gemini-1.5-flash"),  
    tools=[
        ReasoningTools(add_instructions=True),
        YFinanceTools(
            stock_price=True,
            analyst_recommendations=True,
            company_info=True,
            company_news=True
        ),
    ],
    instructions=[
        "Use tables to display data",
        "Only output the report, no other text",
    ],
    markdown=True,
)


agent.print_response(
    "Write a report on AAPL",
    stream=True,
    show_full_reasoning=True,
    stream_intermediate_steps=True
)

Inicializamos un agente de Agno impulsado por el modelo Gemini (1.5 Flash) de Google, lo equipamos con capacidades de razonamiento y herramientas de finanzas para obtener datos de stock, recomendaciones de analistas, información de la empresa y noticias, y luego transmitir un informe paso a paso y completamente transparente en AAPL, completo con razonamiento encadenado y llamadas de herramientas intermedias, directamente a la salida de COLAB.

finance_agent = Agent(
    name="Finance Agent",
    model=Gemini(id="gemini-1.5-flash"),
    tools=[
        YFinanceTools(
            stock_price=True,
            analyst_recommendations=True,
            company_info=True,
            company_news=True
        )
    ],
    instructions=[
        "Use tables to display stock price, analyst recommendations, and company info.",
        "Only output the financial report without additional commentary."
    ],
    markdown=True
)


risk_agent = Agent(
    name="Risk Assessment Agent",
    model=Gemini(id="gemini-1.5-flash"),
    tools=[
        YFinanceTools(
            stock_price=True,
            company_news=True
        ),
        ReasoningTools(add_instructions=True)
    ],
    instructions=[
        "Analyze recent price volatility and news sentiment to provide a risk assessment.",
        "Use tables where appropriate and only output the risk assessment section."
    ],
    markdown=True
)

Estas definiciones crean dos agentes de AGNO especializados que utilizan el modelo Gemini (1.5 Flash) de Google: el agente financiero obtiene y tabula los precios de las acciones, las recomendaciones de los analistas, la información de la empresa y las noticias para entregar un informe financiero conciso, mientras que el agente de evaluación de riesgos analiza la volatilidad de los precios y los sentimientos de noticias, las herramientas de razonamiento de las noticias donde se necesitan, para generar una sección de evaluación de riesgo enfocada.

from agno.team.team import Team
from textwrap import dedent


team = Team(
    name="Finance-Risk Team",
    mode="coordinate",
    model=Gemini(id="gemini-1.5-flash"),
    members=[finance_agent, risk_agent],
    tools=[ReasoningTools(add_instructions=True)],
    instructions=[
        "Delegate financial analysis requests to the Finance Agent.",
        "Delegate risk assessment requests to the Risk Assessment Agent.",
        "Combine their outputs into one comprehensive report."
    ],
    markdown=True,
    show_members_responses=True,
    enable_agentic_context=True
)


task = dedent("""
1. Provide a financial overview of AAPL.
2. Provide a risk assessment for AAPL based on volatility and recent news.
""")


response = team.run(task)
print(response.content)

Reúnemos un “equipo de riesgo financiero” coordinado usando Agno y Google Gemini. Delega los análisis financieros al agente financiero y las evaluaciones de volatilidad/noticias al agente de evaluación de riesgos, luego sintetiza sus resultados en un informe único e integral. Al llamar al equipo.

team.print_response(
    task,
    stream=True,
    stream_intermediate_steps=True,
    show_full_reasoning=True
)

Instruimos al equipo de riesgo financiero que ejecute la tarea AAPL en tiempo real, transmitiendo el razonamiento interno de cada agente, las invocaciones de herramientas y las salidas parciales a medida que ocurren. Al habilitar stream_intermediate_steps y show_full_raasoning, veremos exactamente cómo AgNO coordina los agentes de evaluación de finanzas y riesgos paso a paso antes de entregar el informe final y combinado final.

En conclusión, aprovechar las capacidades de equipo de múltiples agentes de Agno transforma lo que tradicionalmente sería un flujo de trabajo de IA monolítico en un sistema modular y mantenible de expertos. Cada agente del equipo puede especializarse en obtener métricas financieras, analizar el sentimiento de los analistas o evaluar los factores de riesgo. Al mismo tiempo, la API del equipo de Agno orquesta la delegación, el intercambio de contexto y la síntesis final. El resultado es una arquitectura robusta y extensible que va desde configuraciones simples de dos agentes hasta conjuntos complejos con cambios de código mínimos y claridad máxima.

Mira el Notebook Colab. Además, no olvides seguirnos Gorjeo y únete a nuestro Canal de telegrama y LinkedIn GRsalpicar. No olvides unirte a nuestro 90k+ ml de subreddit. Para promoción y asociaciones, Por favor, hable.

🔥 [Register Now] Conferencia virtual de Minicon sobre AI agente: registro gratuito + Certificado de asistencia + Evento corto de 4 horas (21 de mayo, 9 am- 1 pm PST) + Hands on Workshop