library(dygraphs)
library(quantmod)
getSymbols('FEDFUNDS', src='FRED')
dygraph(FEDFUNDS, main = 'Comportamento dos FED Funds',
xlab='', ylab='% a.a.') %>%
dyOptions(stackedGraph = TRUE) %>%
dyRangeSelector(dateWindow = c("1954-07-01", "2015-11-01")) %>%
dyShading(from='2008-10-01', to='2015-11-01', color='lightblue')
A evolução das ferramentas baseadas em modelos de linguagem (LLMs) está transformando o modo como realizamos análises econômicas. Neste artigo, apresentamos como utilizar LangChain e LangGraph, duas das bibliotecas mais relevantes para a orquestração de fluxos complexos com agentes de IA, integrando-os com o Google Gemini. O foco será a construção de uma pipeline multi-agente para análise econômica utilizando dados reais do Brasil.
Apresentamos o framework SmolAgents para a criação de agentes com LLMs em Python, com foco em aplicações no mercado financeiro.
Neste post, vamos explorar o fluxo completo de trabalho de um Agente de IA — um ciclo que definimos como Pensamento-Ação-Observação. Ao final, criamos um exemplo de Agente de IA que responde perguntas sobre dados econômicos.
comercial@analisemacro.com.br – Rua Visconde de Pirajá, 414, Sala 718
Ipanema, Rio de Janeiro – RJ – CEP: 22410-002
Criação Kamus
como podemos ajudar?
Preencha os seus dados abaixo e fale conosco no WhatsApp
Boletim AM
Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.
