Популярное
Свежее
Моя лента
Сообщения
Рейтинг
Курс ИИ
Максим Лапин
с 14.09.2026
Авантюрист идейный.
3 подписчика
10 подписок
Срочно для ознакомления😁
Иначе никак😁
Для начала выбери платформу,с которой будешь работать. Советую с Claude.
А вы Талеба читали?
Ладно,успехов тебе!
Да я бы не сказал)прочитай мою статью,все выполнено именно там. Интерфейс человеческий для Человека. Удобно и просто
первый пункт-моя тема. самое главное без присвоений чужих идей и реализация
алиса заметно уступает лидерам
Буду рад ответить на любые вопросы по архитектуре. Если кому-то интересно подробнее узнать про промпты для ReflectorAgent или как мы боролись с задержками Groq API на LLaMA 3.3 — пишите, распишу детали
Спасибо за отличные вопросы в самую суть!
1. Как CEO агрегирует агентов (правила или свободный текст?):
У нас работает двухуровневый гибридный пайплайн:
Уровень 1 (Семантический консилиум): Младшие агенты формируют как метрики, так и тезисы (Bull Thesis vs Bear Thesis). CEO Agent (Llama 70B на Groq) сводит аргументы и обязан вернуть строго типизированный JSON со структурированным скорингом: directional_confidence (направленная сила тренда), risk_score и entry_quality (итоговый Conviction).
Уровень 2 (Жесткая детерминированная валидация в Python): Мы не доверяем LLM на слово. Функция _validate_and_compute_score на чистом коде программно срезает баллы (Risk Penalties до -30%) за объективные риски: перекупленность по RSI, расширение спреда, распил по ATR. Если математика не сходится, вердикт LLM принудительно корректируется.
Бонус (Двухмодельный арбитраж): Если оценка спорная (в диапазоне 60–79%), включается эскалация — подключается Gemini в качестве независимого арбитра. Если обе модели приходят к консенсусу — сделка допускается, если есть расхождение — статус принудительно сбрасывается в HOLD.
2. Про уроки и память ошибок (лог или реальное влияние?):
Уроки реально влияют на следующие сканы в реальном времени! Это не просто пассивный лог:
Когда сделка закрывается по стопу, ReflectorAgent проводит «вскрытие» (post-mortem), формулирует actionable_rule и записывает структурированный урок в lessons.json.
При каждом новом сканировании (каждые 5 минут) эти уроки загружаются в память и передаются в контекст past_lessons_learned для CEO Agent.
В системном промпте зашито жесткое правило: если текущая рыночная картина совпадает с паттерном недавнего стопа (например, попытка лонга при рассогласовании 15m и 4H трендов), CEO искусственно пессимизирует conviction ниже порога входа (80%) или переводит сделку в WAIT_FOR_PULLBACK.