原创内容第679篇，专注量化投资、个人成长与财富*。
今天我们来实现服务端策略下载，下载后支持在本地调试运作，及查看源代码。
通过服务器下载策略的代码：
@login_required
def down_strategy(request, task_id: str):
task = mongo_utils.get_db()['tasks'].find_one({'task_id': task_id})
if not task:
return {'message': f'{task_id}不存在。'}
else:
del task['update_datetime']
json_string = json.dumps(task)
# 创建HTTP响应并设置内容类型为'text/plain'
response = HttpResponse(json_string, content_type='text/plain')
# 设置文件名
response['Content-Disposition'] = 'attachment; filename="{}.json"'.format(task_id)
return response
点击“下载”按钮，可以把策略下载到本地：
把下载的策略文件置于data/tasks目录下：
运行后可以看到效果：
后续策略均通过这个形式发布。
代码下载：AI量化实验室——2024量化投资的星辰大海
AI量化实验室 星球，已经运行三年多，1200+会员。
quantlab代码交付至5.X版本，含几十个策略源代码，因子表达式引擎、遗传算法（Deap）因子挖掘引擎等，每周五迭代一次。
（国庆优惠券）
quantlab_ai v0.2
续前文：quantlab_ai版本v0.1代码发布：从研报中提取因子并建模（附代码与研报集下载）
openapi最新开源的swarm多智能体框架。
https://github.com/openai/swarm
代码量不大，不需要通过pip安装，直接把代码下载回来，整合到quantlab版本中。
一共就四个核心文件。
网上的基本介绍：
OpenAI开源发布了一项重量级研究成果：Swarm。这是一个实验性质的多智能体编排框架，主打特征是工效（ergonomic）与轻量（lightweight）。客观讲，我非常看重lightweight。
我们不必要在框架本身浪费太多时间。
它提供了两个基本的抽象概念：智能体（Agent）和交接（handoffs）。通过它们来实现智能体之间的协作和执行。
老规矩，先跑通hello world。
默认需要使用gpt-4o。我把它替换成KIMI的API。
from swarm import Swarm, Agent
from core.llm import LLM
llm = LLM().client
client = Swarm(client=llm)
def transfer_to_agent_b():
return agent_b
agent_a = Agent(
name="Agent A",
instructions="You are a helpful agent.",
functions=[transfer_to_agent_b],
)
agent_b = Agent(
name="Agent B",
instructions="Only speak in Haikus.",
)
response = client.run(
agent=agent_a,
messages=[{"role": "user", "content": "I want to talk to agent B."}],
model_override='moonshot-v1-128k'
)
print(response.messages[-1]["content"])
对swarm的代码进行改造，已适配国内的API。
class Swarm:
def __init__(self, api_key=os.getenv('KIMI_KEY'), base_url="https://api.moonshot.cn/v1", model='moonshot-v1-128k',client=None):
if not client:
client = OpenAI(
api_key=api_key,
base_url=base_url,
)
self.client = client
self.model_name = model
在run里加入模型：
def run(
self,
agent: Agent,
messages: List,
context_variables: dict = {},
model_override: str = None,
stream: bool = False,
debug: bool = False,
max_turns: int = float("inf"),
execute_tools: bool = True,
) -> Response:
if self.model_name:
model_override = self.model_name
if stream:
return self.run_and_stream(
agent=agent,
messages=messages,
context_variables=context_variables,
model_override=model_override,
debug=debug,
max_turns=max_turns,
execute_tools=execute_tools,
)
看一下真实的例子——天气预报：
其实就是fuction call，但非常易用，定义两个python函数，一个是获取天气，一个是发送email。
import json
from swarm import Agent
def get_weather(location, time="now"):
"""Get the current weather in a given location. Location MUST be a city."""
return json.dumps({"location": location, "temperature": "65", "time": time})
def send_email(recipient, subject, body):
print("Sending email...")
print(f"To: {recipient}")
print(f"Subject: {subject}")
print(f"Body: {body}")
return "Sent!"
weather_agent = Agent(
name="Weather Agent",
instructions="You are a helpful agent.",
functions=[get_weather, send_email],
)
会自动识别需求后，自动调用函数
Agent通过传入function增强自己确定性的能力，相当于给大脑提供眼睛，手和脚。我也认同agent框架核心是调用工具，如何灵活调用工具。
至于RAG，那只是使用工具——比如查询本地数据库的一个补充。
（限时免费，感兴趣可入，关注读书，超级个体，AGI与财富*）
作者：AI量化实验室（专注量化投资、个人成长与财富*）
扩展 • 历史文章
• 年化53%的策略随quantlab5.13发布，可以直接运行在服务器上了（附python代码）
• 年化46%策略，低代码策略开发，quantlab5.13代码发布
• quantlab_ai版本v0.1代码发布：从研报中提取因子并建模（附代码与研报集下载）
• AI量化实验室——2024量化投资的星辰大海