第3部分：在亚马逊基岩和亚马逊基岩数据自动化中建立AI驱动的投资研究助手|亚马逊网络服务

在金融服务行业中，分析师需要在结构化数据（例如时间序列的定价信息），非结构化文本（例如SEC申请和分析师报告）和音频/视觉内容（收益呼叫和演示文稿）之间切换。每种格式都需要不同的分析方法和专业工具，从而造成工作流效率低下。除此之外，由于行业条件迅速发展和狭窄的决策窗口所产生的巨大时间压力。延迟分析可能意味着错过的机会或未能识别出新的风险，并带来重大财务后果。

通过自动化常规数据收集和处理任务，浮出水面的见解，并允许分析师可以专注于高价值活动来提高辅助因子。但是，单个AI代理在复杂的多步骤投资研究工作流程中挣扎，以有效地处理多个专业任务。这是多代理协作提供进步的地方。通过创建在特定任务和功能中表现出色的专门AI子代理，并使用AI主管代理在协调的框架下一起使用它们，我们可以解决投资研究工作流程的全部复杂性。主管代理可以明智地分解复杂的查询，将专业任务委派给子代理，并将其输出综合为全面的答案，类似于研究团队在现实世界中的运作方式。这种方法的好处是很大的，这是由于分布式问题解决和专业化，通过专业知识提高了准确性，通过添加新的代理能力而不重新构建整个系统，并提高了可伸缩性，并且由于可以跟踪和验证每个专业代理的推理过程。

亚马逊基岩代理商使用推理基础模型（FMS），API和数据分解用户请求，收集相关信息并有效地完成任务。与多代理协作能力的亚马逊基岩，您可以在需要专门技能的复杂多步骤任务上共同构建，部署和管理多个AI代理。亚马逊基岩数据自动化（BDA）可以从非结构化的多模式内容（例如文档，图像，音频和视频和视频）中生成有用的见解，并在设置知识库时可以用作解析器检索增强产生（抹布）工作流程。

在这篇文章中，我们介绍了如何使用亚马逊基岩的多代理协作能力来建立多代理投资研究助理。我们的解决方案展示了专业AI代理团队如何共同努力，分析财务新闻，评估股票绩效，优化投资组合分配以及提供全面的投资见解，这些见解都是通过统一的自然语言界面精心策划的。在设置具有多模式数据的RAG工作流程的知识库时，我们将使用BDA作为解析器。亚马逊Nova理解模型被用作大型语言模型（LLMS）与主管代理和子代理相关。

检查展示解决方案的视频，

这些代理商的结果是指示性的，而不是作为财务建议。

解决方案概述

多代理投资研究助理由主管代理和三个子代理（定量分析代理，新闻代理和智能摘要代理）组成，如下图所示。

主管代理使用您提供的说明来了解每个合作者代理的结构和角色。主管代理通过分解用户提示，将子任务委派给专业子代理，并合并其产出以产生最终响应来策划整体投资研究过程。每个子代理都配置为执行专业任务，如下所示：

• 定量分析剂
  • 功能由股票试验和投资组合优化行动组提供支持。
  • 职责查询和分析历史库存数据，并根据用户投入（例如股票股票或投资金额）建立优化的投资组合分配。
• 新闻代理
  • 功能由Web_search行动小组和financial_analysis_kb知识库。
  • 职责 - 搜索和检索相关的财务数据，例如从知识库中获取收益报告和上下文申请。如果知识库中不存在信息，请构建网络查询。处理与分析公司财务，绩效驱动力和管理评论有关的查询。
• 智能摘要代理
  • 功能使用LLM功能以及特定的及时说明，没有自定义操作组。
  • 职责``从最新的新闻和财务数据等其他子代理人中汲取产出，并将这些信息综合为结构化的投资见解。总结长文本或文件，例如收益报告中的简洁见解。

多代理协作工作如下：

1. 用户提示具有高级研究查询的多代理投资研究助理。
2. 主管代理将查询分解为子任务和协调，并根据需要并行或顺序调用相关子代理：
   • 检索财务报告或数据的新闻代理
   • 库存数据分析的定量分析剂
   • 智能摘要代理总结冗长的文本
3. 主管代理与原始查询上下文合并了子代理输出。
4. 主管代理将合并的信息传递给LLM，以生成最终的研究见解。

该体系结构利用不同专业代理的优势全面解决投资研究的各个方面，主管代理提供了智能的编排。

技术架构

以下图是技术体系结构。

一些关键组件和技术体系结构的相关代码是：

• 亚马逊基岩数据自动化（BDA）用于处理数据以下以下调用BDA工作异步Invoke_data_automation_async（）来自BDA-RUNTIME客户inboto3：

  bda_response = bda_runtime_client.invoke_data_automation_async（ -  inputConfiguration = {''s3uri'：s3_uri_input - -  outputConfiguration = {''s3uri'：s3_uri_output -）

• 用工具定义和构建子代理以下会创建一个子代理代理。创建。它定义了两个用于获取历史库存数据的Lambda工具，另一个用于运行投资组合优化，然后将其注册为子代理，以及其角色，目标，指令和基础FM。

  量化_analysis_agent = agent.greate（名称=“量化_analysis_agent”，'=“财务数据收集器”，目标=“检索实时和历史股票价格，并优化投资组合的投资组合。”实时财务数据提取和投资组合优化方面的指令=“”。 -工具= [＃＃库存数据查找工具{{“代码”：stock_data_lookup_arn，–“定义”：{“名称”：“ stock_data_lookup”，“描述”：“获得给定股票的1个月股票价格历史记录，格式为JSON。”，“参数”：{''''''tresger'：{“ description”：“检索价格历史记录”，“ type”：“ type”：“ string”，“ suppriquer”：true}} - - -]，–llm = llm，）

• 定义和建立主管代理（多代理投资研究助理）以下是使用supervisoragent.greate。它定义了合作者（子代理商），并将其注册为主管代理商及其角色，目标，指示和基础FM。

  Investment_Research_assistant = sustissoragent.create（````Investment_Research_assistant''，``角色=“投资研究助理”，目标=“一位经验丰富的投资研究专家，负责策划子代理...”，•clockoration_type =“主管”，``指示= f“”您是一名投资研究助理，是负责多个专业代理的金融研究主管。您的目标是协调和合成其产出，以创建结构化的股票投资分析。 -处理concomplorator_agents = [{{'''代理人：“ news_agent”，首先，始终检查知识库（ID：{kb_id}）。 -{{''代理人：“量化_analsysis_agent”，“指示”：“使用此合作者检索股票价格历史并进行投资组合优化。” -{{''代理人：“ smart_summarizer_agent”，“指示”：“使用此合作者来综合股票趋势，财务数据和生成结构化的投资见解。” -]，–concomplorator_objects = [news_agent，jatoritative_analysis_agent，smart_summarizer_agent]，–llm = llm，）

• 援引主管代理（多代理投资研究助理）以下调用使用多代理协作体系结构将定义请求作为提示并从主管代理那里获得响应的方法。

  request =“”“上周AMZN的股价有什么作用 - 将其与最近的新闻“”联系起来打印（f“请求：\ n {request} \ n”）结果= Investment_Research_assistant.invoke（要求，âenable_trace = true，trace_level =“ core”，）打印（f“最终答案：\ n {result}”）

先决条件

要部署该解决方案，请附加适当的亚马逊基岩的权限，AWS Lambda，，，，Amazon OpenSearch无服务器，，，，亚马逊简单存储服务（Amazon S3）和AWS身份和访问管理（IAM）担任您的执行角色。您还需要部署两个AWS云形式堆栈：Web_search和stock_data。

有关权限策略，云信息堆栈和设置环境的更多信息，请参阅readme.md in Investment_research_agentgithub上的存储库。

深入研究溶液

要深入研究解决方案和本文中显示的代码，请参阅投资研究助理代理GitHub回购。该存储库包含端到端解决方案的说明，包括设置主管代理和子代理，关联的操作组，非结构化数据（收益报告PDF文件和收益呼叫音频文件）以及结构化数据（股票时间序列）。

在本文结尾的附录中，我们分享了财务分析师向主管代理，副代理人和主管代理的答案提出的不同问题。

清理

要清理该解决方案，请确保删除所有代理，知识库和相关的Amazon OpenSearch无服务器实例。删除两个Web_search和stock_data堆栈。这将确保在完成该解决方案后未收取任何费用。阅读关联的笔记本在GitHub存储库中，以获取更多有关清理代理商的说明。

结论

使用亚马逊基岩代理商及其多代理协作功能建造的多代理投资研究助理代表了金融专业人员如何使用AI来增强其分析能力。通过使用专业的代理商，每个专门针对主管代理商精心策划的财务分析的各个方面，我们创建了一个可以处理多种数据类型，应用适当的分析技术并综合综合见解的系统，以响应复杂的投资查询。结果是AI助手，可以处理多步财务分析工作流，否则这些工作流将使单一代理系统不堪重负。

从股票研究和投资组合管理到风险评估和合规性监控，多代理协作的应用在整个金融领域都广泛扩展。需要多种专业技能和数据源的复杂财务工作流程可以从这种建筑方法中受益。

该实施使用关键AWS服务，包括用于基础模型的亚马逊基地，亚马逊基石代理的多代理协作能力，用于文档存储的Amazon S3，Amazon OpenSearch for vector搜索功能以及用于专业操作的Lambda功能。该无服务器体系结构提供了可扩展性，并且知识库集成提供了从财务文件到基础AI在事实数据中的响应的上下文。

有关更多信息：

• 开始构建自己的通过访问我们的完整解决方案代码和实施指南，多代理投资研究助理Github仓库。
• 探索如何自定义解决方案通过修改子代理专业工具和行动组，并将您的数据牢固地带到亚马逊基石知识基地。
• 您也可以探索和运行亚马逊基岩多代理协作研讨会与AWS专家或独自一人。

通过多模式数据阅读有关投资研究的单一代理解决方案的更多信息：

• 第1部分AWS中的生成AI和多模式代理：在金融市场中释放新价值的关键这表明，多模式代理如何使用AWS服务从组织的文本，语音和表格数据源中有效地收集财务洞察力，以使用开源Langchain代理作为替代实施，以使用开源Langchain代理来查询财务分析师的查询。
• 第2部分通过多模式数据进行投资研究的AI驱动助手：亚马逊基岩代理的应用，它使用亚马逊基岩代理商和亚马逊基岩知识库介绍了一个解决方案，可以帮助财务分析师使用各种多模式财务数据来收集财务见解。

阅读博客文章通过亚马逊基岩上的多代理协作解锁复杂的问题解决有关企业应用程序多代理协作的收益，设计和评估的更多详细信息。

关于作者

Sovik Ku​​mar Nath是具有AWS的AI/ML和生成的AI高级解决方案架构师。他拥有丰富的经验，在金融，运营，营销，医疗保健，供应链管理和物联网的端到端机器学习和业务分析解决方案设计。他拥有南佛罗里达大学弗里博格大学瑞士大学的双重硕士学位，并获得了哈拉格布尔印度理工学院的学士学位。在工作之外，Sovik喜欢旅行，乘坐渡轮和看电影。

卢卡斯·班尼（Lucas Banerji）是AWS的AI/ML和Genai专业解决方案建筑师。他热衷于构建代理AI系统，并探索智能自动化的前沿。卢卡斯（Lucas）拥有弗吉尼亚大学的计算机科学学位。在工作之外，他喜欢跑步，练习泰拳并环游世界。

mohan musti是基于达拉斯的主要技术帐户经理。Mohan帮助客户建筑师并优化AWS的应用程序。Mohan拥有印度JNT大学的计算机科学和工程。在业余时间，他喜欢与家人和露营共度时光。

附录

下表包含基于结构化和非结构化数据的AI驱动助手提出的示例问题和回答。