Skip to content

dashscope-config.md

Latest commit

 

History

History
366 lines (289 loc) · 10.2 KB

dashscope-config.md

File metadata and controls

366 lines (289 loc) · 10.2 KB

阿里百炼大模型配置指南

概述

阿里百炼（DashScope）是阿里云推出的大模型服务平台，提供通义千问系列模型。本指南详细介绍如何在 TradingAgents 中配置和使用阿里百炼大模型。

🎉 v0.1.6 重大更新

OpenAI兼容适配器

TradingAgents现在提供了全新的阿里百炼OpenAI兼容适配器，解决了之前的工具调用问题：

  • ✅ 新增: ChatDashScopeOpenAI 兼容适配器
  • ✅ 支持: 原生Function Calling和工具调用
  • ✅ 修复: 技术面分析报告长度问题（从30字符提升到完整报告）
  • ✅ 统一: 与其他LLM使用相同的标准模式
  • ✅ 强化: 自动强制工具调用机制确保数据获取

架构改进

  • 🔧 移除: 复杂的ReAct Agent模式
  • 🔧 统一: 所有LLM使用标准分析师模式
  • 🔧 简化: 代码逻辑更清晰，维护更容易

为什么选择阿里百炼？

🇨🇳 国产化优势

  • 无需翻墙: 国内直接访问，网络稳定
  • 中文优化: 专门针对中文场景优化
  • 合规安全: 符合国内数据安全要求
  • 本土化服务: 中文客服和技术支持

💰 成本优势

  • 价格透明: 按量计费，价格公开透明
  • 免费额度: 新用户有免费试用额度
  • 性价比高: 相比国外模型成本更低

🧠 技术优势

  • 中文理解: 在中文理解和生成方面表现优秀
  • 金融知识: 对中国金融市场有更好的理解
  • 推理能力: 通义千问系列在推理任务上表现出色

快速开始

1. 获取API密钥

步骤1: 注册阿里云账号

  1. 访问 阿里云官网
  2. 点击"免费注册"
  3. 完成账号注册和实名认证

步骤2: 开通百炼服务

  1. 访问 百炼控制台
  2. 点击"立即开通"
  3. 选择合适的套餐（建议先选择按量付费）

步骤3: 获取API密钥

  1. 在百炼控制台中，点击"API-KEY管理"
  2. 点击"创建新的API-KEY"
  3. 复制生成的API密钥

2. 配置环境变量

方法1: 使用环境变量

# Windows
set DASHSCOPE_API_KEY=your_dashscope_api_key_here
set FINNHUB_API_KEY=your_finnhub_api_key_here

# Linux/macOS
export DASHSCOPE_API_KEY=your_dashscope_api_key_here
export FINNHUB_API_KEY=your_finnhub_api_key_here

方法2: 使用 .env 文件

# 复制示例文件
cp .env.example .env

# 编辑 .env 文件，填入真实的API密钥
DASHSCOPE_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
FINNHUB_API_KEY=your_finnhub_api_key_here

3. 运行演示

# 使用专门的阿里百炼演示脚本
python demo_dashscope.py

支持的模型

通义千问系列模型

模型名称 模型ID 特点 适用场景
通义千问 Turbo qwen-turbo 快速响应，成本低 快速任务、日常对话
通义千问 Plus qwen-plus-latest 平衡性能和成本 复杂分析、专业任务
通义千问 Max qwen-max 最强性能 最复杂任务、高质量输出
通义千问 Max 长文本 qwen-max-longcontext 超长上下文 长文档分析、大量数据处理

推荐配置

经济型配置（成本优先）

config = {
    "llm_provider": "dashscope",
    "deep_think_llm": "qwen-plus-latest",      # 深度思考使用Plus
    "quick_think_llm": "qwen-turbo",    # 快速任务使用Turbo
    "max_debate_rounds": 1,             # 减少辩论轮次
}

性能型配置（质量优先）

config = {
    "llm_provider": "dashscope", 
    "deep_think_llm": "qwen-max",       # 深度思考使用Max
    "quick_think_llm": "qwen-plus",     # 快速任务使用Plus
    "max_debate_rounds": 2,             # 增加辩论轮次
}

长文本配置（处理大量数据）

config = {
    "llm_provider": "dashscope",
    "deep_think_llm": "qwen-max-longcontext",  # 使用长文本版本
    "quick_think_llm": "qwen-plus",
    "max_debate_rounds": 1,
}

配置示例

基础配置

from tradingagents.graph.trading_graph import TradingAgentsGraph
from tradingagents.default_config import DEFAULT_CONFIG

# 创建阿里百炼配置
config = DEFAULT_CONFIG.copy()
config["llm_provider"] = "dashscope"
config["deep_think_llm"] = "qwen-plus-latest"
config["quick_think_llm"] = "qwen-turbo"

# 初始化
ta = TradingAgentsGraph(debug=True, config=config)

# 运行分析
state, decision = ta.propagate("AAPL", "2024-05-10")
print(decision)

高级配置

# 自定义模型参数
config = DEFAULT_CONFIG.copy()
config.update({
    "llm_provider": "dashscope",
    "deep_think_llm": "qwen-max",
    "quick_think_llm": "qwen-plus-latest",
    "max_debate_rounds": 2,
    "max_risk_discuss_rounds": 2,
    "online_tools": True,
})

# 使用自定义参数创建LLM
from tradingagents.llm_adapters import ChatDashScope

custom_llm = ChatDashScope(
    model="qwen-max",
    temperature=0.1,
    max_tokens=3000,
    top_p=0.9
)

成本控制

典型使用成本

  • 经济模式: ¥0.01-0.05/次分析 (使用 qwen-turbo)
  • 标准模式: ¥0.05-0.15/次分析 (使用 qwen-plus)
  • 高精度模式: ¥0.10-0.30/次分析 (使用 qwen-max)

成本优化建议

  1. 合理选择模型: 根据任务复杂度选择合适的模型
  2. 控制辩论轮次: 减少 max_debate_rounds 参数
  3. 使用缓存: 启用数据缓存减少重复调用
  4. 监控使用量: 定期检查API调用量和费用

故障排除

常见问题

1. API密钥错误

Error: Invalid API key

解决方案: 检查API密钥是否正确，确认已开通百炼服务

2. 额度不足

Error: Insufficient quota

解决方案: 在百炼控制台充值或升级套餐

3. 网络连接问题

Error: Connection timeout

解决方案: 检查网络连接，确认可以访问阿里云服务

4. 模型不存在

Error: Model not found

解决方案: 检查模型名称是否正确，确认模型已开通

调试技巧

  1. 启用调试模式:

    ta = TradingAgentsGraph(debug=True, config=config)

  2. 检查API连接:

    import dashscope
dashscope.api_key = "your_api_key"

from dashscope import Generation
response = Generation.call(
    model="qwen-turbo",
    messages=[{"role": "user", "content": "Hello"}]
)
print(response)

技术实现详解

OpenAI兼容适配器架构

1. 适配器类层次结构

# 新的OpenAI兼容适配器
from tradingagents.llm_adapters import ChatDashScopeOpenAI

# 继承关系
ChatDashScopeOpenAI -> ChatOpenAI -> BaseChatModel

2. 核心特性

  • 标准接口: 完全兼容LangChain的ChatOpenAI接口
  • 工具调用: 支持原生Function Calling
  • 自动回退: 强制工具调用机制确保数据获取
  • Token追踪: 自动记录使用量和成本

3. 工具调用流程

用户请求 → LLM分析 → 尝试工具调用
    ↓
如果工具调用失败 → 强制调用数据工具 → 重新生成分析
    ↓
返回完整的基于真实数据的分析报告

与旧版本的对比

特性 旧版本 (ReAct模式) 新版本 (OpenAI兼容)
架构复杂度 复杂的ReAct循环 简单的标准模式
API调用次数 多次调用 单次调用
工具调用稳定性 不稳定 稳定
报告长度 30字符 完整报告
维护难度 高 低
性能 较慢 快速

最佳实践

1. 模型选择建议

# 推荐配置
config = {
    "llm_provider": "dashscope",
    "deep_think_llm": "qwen-plus-latest",  # 复杂分析
    "quick_think_llm": "qwen-turbo",       # 快速响应
}

2. 参数优化

# 最佳参数设置
llm = ChatDashScopeOpenAI(
    model="qwen-plus-latest",
    temperature=0.1,        # 降低随机性
    max_tokens=2000,        # 确保完整输出
)

3. 错误处理

系统自动处理以下情况：

  • 工具调用失败 → 强制调用数据工具
  • 网络超时 → 自动重试
  • API限制 → 优雅降级

开发者指南

1. 自定义适配器

from tradingagents.llm_adapters.openai_compatible_base import OpenAICompatibleBase

class CustomDashScopeAdapter(OpenAICompatibleBase):
    def __init__(self, **kwargs):
        super().__init__(
            provider_name="custom_dashscope",
            model=kwargs.get("model", "qwen-turbo"),
            api_key_env_var="DASHSCOPE_API_KEY",
            base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
            **kwargs
        )

2. 工具调用测试

from tradingagents.llm_adapters import ChatDashScopeOpenAI
from langchain_core.tools import tool

@tool
def test_tool(query: str) -> str:
    """测试工具"""
    return f"查询结果: {query}"

llm = ChatDashScopeOpenAI(model="qwen-turbo")
llm_with_tools = llm.bind_tools([test_tool])

# 测试工具调用
response = llm_with_tools.invoke([
    {"role": "user", "content": "请调用test_tool查询股票信息"}
])

总结

阿里百炼OpenAI兼容适配器的引入标志着TradingAgents在LLM集成方面的重大进步：

  • 🎯 统一架构: 所有LLM使用相同的标准模式
  • 🔧 简化维护: 减少代码复杂度，提高可维护性
  • 🚀 提升性能: 更快的响应速度和更稳定的工具调用
  • 📊 完整分析: 生成基于真实数据的详细分析报告

现在阿里百炼与DeepSeek、OpenAI等其他LLM在功能上完全一致，为用户提供了更好的选择和体验。

最佳实践

  1. 模型选择: 根据任务复杂度选择合适的模型
  2. 参数调优: 根据具体需求调整温度、最大token数等参数
  3. 错误处理: 实现适当的错误处理和重试机制
  4. 监控使用: 定期监控API使用量和成本
  5. 缓存策略: 合理使用缓存减少API调用

相关链接