Toluwalope AkinkunmiCargando…

Haciendo bocetos…

000
Saltar al contenido
← Todas las notas

· 2 min de lectura

Filtra antes de pensar

El diseño de Stock Bot, un agente LLM programado que lee la bolsa de Nigeria con un presupuesto mínimo.

Stock Bot es un pequeño agente en construcción. Cada día encuentra las acciones de la bolsa de Nigeria que bajaron, decide qué caídas parecen oportunidades y me envía la lista por Telegram. Lo interesante no es el LLM, sino todo lo que lo rodea.

El pipeline

Una ejecución diaria, del horario al informe.Programación diaria → Escáner; Escáner ↔ Datos de mercado; Escáner ↔ Historial de precios; Escáner ↔ Analista de IA; Escáner → Informe diarioProgramación diariaEventBridgeEscánerAWS LambdaDatos de mercadoNGXHistorial de preciosDynamoDBAnalista de IAGeminiInforme diarioTelegramdisparacaídas del díacontrol de 5 díasanalizamejores opciones
Una ejecución diaria, del horario al informe.
  • Una programación de EventBridge lanza una función Lambda una vez al día.
  • La función obtiene las mayores caídas del día en lugar de todas las empresas cotizadas.
  • Para cada una revisa cinco días de precios guardados en DynamoDB, para confirmar una caída real y no un solo día de ruido.
  • Solo las que pasan el filtro van a Gemini con un prompt estructurado, y las mejores opciones llegan a Telegram.

Por qué filtrar primero

Las llamadas al LLM son el paso más lento y caro, así que van al final. El código sencillo descarta gratis la mayoría de candidatas, y el modelo solo juzga las pocas que merecen juicio. La idea vale para cualquier agente: deja que pasos baratos y deterministas acoten el problema, y gasta inteligencia donde cambia la respuesta.

Paquetes pequeños, menos sorpresas

Mi primera versión usaba pandas, y el paquete de Lambda quedaba demasiado grande para desplegarlo sin capas extra. Cambiarlo por un parser HTML ligero resolvió el problema. Serverless premia las dependencias aburridas.

Sigue en curso: el pipeline funciona en local y el despliegue se está terminando. Lo siguiente es registrar cada elección y medir los juicios del modelo frente a lo que realmente hizo el mercado.

Caso de estudio relacionado

Stock Bot
Siguiente notaCompartir lógica, no pantallasQué entró en el paquete compartido entre las apps de Next.js y Expo de una plataforma de eventos, qué se quedó fuera y por qué.