Toluwalope AkinkunmiChargement…

Je griffonne…

000
Aller au contenu
← Toutes les notes

· 2 min de lecture

Filtrer avant de réfléchir

La conception de Stock Bot, un agent LLM planifié qui lit la bourse nigériane avec un tout petit budget.

Stock Bot est un petit agent en cours de construction. Chaque jour, il repère les titres de la bourse nigériane qui ont baissé, décide quelles baisses ressemblent à des opportunités et m'envoie la sélection sur Telegram. Le plus intéressant, ce n'est pas le LLM, c'est tout ce qu'il y a autour.

Le pipeline

Une exécution quotidienne, du planning au rapport.Planification quotidienne → Scanner; Scanner ↔ Données de marché; Scanner ↔ Historique des cours; Scanner ↔ Analyste IA; Scanner → Rapport quotidienPlanification quotidienneEventBridgeScannerAWS LambdaDonnées de marchéNGXHistorique des coursDynamoDBAnalyste IAGeminiRapport quotidienTelegramdéclenchebaisses du jourcontrôle 5 joursanalysemeilleurs choix
Une exécution quotidienne, du planning au rapport.
  • Une planification EventBridge lance une fonction Lambda une fois par jour.
  • La fonction récupère les plus fortes baisses du jour plutôt que toutes les sociétés cotées.
  • Pour chacune, elle vérifie cinq jours de cours stockés dans DynamoDB, pour confirmer une vraie baisse et pas une seule journée agitée.
  • Seuls les titres restants partent vers Gemini avec un prompt structuré, et les meilleurs choix arrivent sur Telegram.

Pourquoi filtrer d'abord

Les appels au LLM sont l'étape la plus lente et la plus chère, donc ils arrivent en dernier. Du code simple élimine gratuitement la plupart des candidats, et le modèle ne juge que la poignée qui mérite de l'être. L'idée vaut pour n'importe quel agent : laisser des étapes déterministes et bon marché réduire le problème, et dépenser l'intelligence là où elle change la réponse.

Des paquets légers, moins de surprises

Ma première version utilisait pandas, ce qui rendait le paquet Lambda trop lourd à déployer sans couches supplémentaires. Le remplacer par un parseur HTML léger a réglé le problème. Le serverless récompense les dépendances ennuyeuses.

C'est encore en cours : le pipeline fonctionne en local et le déploiement est en voie de finalisation. Prochaine étape : enregistrer chaque choix et comparer les jugements du modèle à ce que le marché a réellement fait.

Étude de cas liée

Stock Bot
Note suivantePartager la logique, pas les écransCe qui est entré dans le paquet partagé entre les apps Next.js et Expo d'une plateforme d'événements, ce qui en est resté dehors, et pourquoi.