Agente de investimento. Em vez de usar IA de investimento pagando taxa para corretoras, compartilhem open source e construam vocês mesmos (ou algo nessa linha)

Se você tiver interesse em stack, infraestrutura e parte técnica, pode ver no GitHub, então vou pular isso.
Como existem muitos agentes de investimento hoje em dia, vou apresentar separadamente alguns pontos que tornam este projeto especialmente diferente.

1. A gestão de contas foi implementada com event sourcing, de forma que tudo possa ser reproduzido e verificado, e antes da execução em batch ela roda após validação baseada em eventos.

2. Em vez de uma decisão passar por vários nós de agentes, um único agente toma a decisão sozinho usando ferramentas e memória.

3. Quando há vários agentes, eles compartilham entre si suas decisões antes da transação final. E, depois da transação, fornecem ao usuário posts divertidos em estilo de fórum.

4. Além das tools fornecidas via API que o agente usa, também são oferecidas cerca de 20 tools, incluindo tools próprias como stacking por meio de 4 modelos de ML no BigQuery.

5. Dei bastante atenção à parte de memória: basicamente tudo é buscado de um banco de dados vetorial e do raw do BigQuery, e a memória é composta por 3 níveis, com diferentes períodos de retenção conforme a importância, além de uma curva de esquecimento exponencial. Também transformei a memória em grafo para que, ao recuperar uma memória específica, memórias relacionadas apareçam em sequência; e configurei para que apenas o que for validado com base em ontologia seja memorizado semanticamente. Parte da memória é injetada no contexto inicial no início do batch, e quando o agente faz tool calling, memórias relacionadas saem junto na resposta da tool com base no ticker relevante, buscando ao máximo um modo de memória mais “humano”.
   ex :
   Exemplo) Se em algum ciclo ele comprou AAPL logo antes do resultado financeiro com RSI em sobrecompra e teve prejuízo:

Armazenamento em 3 níveis: como houve perda e a importância é alta, isso é salvo como episódico (memória de médio prazo). Se um padrão parecido (antes do resultado financeiro - RSI em sobrecompra → prejuízo) se repetir, ele é promovido a semântico (lição de longo prazo)
Curva de esquecimento: trades comuns têm o peso reduzido automaticamente após 2 semanas, enquanto grandes lucros/prejuízos ou memórias consultadas com frequência são esquecidos mais lentamente
Conexão em grafo: na próxima vez que for avaliar AAPL, não aparece só essa memória isolada, mas também memórias relacionadas como "preocupações com a cadeia de suprimentos da China" e "fraqueza no setor de semicondutores"
Validação por ontologia: apenas relações estruturadas como AAPL --risk_to--> cadeia de suprimentos da China sobrevivem como memória semântica. Coisas ambíguas como "AAPL parece meio instável" ou sem fundamento são descartadas
Há ainda mais 2 agentes acoplados separadamente: um para busca de notícias, e outro que, após o batch, organiza o que o agente de investimento fez e insere isso na memória.

6. Na UI dá para ver e personalizar quase tudo. Até o codebase das tools (embora também esteja no GitHub, fica disponível por conveniência), todos os prompts injetados no LLM, resultados das tools etc. A personalização inclui desde configurações relacionadas ao modelo até gestão de risco, prompts (por exemplo, definir estilo de investimento ou estilo dos posts), quais ferramentas usar (se você não gostar das ferramentas fornecidas, pode criar a sua, publicá-la via MCP e conectá-la), gestão de memória (todo o sistema de memória acima pode ser customizado) etc., permitindo projetar seu próprio agente de investimento.

7. Rentabilidade. No mercado americano, por enquanto infelizmente ainda está abaixo do retorno do mercado, mas como está em estágio inicial, acho que é melhor observar mais um pouco; no mercado coreano, embora não esteja no showcase, está em um nível parecido com o retorno do mercado.

De qualquer forma, no fim das contas os investimentos também vão passar gradualmente para os agentes. O importante é se você vai usar o agente de outra pessoa pagando taxas, ou criar o seu próprio agente para economizar nessas taxas. A ideia é justamente abrir isso como open source para que, em vez de pagar até taxa de negociação/agente para corretoras, as pessoas construam e evoluam isso por conta própria.