rai220/money_alert_ai

Под впечатлением от возможностей Opus 4.5 сделал агента , который уведомит о повышении риска заморозки вкладов в РФ. Для этого я попросил GPT-5.2 Pro (+ Extra Thinking) составить список фактов, которые предвещают потерю денег. Он предложил 46 критериев , которые следует регулярно проверять с помощью анализа новостей, официальных документов и заявлений регуляторов. Примеры критериев: • Провалы аукционов ОФЗ • Резкий рост доходностей и экстренные меры Минфина • Новые ограничения на переводы, платёжную инфраструктуру • “мобилизационная” риторика про сбережения населения ( Полный список в формате JSON ) Сначала я как обычно сделал мультиагентную систему: • отдельные агенты проверяли каждый критерий • затем агент-суммаризатор делал общий вывод Это заработало, но не идеально. Проблемы : • агенты не общались между собой и выполняли дублирующиеся поиски; • финальный агент видел только сжатые отчёты, но не всю поисковую выдачу В результате он мог слишком остро реагировать на проходные новости, например: «Торги были приостановлены?» — да. «Почему?» — потому что праздники. Но вторая часть информации до финального агента просто не доходила из-за сжатия контекста. Тогда я попробовал новый (хорошо забытый старый) подход — вся логика в одном ванильном ReAct-агенте на базе Opus-4-5. Если раньше агенты могли выполнять цепочки действий в 5–10 шагов (за редким исключением), то сегодняшние модели-лидеры способны работать десятки минут и даже часы , выполняя сотни действий подряд . Поэтому я сделал так: • дал агенту поиск • загрузил все 46 критериев • попросил последовательно проверить каждый из них и сформировать отчёт строго заданного формата Контекста в 200k токенов на это как раз хватило. Ради эксперимента сделал реализацию на базе Anthropic Agent SDK . Весь код выложил на GitHub Получился агент, который: • выполняет задачу примерно за 10 минут • прогон стоит около ~ $1 • выдаёт структурированный отчёт с уровнем риска Я запустил его на регулярную работу в 9:00