Agente Financiero

Un agente LangGraph que enruta preguntas bursátiles en lenguaje natural entre un servidor MCP personalizado (herramientas cuantitativas de yfinance) y una herramienta de noticias, validado mediante un conjunto de evaluación hecho a mano.

Construido para cerrar dos brechas de habilidades: diseñar servidores MCP (superficie de herramientas, descripciones como lógica de enrutamiento) y orquestación de agentes con criterio de enrutamiento.

Arquitectura

User Query
    │
    ▼
┌─────────┐
│  route  │  3-way classifier: quant / news / both
└────┬────┘
     │
     ├──────────────────────┬─────────────────────
     ▼                      ▼
┌─────────┐           ┌──────────┐
│  quant  │           │   news   │
│ (ReAct) │           │  (ReAct) │
└────┬────┘           └────┬─────┘
     │                     │
     └──────────┬───────────┘
                │
        ┌───────┴────────┐
        │                │
        ▼                ▼
┌──────────────┐   ┌───────────┐
│finish_single │   │ synthesize│
│   _source    │   │           │
└──────┬───────┘   └─────┬─────┘
       │                 │
       └────────┬─────────┘
                ▼
             Answer

Nodos:

• route — clasifica la consulta; sin llamadas a herramientas, solo una decisión

• quant — agente ReAct con 5 herramientas MCP; elige la(s) herramienta(s) adecuada(s) para la pregunta

• news — agente ReAct con get_recent_news; maneja preguntas de noticias/contexto

• finish_single_source — paso directo para consultas de una sola vía; promueve el resultado a answer

• synthesize — concilia las salidas de quant y news en una respuesta coherente para consultas "ambas"

Para consultas "ambas", quant y news se ejecutan concurrentemente; LangGraph espera hasta que ambas completen antes de ejecutar synthesize.

Related MCP server: Yahoo Finance MCP Server

Servidor MCP — Herramientas Cuantitativas

Cinco herramientas, cada una limitada a una forma de pregunta:

Las descripciones de las herramientas incluyen casos negativos explícitos ("no para X, que pertenece a la herramienta Y") — requerido porque varias herramientas comparten formas de parámetros similares y de otro modo serían ambiguas para el enrutador.

Configuración

python3 -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt
cp .env.example .env  # add your ANTHROPIC_API_KEY

Uso

python -m agent.graph "What's Tesla's P/E ratio?"
python -m agent.graph "Why did NVDA drop this week?"
python -m agent.graph "Has AMZN's stock kept pace with its revenue growth?"

Evaluaciones

pytest evals/test_agent.py -v

18 consultas en cuatro categorías: cuantitativo, noticias, ambas y adversarial. Los casos adversariales incluyen trampas de palabras clave (lenguaje de noticias envolviendo preguntas cuantitativas) y consultas de premisa falsa (afirmaciones sobre movimientos de precios que deben verificarse antes de explicar).

Resultado: 15/18 → 18/18 después de corregir dos afirmaciones frágiles de tickers y agregar una regla de clasificación de premisa falsa al prompt del enrutador.

Decisiones de Diseño Clave

1. Descripciones de herramientas como lógica de enrutamiento. Cada descripción de herramienta establece explícitamente lo que no maneja. Sin casos negativos, las herramientas con formas de parámetros superpuestas (por ejemplo, get_stock_price y get_price_history_stats ambas toman ticker + parámetros tipo fecha) son ambiguas para el enrutador LLM.

2. Noticias como una herramienta LangGraph simple, no un segundo servidor MCP. El instinto era "segundo servidor MCP = bloque reutilizable". Se cuestionó: ¿reutilizable para qué? No existía un segundo consumidor concreto. Un segundo servidor MCP significa un segundo subproceso para lanzar y gestionar; un @tool simple es una función única en proceso. La sobrecarga del límite de proceso no tenía un beneficio correspondiente.

3. El enrutador clasifica la intención, los agentes eligen herramientas. El enrutador solo hace clasificación de 3 vías — no elige qué herramienta cuantitativa llamar. La selección de herramientas por LLM (emparejar una consulta con una de las 5 descripciones de herramientas) es un trabajo flexible/no determinista que pertenece dentro del bucle ReAct de quant, no duplicado en el prompt del enrutador.

4. La síntesis debe reconciliar, no concatenar. El prompt de síntesis instruye explícitamente al modelo a conectar los datos cuantitativos y el contexto de noticias en una sola respuesta coherente. "No solo enumeres ambos por separado — conéctalos." Sin esto, la ruta "ambas" produce dos párrafos unidos en lugar de una respuesta real.