بيانات السوق لوكلاء الذكاء الاصطناعي.
تختبر Exa AI Labs استخدام Pyth لربط الأبحاث المالية المدعومة بالذكاء الاصطناعي ببيانات سوق منظّمة وآنية وتاريخية.
تحتاج الأبحاث المالية إلى مدخلين: ما يقوله العالم، وما تفعله الأسواق.
تساعد بنية البحث والوكلاء لدى Exa أنظمة الذكاء الاصطناعي على العثور على المعلومات عبر الويب ومصادر البيانات المتخصصة. وتوفّر Pyth الأسعار الحالية والبيانات التاريخية وبيانات الشموع اليابانية، إلى جانب إمكانية اكتشاف موجزات الأسعار من خلال واجهاتها البرمجية وخادم MCP.
يمنح هذا المزيج الوكلاء طريقة أوضح للإجابة عن الأسئلة المتعلقة بالأسواق.
يمكن للوكيل استخدام Exa للبحث في أسباب تحرّك أحد الأصول، ثم استخدام Pyth لاسترجاع بيانات تداول ذلك الأصل خلال الفترة المعنية.
وهكذا تظل معلومات الأسعار مرتبطة ببيانات سوق منظّمة، بدلاً من الاعتماد على المقالات أو التعليقات أو المصادر الثانوية.
على سبيل المثال، يمكن للمستخدم أن يسأل عمّا حدث بعد أحدث إعلان عن نتائج شركة، وكيف كان أداء سهمها خلال جلسات التداول الخمس التالية.
يمكن لـ Exa العثور على الإعلان والمعلومات ذات الصلة، فيما تستطيع Pyth استرجاع بيانات السوق لتلك الجلسات. ثم يجمع الوكيل كليهما في إجابة واحدة.
لا يزال العمل بين Exa وPyth في مراحله التجريبية الأولى.
الهدف هو فهم المواضع التي تضيف فيها بيانات السوق أكبر قيمة إلى آليات عمل الوكلاء، وكيفية طلب الوكلاء لهذه البيانات، وما الشكل العملي الذي ينبغي أن تكون عليه البيانات المالية المصممة للآلات.
تحتاج وكلاء الذكاء الاصطناعي إلى أكثر من نتائج البحث.
إنهم بحاجة إلى معرفة حالة السوق التي تكمن وراء القصة.
توفّر Exa طبقة البحث للوكلاء، بينما توفّر لهم Pyth بيانات السوق.
استكشف بيانات سوق Pyth المخصصة للوكلاء عبر MCP.
#PYTH #AIAgents
تختبر Exa AI Labs استخدام Pyth لربط الأبحاث المالية المدعومة بالذكاء الاصطناعي ببيانات سوق منظّمة وآنية وتاريخية.
تحتاج الأبحاث المالية إلى مدخلين: ما يقوله العالم، وما تفعله الأسواق.
تساعد بنية البحث والوكلاء لدى Exa أنظمة الذكاء الاصطناعي على العثور على المعلومات عبر الويب ومصادر البيانات المتخصصة. وتوفّر Pyth الأسعار الحالية والبيانات التاريخية وبيانات الشموع اليابانية، إلى جانب إمكانية اكتشاف موجزات الأسعار من خلال واجهاتها البرمجية وخادم MCP.
يمنح هذا المزيج الوكلاء طريقة أوضح للإجابة عن الأسئلة المتعلقة بالأسواق.
يمكن للوكيل استخدام Exa للبحث في أسباب تحرّك أحد الأصول، ثم استخدام Pyth لاسترجاع بيانات تداول ذلك الأصل خلال الفترة المعنية.
وهكذا تظل معلومات الأسعار مرتبطة ببيانات سوق منظّمة، بدلاً من الاعتماد على المقالات أو التعليقات أو المصادر الثانوية.
على سبيل المثال، يمكن للمستخدم أن يسأل عمّا حدث بعد أحدث إعلان عن نتائج شركة، وكيف كان أداء سهمها خلال جلسات التداول الخمس التالية.
يمكن لـ Exa العثور على الإعلان والمعلومات ذات الصلة، فيما تستطيع Pyth استرجاع بيانات السوق لتلك الجلسات. ثم يجمع الوكيل كليهما في إجابة واحدة.
لا يزال العمل بين Exa وPyth في مراحله التجريبية الأولى.
الهدف هو فهم المواضع التي تضيف فيها بيانات السوق أكبر قيمة إلى آليات عمل الوكلاء، وكيفية طلب الوكلاء لهذه البيانات، وما الشكل العملي الذي ينبغي أن تكون عليه البيانات المالية المصممة للآلات.
تحتاج وكلاء الذكاء الاصطناعي إلى أكثر من نتائج البحث.
إنهم بحاجة إلى معرفة حالة السوق التي تكمن وراء القصة.
توفّر Exa طبقة البحث للوكلاء، بينما توفّر لهم Pyth بيانات السوق.
استكشف بيانات سوق Pyth المخصصة للوكلاء عبر MCP.
#PYTH #AIAgents