零基础 扣子(Coze)工作流实战案例:自动分析自选股股票的财经信息并推送企微群!

大家好,我是菜哥!

公众号菜鸟学Python主理人,2017年开始做公众号,从0做起做到31万粉丝,累计写了700多篇Python原创,副业变现7位数,目前是Python领域的头部大号,涉猎量化,AI编程,智能体开发,AI应用开发。

当下2025是智能体大爆发的元年,因为我觉得智能体这个赛道是一个大有可为的赛道,立志打造通过趣味的案例来帮助零基础学习智能体,并通过智能体来提效变现的社群!

下面分享一个智能体案例,有兴趣的可以看看!

比如我们的自选股里有这样的:

我们希望能有一个工作流可以批量的处理,去查询这些个股的信息然后发报告到企业微信群里面:

具体怎么做的,我们先看一下工作流的全图:

主要包含这几个部分:

-.我的自选股是在飞书表格,要读取飞书表格

-.清洗读取的飞书表格数据,然后进行获取自选股股票列表

-.循环体里面循环的去做每个自选股的股票财经信息查询

-.大模型对股票的财经进行进行summary 整理成报告

-.把报告发给企微

我把里面关键的几个节点跟大家说一下是怎么操作的:

1.代码节点,解析数据


首先我们把我们常用的股票写入飞书电子表格里,通过读取飞书表格的数据来跟工作流对接。coze工作流里面内置很多插件都可以轻松的读取飞书的表格。

比如我们这个案例节点已经读到了数据,但是这个数据是一个json格式的,里面其实我们我们只需要"valuesJsonString": "[[\"酒鬼酒\"],[\"宁德时代\"],[\"中信证券\"]]" ,其他的都不需要,怎么处理呢? 其实很简单,用代码节点写一段代码来处理

看一下代码是怎么写的:

其实就是读取json的数据,然后提取自选股股票的名字,然后组合成一个列表,最后我们得到的就是这样的一个array:

{

"stocks": [

"酒鬼酒",

"宁德时代",

"中信证券"

]

}

2.循环体 循环读取股票的基本面信息


既然已经获取的股票的自选股列表,我们只要循环一个一个处理即可,所以我们循环体里面的需要增加一个根据关键词或者股票代码搜索股票信息,包括财务状况以及市场信息。

具体的插件配置:

然后我们需要对获取的股票信息,财务数据 进行summary ,这个就需要用大模型来帮我们总结。这个是大模型节点的配置:

试运行一下,看看大模型输出的结果,看起来还不错的:

最后就把这个整理好的报告发给企业微信群里面,因为企业微信群里面可以非常方便的加入机器人,尤其有运营的小伙伴对这个应该非常有体会!

最后看一下效果:

有兴趣的可以试试操作一下,有问题,我们星球群聊!

如果你觉得这篇文章有帮助,别忘了点赞、关注、收藏哟,你的支持是我原创的动力~

对了,如果你也对AI编程或者智能体感兴趣,我这边整理了一份开源的AI编程和智能体学习手册,爆肝10万字,价值699元。

关注下方👇🏻公众号,回复【智能体】获取学习手册。

关于 Claude 3.7 和 Sonnet 结合用于炒股的信息,在现有资料中没有直接提及这两个具体工具或模型应用于股票交易的实例[^1]。 对于股票市场分析,通常会采用多种技术手段和算法模型来预测股价走势或者评估投资风险。自然语言处理(NLP)技术和深度学习框架可以被用来解析财经新闻、社交媒体情绪以及其他文本数据源,从而辅助决策过程。然而,Sonnet 是由 DeepMind 开发的一个基于 TensorFlow 的库,主要用于构建复杂的神经网络结构;而 Claude 似乎不是一个广泛认可的标准术语或者是特定版本号下的知名软件/平台名称,在此背景下难以找到确切关联性描述。 如果意图探索利用 NLP 技术进行股市研究,则可能更常见的是使用像 BERT 这样的预训练语言模型来进行情感分析等工作,而不是特别指出某个不常见的版本如所谓的 “Claude 3.7”。 ### 相关问题 1. 如何应用自然语言处理技术于金融数据分析? 2. 哪些开源工具适合做金融市场的情绪分析? 3. 是否有其他流行的机器学习库可用于量化交易策略开发? 4. 能否举例说明如何通过 Python 实现简单的股票价格预测模型? ```python import pandas as pd from transformers import pipeline # 使用 Hugging Face 提供的情感分析管道 sentiment_analysis = pipeline("sentiment-analysis") def analyze_financial_news(news_articles): results = [] for article in news_articles: result = sentiment_analysis(article)[0] label, score = result['label'], result['score'] results.append({'article': article, 'sentiment': label, 'confidence': score}) return pd.DataFrame(results) news_samples = [ "公司业绩超出预期", "行业面临新的监管挑战" ] df_sentiments = analyze_financial_news(news_samples) print(df_sentiments) ``` 请注意上述代码仅作为演示用途,未实际调用任何名为 Claude 或者特定版本为 3.7 的组件。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值