Давай соберем динамическую память для AI-агентов на графах знаний и RAG всего в 6 строк кода, шаг за шагом (100% локально).

Когда ты шлёшь в агента большие объёмы данных, это часто приводит к раздутию контекста и галлюцинациям.

Чтобы агенты были надежными, нужен способ связать данные между собой и зафиксировать базовые «ground truth», которые повышают точность в многошаговых диалогах.

Именно это и делает Cognee.

Он помогает строить динамическую память для AI-агентов, заменяя RAG на масштабируемые модульные ECL-пайплайны (Extract, Cognify, Load).

Давай пройдемся по настройке по шагам:

Шаг 1: Data ingestion

В этом примере мы просто прокинем строку текста в Cognee и превратим её в память для ИИ.

Но ты не ограничен только текстом: можно кормить документы, файлы или любые другие источники данных, чтобы собрать knowledge graph.

Дальше можно дергать search() и ходить в него с обычными текстовыми запросами.

Шаг 2: Memify

Теперь добавляем функции памяти. Они работают поверх семантического слоя (knowledge graph), связывают точки и улучшают поиск.

Memify полностью кастомизируется и может использовать любые преобразования, которые ты напишешь.

Шаг 3: Наконец, добавляем Feedback Loops

Cognee поддерживает непрерывное улучшение за счёт механизма обратной связи: он фиксирует, насколько полезны и релевантны результаты поиска по реальным сообщениям пользователей.

Со временем получается обучающаяся система, которая адаптируется под твои задачи и предпочтения.

Cognee сделан под память агентов. Он превращает документы, чаты и файлы в knowledge graph, по которому любая LLM может рассуждать.

Можно запускать локально, в том числе через интерактивные ноутбуки.

Он на 100% опенсорс. 😱

👉 @PythonPortal

Новая Python-библиотека для алгоритмического трейдинга.

Представляют TensorTrade — опенсорсный Python-фреймворк для трейдинга на базе обучения с подкреплением (RL / AI).

По словам Quant Science :

TensorTrade — это фреймворк для сборки, обучения, оценки и деплоя торговых стратегий на RL, использующий стек:

- numpy
- pandas
- gym
- keras
- tensorflow

Пример: обучение и оценка стратегии с Reinforcement Learning

Шаг 1: формируем датасеты для тренировки и валидации
Готовим два CSV, один под обучение, второй под тест.

import yfinance
import pandas_ta  #noqa

TICKER = 'ITRD'  # TODO: подставь свой тикер
TRAIN_START_DATE = '2021-02-09'  # TODO: замени на свою дату начала обучения
TRAIN_END_DATE = '2021-09-30'    # TODO: замени на свою дату конца обучения
EVAL_START_DATE = '2021-10-01'   # TODO: замени на свою дату начала валидации
EVAL_END_DATE = '2021-11-12'     # TODO: замени на свою дату конца валидации

yf_ticker = yfinance.Ticker(ticker=TICKER)

# Загружаем данные для обучения
df_training = yf_ticker.history(start=TRAIN_START_DATE, end=TRAIN_END_DATE, interval='60m')
df_training.drop(['Dividends', 'Stock Splits'], axis=1, inplace=True)
df_training["Volume"] = df_training["Volume"].astype(int)

# Технические индикаторы
df_training.ta.log_return(append=True, length=16)
df_training.ta.rsi(append=True, length=14)
df_training.ta.macd(append=True, fast=12, slow=26)

df_training.to_csv('training.csv', index=False)

# Загружаем данные для оценки
df_evaluation = yf_ticker.history(start=EVAL_START_DATE, end=EVAL_END_DATE, interval='60m')
df_evaluation.drop(['Dividends', 'Stock Splits'], axis=1, inplace=True)
df_evaluation["Volume"] = df_evaluation["Volume"].astype(int)

# Те же индикаторы для оценки
df_evaluation.ta.log_return(append=True, length=16)
df_evaluation.ta.rsi(append=True, length=14)
df_evaluation.ta.macd(append=True, fast=12, slow=26)

df_evaluation.to_csv('evaluation.csv', index=False)

Шаг 2: конфигурация
В конфиг-словарь кладём нужные параметры, включая имя CSV, который будем читать. (3 скрин)

Шаг 3: запуск через Ray
Инициализируем Ray, пробрасываем параметры и имя функции, создающей окружение (create_env из примера выше), и запускаем пайплайн. (4 скрин)

Дальше: Reward Agents
Reward Agents позволяют интегрировать систему вознаграждений, чтобы агент оптимизировал стратегию под конкретную метрику (например, прибыль). По сути, это даёт нормальный цикл RL-тюнинга под реальные цели. (5 скрин)

Какой следующий шаг, если хочется заняться этим по-серьёзке?

- разобраться с базой и посмотреть, как собирали свой хедж-фонд на Python

👉 @PythonPortal