Investment Agent. ब्रोकरेज को फीस देकर AI निवेश मत इस्तेमाल करें, open source साझा करें और खुद बनाएं (या कम से कम कुछ तो ऐसा करें)

स्टैक, इन्फ्रा, और तकनीकी चीज़ों में दिलचस्पी हो तो GitHub देख सकते हैं, इसलिए उसे छोड़ते हैं.
आजकल investment agents बहुत हैं, इसलिए इस प्रोजेक्ट में खास तौर पर क्या अलग है, उसके कुछ बिंदु अलग से बता रहा हूँ.

1. अकाउंट मैनेजमेंट को event sourcing से implement किया गया है, ताकि हर चीज़ को reproduce और verify किया जा सके, और batch चलने से पहले event-based validation के बाद ही यह चलता है.

2. कई agent nodes से होकर निकले फैसले की बजाय, एक single agent tools और memory का उपयोग करके खुद फैसला करता है.

3. अगर कई agents रखे जाएँ, तो final trade से पहले वे अपने-अपने फैसले एक-दूसरे के साथ साझा करते हैं. और trade के बाद उपयोगकर्ता को मज़ेदार bulletin board posts भी देते हैं.

4. agent द्वारा इस्तेमाल किए जाने वाले API-provided tools के अलावा, BigQuery में 4 ML models के ज़रिए stacking आदि के लिए self-built tools समेत लगभग 20 tools दिए गए हैं.

5. memory पर काफ़ी ध्यान दिया गया है. मूल रूप से vector DB और BigQuery raw से सब कुछ लाया जाता है, और memory को 3 stages में बाँटा गया है ताकि importance के हिसाब से उसे अलग-अलग अवधि तक रखा जाए, साथ ही exponential forgetting curve भी सेट की गई है. और memory को graph के रूप में बनाया गया है ताकि किसी खास memory से जुड़ी memories एक साथ निकलकर आएँ, और ontology-based validation से verified चीज़ें ही semantic memory के रूप में रहें. batch शुरू होने पर कुछ memory initial context में inject की जाती है, और जब agent tool calling behavior करता है तो संबंधित ticker के आधार पर tool response के साथ memory भी जुड़कर निकलती है, ताकि memory mechanism को जितना हो सके उतना 'मानव' जैसा बनाया जा सके.
   ex :
   उदाहरण) अगर किसी cycle में AAPL को earnings से ठीक पहले RSI overbought स्थिति में खरीदा गया हो और नुकसान हुआ हो:

3-stage storage: loss + high importance होने पर इसे episodic (mid-term memory) में रखा जाता है. अगर मिलता-जुलता pattern (earnings से पहले - RSI overbought→loss) बार-बार दोहराया जाए, तो इसे semantic (long-term lesson) में promote किया जाता है
forgetting curve: सामान्य trades में 2 हफ्ते बाद weight अपने-आप कम हो जाता है, जबकि बड़े profit/loss या बार-बार retrieve की गई memory धीरे-धीरे भूलती है
graph connection: अगली बार AAPL पर फैसला करते समय सिर्फ यही memory अलग से नहीं निकलती, बल्कि उससे जुड़ी "China supply chain concerns", "semiconductor sector weakness" जैसी memories भी साथ में निकलती हैं
ontology validation: AAPL --risk_to--> China supply chain जैसी structured relationships ही meaningful memory के रूप में बचती हैं. "AAPL थोड़ा अस्थिर लग रहा है" जैसी अस्पष्ट या बिना आधार वाली चीज़ें हटा दी जाती हैं
अलग se जुड़े 2 और agents भी हैं, एक news search के लिए, और एक ऐसा जो batch के बाद investment agent ने क्या किया उसका सार बनाकर memory में डालता है.

6. UI में लगभग सब कुछ देखा जा सकता है और customize किया जा सकता है. tool codebase तक भी (हालाँकि वह GitHub पर है, लेकिन सुविधा के लिए), LLM को inject किए जाने वाले सभी prompts, tool results आदि. customization में model-related settings तो हैं ही, साथ में risk management, prompts (investment style, bulletin board post style वगैरह को स्वतंत्र रूप से तय करना), कौन-से tools इस्तेमाल करने हैं (अगर दिए गए tools पसंद न हों तो खुद tool बनाकर MCP पर चलाकर जोड़ सकते हैं), memory management (ऊपर की पूरी memory system को customize किया जा सकता है) आदि, यानी अपना खुद का investment agent design किया जा सकता है.

7. returns. US market में अभी अफ़सोस की बात है कि market returns से कम है, लेकिन यह शुरुआती चरण है इसलिए थोड़ा और देखना होगा, और Korea market showcase में नहीं है, लेकिन लगभग market returns के बराबर है.

जो भी हो, अब investment भी आखिरकार धीरे-धीरे agents की तरफ जाएगा. अहम बात यह है कि किसी और का agent इस्तेमाल करके fees देनी हैं, या अपना खुद का agent बनाकर fees बचानी हैं. open source में इसे public करने का मकसद यही है कि brokerage को trading/agent fees तक देने के बजाय लोग खुद इसे विकसित करें और बनाएं.