Masukkan Tim R&I Investment Bank ke dalam AI: Cara Menggunakan TradingAgents untuk Jana Pendapatan

Masalah: Satu Agent Tidak Cukup untuk Keputusan Rumit

Anda yang pernah menggunakan GPT atau Claude untuk analisis investasi tahu betapa frustrasinya: meminta satu model menilai aspek fundamental, sentimen, dan teknikal sekaligus sering menghasilkan jawaban “netral” atau logika yang putus. Ini bukan masalah kecerdasan model, tetapi struktur. Di dunia investasi nyata, proses keputusan adalah kerja tim: seorang analisis menangani laporan keuangan, seorang ahli sentimen memantau media sosial, seorang teknikal melihat grafik, seorang risk manager menetapkan batas kerugian. Memaksa satu AI menjalankan semua peranan menghasilkan output yang tidak tepat.

TradingAgents memecahkan ini dengan memecah aliran kerja menjadi tujuan Agent yang berasingan: analisis fundamental, analisis sentimen, analisis berita, analisis teknikal, penyelidik (panjang/short), eksekutor, dan pengelola risiko. Setiap Agent beroperasi secara independen, berdebat, lalu menyatukan keputusan akhir.

Peluang: Bukan Alat Ramalan Saham, Ini “Sandbox” Kerja Sama AI

Reaksi pertama banyak orang: “Gunakan ini untuk main saham.” Salah. Ini bukan ramalan, ia adalah rangka kerja sumber terbuka yang boleh diubah untuk mensimulasikan sistem keputusan kompleks.

• Freelancer AI boleh meniru arsitektur multi-Agent ini untuk menawarkan perkhidmatan khusus.
• Pencipta kandungan boleh mengekstrak cara AI “berpikir” dan menjadikannya bahan kursus.
• Pengembang produk boleh fork rangka ini dan membina SaaS vertikal untuk industri tertentu.

Di GitHub, TradingAgents merupakan salah satu projek multi-Agent yang paling banyak dibincangkan (angka star berkisar 56k–98.9k, mengikut sumber). Struktur kodnya jelas, dokumentasinya lengkap, dan komunity aktif – ideal bagi mereka yang ingin menyinggung dasar-dasar kerja sama AI.

Tiga Jalan Pendapatan

1. Perkhidmatan: Bina “Kit Keputusan Agent” untuk Industri

Arsitekod TradingAgents bersifat modular: lapisan analisis, lapisan penyelidik (debat panjang/short), lapisan eksekutor, dan lapisan risiko. Setiap lapisan adalah Agent yang boleh ditukar.

Cara kerja: gantikan konteks “analisis investasi” dengan skenario keputusan lain.

• Pemilihan produk e-commerce – Satu Agent menilai data penjualan (mis. API Shopee), satu lagi memantau harga pesaing, satu lagi menilai risiko rantai pasokan, lalu mereka berdebat samaada suatu produk layak didaftarkan. Anda hanya perlu ubah system prompt di analyst.py, tukar sumber data ke Shopee/Lazada API, dan gantikan indikator teknikal seperti MACD dengan laju pertumbuhan penjualan.
• Pemilihan topik konten – Satu Agent menyiasati algoritma platform (TikTok/YouTube), satu lagi meny kaji emosi pengguna, satu lagi menguak pola konten viral, lalu mereka memutuskan samaada topik tersebut layak diangkat. Ganti sumber berita dengan TikTok Analytics atau Social Blade, dan tukar variabel “laba bersih” menjadi “tahap penonton” atau “kadar interaksi”.
• Penilaian calon kerja – Satu Agent menilai kecocokan resume, satu lagi menilai prestasi temuduga, satu lagi menilai risiko kesesuaian tim, lalu mereka memutuskan samaada menawarkan pekerjaan. Tukar endpoint data saham dengan API pem parsing resume (mis. Hiration atau LinkedIn), dan ubah logika risk Agent dari “stop‑loss” menjadi ramalan lulus masa uji coba.

Saya lebih stabil menggunakan Claude untuk inferens; GPT-4o kadang menghasilkan output yang tidak konsisten. n8n lebih mudah dipelajari daripada Make, tetapi lebih kosong. Pelanggan biasa tertarik bila mereka mendengar “7 AI berselisih untuk membuat keputusan” – harga boleh ditambah dua kali lipat.

Ancor harga (tergantung budget klien):

• Paket khas satu skenario: RM5,000–RM13,000 (setara dengan ¥8,000–¥20,000 atau USD 700–USD 1,800).
• Paket industri yang boleh digunakan lagi: RM19,000 ke atas (setara dengan ¥30,000+ atau USD 2,600+).

2. Kandungan: Jual Cara AI “Berpikir”

Apabila TradingAgents berjalan, ia menghasilkan rekod lengkap debat: apa yang dikatakan penyelidik panjang, bagaimana penyelidik short membantahnya, dan logika mana yang dipilih eksekutor. Rekod ini adalah bahan langka.

Di Pinterest atau TikTok, buat akaun “Catatan Keputusan AI”. Setiap hari, jalankan satu saham (atau produk), ambil skrin rekod debat, dan naikkan sebagai video pendek. Gunakan tajuk yang menyorot konflik: “Claude bullish vs GPT bearish pada Samsung – beli atau jangan?” – jenis konten ini biasanya mempunyai kadar tontonan tinggi.

⚠️ Peringatan Keselamatan: Menyahutkan cadangan saham tertentu boleh melanggar garis panduan platform dan mengakibatkan akaun dibatasi atau ditangkap. Untuk selamat, hanya perlihatkan proses debat, jangan beri nasihat beli/jual, dan ganti tajuk dengan cara AI “berdebat” bukannya “patutkah beli”.

Variasi lanjut: susun rekod debat mingguan menjadi “Laporan Keputusan AI” dan jual di Carousell atau dalam komuniti berbayar (mis. Knowledge Star) dengan harga RM99–RM299 per tahun. Sasaran pengguna: pemula yang ingin belajar kaedah keputusan tanpa perlu beli laporan bank mahal, tetapi bersedia membayar untuk “hasil sampingan” simulasi tim investasi AI.

Faedah tersembunyi: data debat boleh digunakan untuk melatih “Second Brain” peribadi. Simpan contoh ketika AI menukar pendirian, kemudian rujuk kembali bila anda perlu membuat keputusan serupa di masa depan.

3. Produk: SaaS Vertikal untuk Industri Tertentu

TradingAgents adalah sumber terbuka, tetapi sumber data dan prompt yang spesifik untuk industri adalah yang menukar hal menjadi rintangan bagi pesaing.

Contoh e-commerce: ubah rangka menjadi “Kit Analisis Produk”. Sambungkan ke API Shopee, Lazada, dan TikTok Shop, tulis semula prompt untuk konteks pemilihan produk, dan tawarkan langganan bulanan kepada penjual yang ingin setiap hari menerima sepuluh idea produk berpotensi viral. Anggaran nilai: RM500–RM2,000 per bulan (setara dengan langganan Shopee Premium yang biasanya RM999/tahun, sehingga ini menawarkan premium 6x).

Senarai teknologi menurut tahap:

• MVP – Streamlit + modul inti TradingAgents + satu kunci API. Boleh siap dalam tiga hari.
• Tahap lanjut – Ganti papan muka dengan Next.js, backend dengan FastAPI, dan atur Agent menggunakan LangGraph atau CrewAI sebagai alur kerja.
• Skala besar – Deploy di Railway atau Vercel, sambungkan sumber data khusus industri melalui API.

Mula dengan SEO dan iklan berbayar di Pinterest; sasarkan kata kunci seperti “alat pemilihan produk AI” atau “asisten penyelidikan AI”. Dapatkan pengguna awal dari komunitas e-commerce di Facebook Group atau grup Telegram yang berfokus pada dropshipping dan penjualan online.

Kiraan Kos: Jangan Biarkan Bayaran API Makan Marjin

Menjalankan tujuan Agent secara berurutan menggunakan GPT-4o mengkonsumsi sekitar 15k–30k token per putaran, yang setara dengan RM3–RM10 (kiraan ¥5–¥15 atau USD 0.70–USD 2.50). Jika pelanggan menjalankan satu kali sehari, kos API bulanan RM90–RM300. Dengan harga langganan RM500–RM2,000 per bulan, marjin kasar tetap berada di kisaran 60%–70%.

Cara mengurangkan kos:

• Ganti Agent non‑inti (sentimen, berita) dengan GPT-4o-mini atau model Llama tempatan – kos per putaran boleh diturunkan kepada RM0.30–RM1.00.
• Simpan Agent penyelidik (debat panjang/short) pada model premium kerana ia inti untuk keputusan akhir.

Contoh Nyata: Bagaimana Keputusan Terlihat?

Sumber menyatakan bahawa TradingAgents menyokong ujian kembali dan perdagangan kertas (belum disahkan secara independen). Anggap anda menjalankannya untuk Tesla:

1. Analisis Fundamental – Mengambil laporan terkini, menghasilkan “pendapatan naik 15% tahun demi tahun, margin kasar pulih”.
2. Analisis Sentimen – Menyias Twitter dan Reddit, menghasilkan “