At besvare et reelt spørgsmål om en virksomhed kræver, at man læser regnskaber, nøgletal og indberetninger på én gang, hvilket er mere, end én gennemgang kan rumme. Dette crew fordeler analysen.
At besvare et reelt spørgsmål om en virksomhed kræver, at man læser regnskaber, nøgletal og indberetninger på én gang, hvilket er mere, end én gennemgang kan rumme. Dette crew fordeler analysen.
Den ledende agent fordeler spørgsmålet mellem specialister i finanser, værdiansættelse og risiko, som henter tallene parallelt og derefter afstemmer deres vurderinger. Du får et svar funderet i de faktiske tal med de tilhørende forbehold, ikke en mavefornemmelse om aktien.
Sådan kører den
Used at step 01 to kick off the pipeline.
Write
Used at step 01 to kick off the pipeline.
WebFetch
Used at step 01 to kick off the pipeline.
WebSearch
Used at step 01 to kick off the pipeline.
Specialisterne henter regnskaber, nøgletal og nylige indberetninger til deres respektive vinkel parallelt.
pending
Hver agent rapporterer sine fund med de tal og kilder, der er brugt, så intet påstås uden belæg.
pending
Lead-agenten forener synspunkterne til ét svar, der redegør for de underliggende tal og forbehold.
pending
Eksempel på output
json
// Sample output
// (generated when the pipeline finishes)
As the lead agent, decompose a fundamental-analysis question into financials, valuation, and risk sub-agents running in parallel, then return an answer citing the figures and noting it is not investment advice.
Unlock the rest
The full agent definition, install snippet, and starter task are gated for community members.
Members get the full `.md` agent file, the npm / pnpm install one-liners, a starter prompt that we've tuned against real runs, and the open-source repo when this automation ships there. One email, magic link, done.