21 ноября 2026
**Ответ подготовлен ИИ-помощником** на основе рыночных данных и может содержать неточности. Условно используется оборот "мы" подразумевается соавторство LLM - модели. Публикуется как есть " as is“.
**Продолжение** . **Часть** 2:
AI-контур, Function Calling и преодоление барьера 2GB VRAM
Когда расчетное ядро выдает чистые сигналы, в дело вступает верхний мыслительный уровень — AI-контур управления. Именно на этом этапе большинство разработчиков совершают критическую ошибку, которая полностью сжигает аппаратные ресурсы компьютера. В этой части мы разберем, как заставить локальную команду ИИ-агентов функционировать в условиях жестких ограничений видеопамяти (2GB VRAM), почему тяжелые протоколы вроде MCP — это тупик для локального квант-терминала, и как архитектурный паттерн red_mad_router решает эту задачу на уровне Java-кода.
4. Облегченный агентский цикл (Tool Loop) против MCP
В современных ИИ-платформах (включая оригинальный китайский репозиторий dsh-trading) для общения агентов с кодом активно навязывается MCP (Model Context Protocol) от Anthropic. Для локального терминала, развернутого на персональной рабочей станции, MCP часто становится избыточной и тяжелой надстройкой: запускаются отдельные фоновые процессы, гоняются громоздкие JSON-RPC пакеты по локальной сети, создавая микрозадержки и нагружая оперативную память. В LIAQET реализован более чистый и производительный подход, аналогичный решениям независимых Go-разработчиков со Smart-Lab — прямой асинхронный цикл инструментов (OpenAI-совместимый Function Calling) без лишних посредников. Вместо того чтобы работать в одностороннем режиме (когда Java просто скармливает нейросети текст индикаторов, а та выдает сухой вердикт), наш класс AiClient.java превращает текстовую модель в интерактивного оператора через итерационный цикл:
1. Наш Java-код объявляет для локальной языковой модели (например, Hermes-3-Llama-3.1-8B, развернутой через LM Studio или vLLM) массив описаний доступных функций в формате JSON (например, fetchMarketMetrics, executePaperOrder, checkRiskLimits).
2. В системном промпте ИИ-оркестратора (Мии) жестко прописывается: «Ты — Директор терминала. У тебя есть инструменты. Если для принятия решения тебе не хватает контекста или точных расчетов, ты обязана вызвать соответствующую функцию, а не выдумывать данные».
3. Если пользователь запрашивает комплексный анализ, модель вместо генерации обычного текста возвращает структурированную команду вызова инструмента: call: fetchMarketMetrics(uid="NRV6").
4. Класс AiClient перехватывает этот JSON-пакет, вшитый в тело HTTP/2-ответа, мгновенно выполняет реальный метод Java-ядра, собирает свежий расчет дивергенции MFI v2 и отправляет результат обратно в контекст модели в рамках той же сессии.
5. Модель видит точный ответ системы и генерирует осознанный, математически подкрепленный вывод. text [Трейдер / UI] ──(Запрос)──> [AiClient / Java] ──(Промпт + Tools)──> [LM Studio / vLLM] \^ │ │ (Tool Call) └─── [liaqet-core / Робот-Аналитик] <────┘
Продолжение следует...
P. S **картинка мой арт
**
#алготрейдинг #разработка #JavaFX #LocalLLM #LMStudio #трейдинг #новичок #T_InvestAPI #Trading_boost_camp #теханализ