Cómo utilizar LangChain con FXMacroData para el comercio de divisas

- ¿ Qué? es una opción práctica cuando un flujo de trabajo de negociación de divisas necesita un modelo para elegir herramientas, llamar a una API de datos macro, mantener el contexto pequeño y devolver una nota de investigación estructurada. calendarios de lanzamiento, el historial de anuncios, El valor de la moneda de referencia ¿ Qué ? El valor de las pérdidas contexto, El COT el posicionamiento, productos básicos, y Sesiones de divisas- ¿ Qué ?

La división útil es simple. LangChain es el arnés de agentes: modelo, herramientas, sistema de solicitud, salida estructurada, middleware y controles de contexto. FXMacroData es la fuente de datos para las filas de macro actuales, tiempos de liberación, tasas de cambio, COT, productos básicos y estado de sesión. El modelo debe explicar Indicador de precios de los Estados Unidos¿ Qué ? Pago de los trabajadores no agrícolas, o un Tasa de política de la Reserva Federal sólo después de que haya sacado pruebas nuevas.

Por qué LangChain se adapta a los flujos de trabajo de negociación de divisas

La documentación de LangChain enmarca a un agente como un modelo de herramientas de llamada en un bucle hasta que la tarea se complete.

La restricción financiera es el contexto. Si el modelo recibe demasiadas herramientas, instrucciones vagas o filas obsoletas, puede producir una respuesta fluida pero débil. La guía de ingeniería de contexto de LangChain es útil aquí: haga que el modelo vea las instrucciones correctas, las herramienta correctas y el formato de salida correcto para esta tarea.

Forma del flujo de trabajo

¿LangChain, LangGraph, REST o MCP? ¿Qué es lo que quieres?

Los requisitos previos

• Python 3.10 o más reciente.
• Un proveedor de modelo configurado para LangChain.
• Una clave de la API FXMacroData almacenada fuera de las solicitudes y registros.
• El langchain-mcp-adapters paquete si quieres MCP herramienta de carga.
• Un primer flujo de trabajo que sea de solo lectura y fácil de inspeccionar.

pip install -U langchain langchain-openai langchain-mcp-adapters requests
export OPENAI_API_KEY="YOUR_MODEL_PROVIDER_KEY"
export FXMD_API_KEY="YOUR_FXMACRODATA_API_KEY"

Utilice los puntos finales de producción FXMacroData y la autenticación de parámetros de consulta para ejemplos públicos:

curl "https://api.fxmacrodata.com/v1/calendar/usd?api_key=YOUR_API_KEY"
curl "https://api.fxmacrodata.com/v1/announcements/usd/inflation?api_key=YOUR_API_KEY"
curl "https://api.fxmacrodata.com/v1/forex/eur/usd?api_key=YOUR_API_KEY"
curl "https://api.fxmacrodata.com/v1/market_sessions?api_key=YOUR_API_KEY"

Step 1: Wrap FXMacroData REST

Comience con un pequeño ayudante HTTP. El modelo debe recibir pruebas y rutas de origen, no credenciales.

import os
import requests

API_ROOT = "https://api.fxmacrodata.com/v1"

def fxmd_get(path: str, **params) -> dict:
    params["api_key"] = os.environ["FXMD_API_KEY"]
    response = requests.get(f"{API_ROOT}{path}", params=params, timeout=20)
    response.raise_for_status()
    return {
        "source": f"/v1{path}",
        "payload": response.json(),
    }

No pegue la clave de API en las instrucciones, ejemplos, cuadernos o descripciones de herramientas.

Paso 2: Define las herramientas de LangChain

Las herramientas LangChain deben ser estrechas, escritas y documentadas. @tool Decorator, con pistas de tipo que definen el esquema de entrada y la docstring que ayuda al modelo a decidir cuándo llamar a la herramienta.

from typing import Literal
from langchain.tools import tool

Currency = Literal["usd", "eur", "gbp", "jpy", "aud", "cad", "chf", "nzd"]

@tool
def fxmacrodata_calendar(currency: Currency) -> dict:
    """Return scheduled macro releases for one currency."""
    return fxmd_get(f"/calendar/{currency}")

@tool
def fxmacrodata_announcement(currency: Currency, indicator: str) -> dict:
    """Return announcement history for an FX macro indicator."""
    return fxmd_get(f"/announcements/{currency}/{indicator}")

Añadir herramientas gradualmente. Un asistente de riesgo de liberación puede necesitar calendario, anuncio y herramienta FX. Una nota de posicionamiento puede necesitar herramientos COT y FX. Más herramientes no son automáticamente mejores.

Paso 3: Construye un agente de LangChain

¿ Cómo ? create_agent Cuando el modelo debe decidir qué herramienta llamar. pedir una salida estructurada para que el resultado sea fácil de validar y fácil para un comerciante para revisar.

from pydantic import BaseModel
from langchain.agents import create_agent

class FxBrief(BaseModel):
    facts: list[str]
    interpretation: str
    source_paths: list[str]
    missing_data: list[str]
    risk_state: str

agent = create_agent(
    model="openai:gpt-5.5",
    tools=[fxmacrodata_calendar, fxmacrodata_announcement],
    system_prompt="Use FXMacroData tools before writing current market claims.",
    response_format=FxBrief,
)

result = agent.invoke({"messages": [{"role": "user", "content": "Brief next USD release risk for EUR/USD."}]})
brief = result["structured_response"]

Ese contrato de salida importa, hace que el agente diga qué hechos usó, qué rutas proporcionaron la evidencia y dónde faltan los datos.

Paso 4: Mantenga el contexto breve

La guía de ingeniería de contexto de LangChain es especialmente importante para las finanzas. La mayoría de los fracasos de los agentes provienen de dar al modelo el contexto equivocado, no de la falta de un aviso inteligente.

Si el flujo de trabajo necesita un estado persistente, ramas de varios pasos o aprobación reanudable, utilice el flujos de trabajo existentes. LangGraph FXMacroData guía como el siguiente paso.

Paso 5: Cargar FXMacroData a través de MCP

Utilice MCP cuando un agente de LangChain debe cargar una superficie de herramienta alojada en lugar de mantener funciones de envoltura locales. MultiServerMCPClient cargar herramientas de servidores HTTP MCP y pasarlas a un agente LangChain.

from langchain.agents import create_agent
from langchain_mcp_adapters.client import MultiServerMCPClient

client = MultiServerMCPClient({
    "fxmacrodata": {
        "transport": "http",
        "url": "https://mcp.fxmacrodata.com?api_key=YOUR_API_KEY",
    }
})

tools = await client.get_tools()
agent = create_agent("openai:gpt-5.5", tools=tools)

Para la producción, prefiera filtrar o envolver las herramientas cargadas para que un agente de riesgo de liberación no vea todas las familias de datos posibles.

Paso 6: Añadir barreras de seguridad financieras

Un agente de LangChain puede redactar una investigación útil. No debe ser la autoridad final para el riesgo comercial. Mantenga la primera versión solo de lectura y revisable.

{
  "facts": ["Next confirmed USD event retrieved from /v1/calendar/usd"],
  "interpretation": "Release risk is concentrated before New York liquidity.",
  "source_paths": ["/v1/calendar/usd", "/v1/forex/eur/usd"],
  "missing_data": [],
  "risk_state": "human_review_required"
}

Preguntas frecuentes

¿Puede LangChain usar FXMacroData?

LangChain puede usar FXMacroData a través de herramientas REST directas que llaman https://api.fxmacrodata.com, o a través de herramientas MCP cargadas desde https://mcp.fxmacrodata.com con langchain-mcp-adapters- ¿ Qué ?

¿Debería usar LangChain o LangGraph?

LangChain se utiliza cuando el flujo de trabajo es principalmente un agente que elige entre un pequeño conjunto de herramientas.

¿Debería LangChain usar REST o MCP con FXMacroData?

Utilice REST cuando su aplicación posee credenciales, almacenamiento en caché, validación, intentos de reutilización y registros.

¿Puede un agente de comercio LangChain FX realizar operaciones automáticamente?

Este artículo describe la investigación de solo lectura y el apoyo a la decisión revisable.

Guías de FXMacroData relacionadas

• Documentación de la API de FXMacroData
• Documentación del servidor MCP de FXMacroData
• Construir LangGraph FX Macro Agents con FXMacroData
• Cómo utilizar OpenAI Agents SDK con FXMacroData para el comercio de divisas
• Cómo usar Haystack con FXMacroData

Fuentes y referencias

• Documentación de los agentes de LangChain
• Documentación de las herramientas de LangChain
• Documentación de ingeniería de contexto de LangChain
• Documentación de la MCP de LangChain
• Documentación de la API de FXMacroData
• Documentación de la MCP de FXMacroData
• Esquema de producción de FXMacroData y OpenAPI