Cómo utilizar LlamaIndex con FXMacroData: RAG, Agentes, REST y MCP

LlamaIndex es útil cuando un asistente de macro FX necesita recuperación, evidencia indexada, llamadas de herramientas y flujos de trabajo de agentes en lugar de un único modelo de solicitud. calendarios de lanzamiento, el historial de anuncios, El valor de la moneda de referencia contexto, El COT el posicionamiento, productos básicos, y Sesión de divisas datos.

El límite importante es simple. LlamaIndex puede indexar documentos, recuperar el contexto relevante, exponer herramientas a agentes y coordinar flujos de trabajo escritos. FXMacroData aún debe responder "qué se imprimió, cuándo se imprimía, cuál fue el valor anterior y qué viene después?" Indicador de precios de los Estados Unidos¿ Qué ? Pago de los trabajadores no agrícolas, o un Tasa de política de la Reserva Federal configuración, pero las filas de origen deben venir de FXMacroData primero.

Por qué LlamaIndex encaja en FX Macro RAG

LlamaIndex está construido en torno a la generación aumentada de búsqueda, índices, motores de consulta, herramientas, agentes y flujos de trabajo. Su documentación describe RAG como carga e indexación de datos externos, recuperación de contexto relevante para una consulta del usuario, y luego envío de ese contexto a un LLM para la generacion de respuesta.

La división práctica es dejar que FXMacroData posea los hechos del mercado y dejar que LlamaIndex posea la recuperación, la orquestación de herramientas y la síntesis de respuestas.

REST, índice, agente o MCP: qué ruta utilizar

No empieces exponiendo todas las herramientas posibles a un agente, comienza con el camino más pequeño controlado que coincida con el trabajo.

Los requisitos previos

Necesitas un entorno Python, un proveedor de modelos soportado por LlamaIndex, una clave de API FXMacroData y un alcance de solo lectura claro para el primer flujo de trabajo.

pip install llama-index requests
pip install llama-index-tools-mcp

Si está construyendo un flujo de trabajo con vector, también elija un almacén de vectores.

Paso 1: Primero, obtenga la evidencia de FXMacroData

Qué hacer: Para un flujo de trabajo de inflación en USD, recopile el calendario de lanzamiento, las filas históricas y el contexto del par.

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"

Envuelva las llamadas en el lado del servidor.

import requests

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

def fxmd_get(path: str, api_key: str) -> dict:
    response = requests.get(
        f"{API_ROOT}/{path}",
        params={"api_key": api_key},
        timeout=10,
    )
    response.raise_for_status()
    return response.json()

Por qué es importante: LlamaIndex puede mejorar la recuperación y el enrutamiento de agentes, pero no debe convertirse en el único registro de los valores de macro actuales.

Paso 2: Haga un pequeño índice de pruebas

Qué hacer: La documentación VectorStoreIndex de LlamaIndex explica que las tiendas vectoriales son un componente clave de RAG y pueden construir índices a partir de documentos o nodos definidos manualmente.

from llama_index.core import Document, VectorStoreIndex

def evidence_documents(rows: list[dict]) -> list[Document]:
    return [
        Document(
            text=f"{row['date']} {row['indicator']} {row['actual']}",
            metadata={
                "currency": row["currency"],
                "indicator": row["indicator"],
                "source": "FXMacroData",
            },
        )
        for row in rows
    ]

index = VectorStoreIndex.from_documents(evidence_documents(rows))
query_engine = index.as_query_engine()

Mantenga el índice alineado con la frescura de los datos.

Paso 3: Añadir herramientas de agente de solo lectura

Qué hacer: expone las envolturas FXMacroData estrechas como herramientas de LlamaIndex. FunctionTool como una envoltura alrededor de las funciones existentes y QueryEngineTool como una forma de convertir un motor de búsqueda en una herramienta.

from llama_index.core.agent.workflow import FunctionAgent
from llama_index.core.tools import FunctionTool
from llama_index.llms.openai import OpenAI

def get_usd_calendar() -> dict:
    """Fetch upcoming USD macro events from FXMacroData."""
    return fxmd_get("calendar/usd", api_key=FXMD_API_KEY)

calendar_tool = FunctionTool.from_defaults(
    get_usd_calendar,
    name="get_usd_calendar",
)

agent = FunctionAgent(
    tools=[calendar_tool],
    llm=OpenAI(model="gpt-5-mini"),
    system_prompt="Use FXMacroData evidence before writing.",
)

Mantenga las descripciones de las herramientas claras y estrechas. El agente debe saber exactamente lo que puede solicitar y no debe recibir herramienta de trading o cuenta con capacidad de escritura en la primera versión.

from llama_index.core.tools import QueryEngineTool

macro_search_tool = QueryEngineTool.from_defaults(
    query_engine,
    name="search_macro_evidence",
    description="Search indexed FXMacroData evidence by topic.",
)

agent = FunctionAgent(
    tools=[calendar_tool, macro_search_tool],
    llm=OpenAI(model="gpt-5-mini"),
)

Paso 4: Utilice las herramientas MCP de FXMacroData

Qué hacer: Use MCP cuando quiera que LlamaIndex consuma herramientas de un servidor de herramienta alojado. llama-index-tools-mcp, incluyendo la conversión de un servidor MCP en definiciones de herramientas LlamaIndex y pasar esas herramienta a un FunctionAgentSu cliente MCP admite SSE, HTTP streaming y transporte de procesos locales, por lo que la URL de FXMacroData MCP alojada se ajusta a la ruta HTTP streaming.

from llama_index.tools.mcp import BasicMCPClient, McpToolSpec

mcp_client = BasicMCPClient(
    "https://mcp.fxmacrodata.com?api_key=YOUR_API_KEY"
)

mcp_tool_spec = McpToolSpec(client=mcp_client)
tools = await mcp_tool_spec.to_tool_list_async()

Luego pasa esas herramientas al agente:

agent = FunctionAgent(
    tools=tools,
    llm=OpenAI(model="gpt-5-mini"),
    system_prompt=(
        "Use FXMacroData tools for macro facts. "
        "Separate evidence from interpretation."
    ),
)

response = await agent.run(
    "Summarize USD CPI risk for EUR/USD using current data."
)

Si el host configura MCP directamente, use la URL del servidor MCP de FXMacroData:

{
  "servers": {
    "FXMacroData": {
      "type": "http",
      "url": "https://mcp.fxmacrodata.com"
    }
  }
}

Utilice MCP para la búsqueda de herramientas e integraciones a nivel de host. Utilice envoltorios REST directos cuando su aplicación necesite un control estricto sobre las credenciales, la validación de solicitudes, las reintentas y los registros.

Paso 5: Añadir barreras de seguridad de flujo de trabajo y salida

Los flujos de trabajo LlamaIndex son útiles cuando el proceso necesita pasos escritos, validación, eventos de transmisión o estado compartido por ejecución.

Required output:
1. FXMacroData evidence used
2. Release dates and values
3. Interpretation
4. Data gaps or stale-data warnings
5. No broker action or trade execution

El patrón de producción más seguro es "sólo investigación". El agente puede recuperar, buscar y escribir una nota analítica. Un ser humano o sistema separado puede decidir qué hacer con esa nota.

Preguntas frecuentes

¿Puede LlamaIndex usar FXMacroData?

Sí. Utilice envolturas REST, documentos FXMacroData indexados o herramientas FXMacrodata MCP. El modelo debe responder sobre la evidencia obtenida en lugar de inventar valores de macro recientes.

¿Debería LlamaIndex reemplazar una fuente de datos de macro?

No. LlamaIndex es la capa de recuperación, indexación y agente. FXMacroData debe seguir siendo la fuente para las filas de lanzamiento, calendarios, contexto FX, COT, productos básicos y marcas de tiempo.

¿Debería usar REST o MCP con LlamaIndex?

Utilice REST cuando su aplicación posee credenciales, política de caché, validación y registros. https://mcp.fxmacrodata.com- ¿ Qué ?

¿Debería indexar todos los extremos de FXMacroData?

No. Comience con los datos necesarios para un flujo de trabajo. Indexar un corpus pequeño y actualizado es generalmente más seguro que indexar una instantánea amplia y obsoleta.

Fuentes y referencias

• Documentación del marco LlamaIndex
• LlamaIndex Introducción a las directrices de gestión de la salud
• LlamaIndex VectorGuía de la tienda de índices
• Guía de agentes de LlamaIndex
• Guía de herramientas LlamaIndex
• Documentación de flujos de trabajo de LlamaIndex
• Utilizando herramientas MCP con LlamaIndex
• Documentación de la API de FXMacroData
• Documentación de la MCP de FXMacroData
• Esquema de producción de FXMacroData y OpenAPI