작은 에이전틱 트레이딩 앱을 만들었습니다. 몇 시간과 실행당 약 $0.20 정도 들었습니다.

Source: Dev.to

왜 이 프로젝트를 시작했는가

제가 기사들을 보고 사람들 얘기를 들을 때 AI 에이전트, 오케스트레이션 프레임워크, 그리고 멀티‑에이전트 아키텍처에 대해, 제 첫 번째 직감은: 코드를 안다면 몇 줄, 몇 번의 API 호출, 그리고 LLM만 있으면 된다. 그게 전부다. 그게 당신의 에이전트다.

그 직감을 시험해 보고 싶어서, 제가 실제로 관심 있는 것과 섞어 보았다: 트레이딩.

원하는 워크플로

아이디어는 간단했습니다: 다음을 수행하는 앱

1. 내로부터 입력을 받음 (선택 사항).
2. 몇 개의 API를 호출하여 시장 데이터와 뉴스를 수집합니다.
3. 적절한 컨텍스트와 함께 모든 것을 LLM에 전송합니다.
4. 출력을 향후 실행을 위해 저장 (기본적인 메모리 형태).
5. 이메일 및 푸시 알림을 통해 결과를 전송합니다.

자동으로 주문을 체결하거나 취소하도록 하는 것이 불편합니다—아마 나중에 고려할 수 있겠지만. 현재는 단지 생각하게 하고 그 생각을 알려주길 원합니다.

앱이 실제로 하는 일

각 실행은 다음과 같은 구체적인 권고를 생성합니다:

• WAIT
• 특정 가격에 BUY (또는 NOW)
• 특정 가격에 SELL (또는 NOW)
• 기존 주문 수정 등.

‘시장이 상승세다’와 같은 막연한 말이 아니라, 이유가 첨부된 실행 가능한 다음 단계입니다. 최종 결정은 제가 내리지만, 모델이 모든 정보를 종합해 결정을 내리는 작업을 수행합니다.

구현 세부 사항

스택

핵심 흐름

flowchart TD
    A[Start (cronjob)] --> B[Gather user input / manual overrides]
    B --> C[Fetch broker data (positions, pending orders)]
    C --> D[Pull news via Tavily]
    D --> E[Build prompt (dynamic variables inserted)]
    E --> F[Call Claude (Opus) via LangChain]
    F --> G[Generate run summary + recommendation]
    G --> H[Save summary to file (memory)]
    G --> I[Send email (Gmail) & push (Home Assistant)]
    I --> J[End]

Why LangChain?

• Partly to learn it.
• Partly because I want to extend the solution later (e.g., route first‑pass queries to Sonnet, then upscale to Opus).
• It’s a convenient abstraction, not a strict requirement—everything could be done without it.

Dynamic User Prompt

The prompt contains several runtime‑filled variables:

• Current position
• Pending orders
• Historical orders

These are populated via plain REST calls to my broker—no fancy orchestration needed.

누락된 과거 가격 데이터

내 브로커는 API를 통해 과거 가격 데이터를 제공하지 않으며, 별도의 데이터 제공업체에 비용을 지불하고 싶지 않다.

현재 프롬프트는 가격 차트나 기술 지표에 크게 의존하지 않는다. 대신 다음에 의존한다:

• 뉴스
• 시장 논평
• 애널리스트 의견 (모두 Tavily를 통해 가져옴)

이렇게 하면 시스템이 단순하고 저렴해진다. 나중에 과거 데이터 소스를 추가할 예정이다.

로컬 오버라이드 모드

앱을 로컬에서 실행할 때(크론 작업이 아닐 때) 다음을 할 수 있습니다:

• 수동 뉴스 항목을 붙여넣기.
• 특정 악기 가격을 강제 지정하기(예: “가격을 X로 가정”).

이는 테스트와 “가정” 시나리오에 매우 유용합니다.

메모리 (런‑투‑런 컨텍스트)

• 전체 LLM 출력을 저장하지 않습니다.
• 시스템 프롬프트는 모델에게 **“런 요약”**을 생성하도록 요청합니다—이는 모델의 추론 및 권고를 압축한 버전입니다.
• 이 요약은 파일에 저장되고 다음 프롬프트에 삽입됩니다.

Result: 모델은 이전에 어떤 결론을 내렸는지, 어떤 권고를 했는지, 그리고 조건이 변했는지를 확인할 수 있습니다. 벡터 DB, 임베딩, 검색 파이프라인이 필요 없으며, 단순 텍스트 파일만 사용합니다.

알림

• 이메일: 내 개인 Gmail 계정으로 나에게 메시지를 보냅니다.
• 푸시: Home Assistant가 이미 내 전화로 푸시하는 방법을 알고 있으므로 API를 호출하기만 하면 됩니다.

두 경우 모두 내 환경에서 간단하고, 신뢰할 수 있으며, 이미 실행 중입니다.

비용

• LLM 사용량: 실행당 약 $0.20 (컨텍스트 수집, 뉴스 읽기, 추론 및 권고안 생성에 사용하는 Claude API).
• 뉴스 데이터: Tavily의 무료 Researcher 티어 (현재 월간 실행 횟수에 충분히 충분함).

실제 비용은 LLM뿐입니다. 전문 트레이더라면 (로컬 모델, 파인‑튜닝된 금융 모델, 지연 시간 문제 등) 더 최적화할 수 있겠지만, 저에게는 이것으로 충분합니다.

마무리 생각

• 일부 단계에 local model 사용.
• financial reasoning에 맞게 fine‑tuned된 모델 찾기.
• latency와 cost 최적화.

하지만 나에게 현재 설정은 repeatable, auditable, and inexpensive한 의사결정 지원 도구를 제공한다. 이 도구는 내가 정확히 필요로 하는 것을 수행한다: think, reason, and tell me what to do—내가 최종 권한을 유지하면서.

Fun and Learn

Disclaimer: This is a personal learning project. Nothing here should be taken as financial advice. As a non‑native English speaker, I used an LLM to review and refine the language while keeping my original tone and ideas.

End‑to‑End Sketch

1. Cronjob triggers the Docker container on K3s (Raspberry Pi 5).
2. Broker API calls fetch current positions, pending orders, and order history.
3. Tavily tool (via LangChain) fetches relevant market news.
4. Prompt assembly: all dynamic data (including the previous run’s output as memory) is injected into the user prompt.
5. Claude Sonnet processes the full context and produces a recommendation.
6. Output is saved to a file (used as memory for the next run).
7. Email + push notification sent to me with the recommendation.
8. Human‑in‑the‑loop: I decide whether to act on the model’s recommendation.

That’s eight steps. Most of them are just API calls and string concatenation. The “agentic” part is really step 5 – the LLM reasoning over structured context with tool access. Step 8 is simply a person looking at his phone over coffee.

Why (or why not) a Fancy Orchestration Framework?

The obvious question: For a developer who can write code, why exactly do you need a fancy orchestration framework to build something like this?

There’s a market for “no‑code” AI agents and visual pipelines, but if you do write code, the essential pieces are:

• An LLM API
• A few REST calls (broker, news, notifications, etc.)
• String templating for prompts
• A file system (for memory)
• A way to send notifications (email, push, etc.)
• A container runtime (optional, but convenient)
• Logging (if you need audit or debug data)

That’s it. That’s the agent.

I’m not saying LangChain is strictly necessary either. I used it because I wanted to learn it and because the tool abstraction is convenient for the Tavily integration. I could have done the same thing with raw API calls and a hundred lines of Python.

The orchestration is just code. It always was.

The value of an LLM agent lies in:

• Prompt design
• Context assembly
• Quality of the model’s reasoning

Everything else is plumbing, and developers have been building plumbing for decades.