Об этом проекте

AskNews Python SDK — это клиентская библиотека для API AskNews, предназначенная для бесшовной интеграции данных реальных новостей в рабочие процессы больших языковых моделей (LLM). SDK поддерживает Python версий с 3.8 по 3.13 и устанавливается через pip. Основное ценностное предложение — простота: один вызов `ask.news.search_news(query).as_string` возвращает строку, оптимизированную для промптов, готовую для передачи в любую LLM, что устраняет необходимость в пользовательской логике получения и форматирования новостей. Помимо базового поиска новостей, SDK предоставляет широкий набор конечных точек API: - **/stories**: Отслеживание событий высокого уровня с современной кластеризацией статей, позволяющее системам следить за развивающимися новостными сюжетами. - **/forecasts**: Прогнозирование на любом реальном событии, полезное для предиктивной аналитики в финансовом или политическом контексте. - **/analytics**: Временные ряды по финансам и политике, подходящие для дашбордов и анализа трендов. - **/deepnews**: Агент глубокого исследования, который изучает граф новостных знаний, X (Twitter), Reddit, Google, Wikipedia и другие источники для построения прогнозов, отчетов и аналитики по запросу. - **/graph**: Доступ к крупнейшему доступному графу новостных знаний, позволяющий создавать пользовательские графовые запросы для связей сущностей и соединений событий. - **/websearch**: Веб-поиск с дистиллированными LLM сводками релевантных страниц, предоставляющий краткие и контекстно-зависимые результаты. SDK инициализируется с API-ключом и опциональными областями (news, chat, stories, analytics), что дает разработчикам точный контроль над тем, какие возможности может использовать их приложение. Полная документация API доступна на docs.asknews.app, а проект поддерживает сообщество Discord для поддержки и сотрудничества. Этот инструмент особенно ценен для разработчиков, создающих системы RAG (Retrieval-Augmented Generation), новостных чат-ботов, платформ финансового анализа или любых приложений, требующих актуальных и структурированных новостных данных в качестве контекста для вывода LLM.