摘要
AI Agent 正在从简单问答走向自动执行任务。放到股票研究场景里，很多人希望 Agent 能够自动读取行情、整理板块、分析资金流并生成复盘报告。但实际工程落地时，最容易被低估的不是模型能力，而是数据工具层。本文从架构角度讨论，为什么 Agent 接入股票数据时，不应该只依赖网页搜索，而应该把数据拆成可调用、可复用、边界清楚的工具。
前言
很多 Agent 应用刚开始都会走一条简单路线：
用户提问
-> Agent 搜索网页
-> Agent 阅读网页
-> Agent 总结答案
这个方式适合轻量问答，但不适合稳定的股票研究工作流。
如果用户每天都要问：
今天市场情绪怎么样？
涨停梯队有哪些变化？
资金流向哪个方向？
哪些题材有连续性？
明天需要观察什么？
这时系统就不能只依赖搜索结果，而应该有一个清晰的数据工具层。
一、Agent 需要的是工具，不只是文本
大模型擅长理解和归纳，但它并不天然知道今天的市场数据。
如果把网页片段直接丢给模型，它需要同时完成几件事：
- 判断网页内容是否可靠
- 从页面里提取有效字段
- 过滤广告、导航和无关信息
- 处理表格、分页和异步加载
- 再进行归纳总结
这会让任务变得不稳定。
更合理的做法是把数据处理前置，让 Agent 调用工具获取结构化结果。
例如：
查询市场概览
查询涨停梯队
查询题材热度
查询资金流向
查询个股 K 线
查询龙虎榜
生成复盘报告
这样 Agent 的职责就更清楚：它不是负责从网页里“扒数据”，而是负责组织工具调用和归纳结论。
二、股票研究数据层应该具备哪些特征
1. 字段口径清楚
股票研究里有很多看似简单、实际容易混淆的字段。
例如：
- 涨停数量
- 炸板数量
- 连板高度
- 首板数量
- 成交额
- 板块涨跌幅
- 主力净流入
- 龙虎榜买卖席位
如果字段口径不清楚，Agent 输出的结论就很难稳定。
2. 查询参数明确
数据工具应该清楚说明需要什么参数。
例如：
- 股票代码
- 交易日期
- 时间周期
- 概念名称
- 排序方式
- 返回数量
参数越清楚，Agent 越容易正确调用。
3. 返回结构稳定
返回结果最好是结构化数据，而不是一整段自然语言。
结构化数据更适合：
- 排序
- 筛选
- 对比
- 聚合
- 多步推理
- 生成表格和报告
这也是为什么 Agent 工作流里，数据工具层比单纯网页搜索更重要。
4. 权限和边界明确
股票类 Agent 还需要特别注意边界。
比较稳妥的定位是：
- 只做数据查询
- 只做研究辅助
- 不执行交易
- 不承诺收益
- 不直接生成买卖指令
这能避免工具被误用成自动交易系统。
三、REST API 和 MCP 的区别
REST API 很适合程序员直接写代码调用。
例如：
GET /market/overview
GET /stock/kline?code=...
GET /theme/ranking
但 Agent 场景还有一个额外问题：模型需要知道“有哪些工具可以用、每个工具怎么用”。
MCP 的价值就在这里。
它可以让 Agent：
- 发现工具列表
- 理解工具描述
- 读取参数 schema
- 按任务选择工具
- 获取结构化返回
因此，MCP 更像是给 Agent 使用的数据工具说明书，而不只是一个接口入口。
四、一个股票研究 Agent 的数据层拆法
可以把数据工具按任务拆成几类。
1. 市场层
用于判断整体环境。
- 指数表现
- 上涨家数
- 下跌家数
- 成交额
- 市场宽度
2. 短线情绪层
用于判断短线强弱。
- 涨停数量
- 跌停数量
- 炸板数量
- 连板高度
- 涨停梯队
3. 题材层
用于判断主线方向。
- 热门题材
- 概念排行
- 板块轮动
- 成分股表现
4. 个股层
用于补充个股上下文。
- K 线
- 分时
- 估值
- 基本面
- 资金流
- 龙虎榜
5. 工作流层
用于把多个工具组合成完整任务。
- 盘后复盘
- 题材研究
- 个股研究
- 条件筛选
- 观察清单整理
拆成这些层之后，Agent 的执行路径会更清晰。
五、一个示例执行流程
用户输入：
请帮我复盘今天 A股短线情绪，重点看涨停梯队、主线题材和资金方向。
Agent 可以按下面顺序执行：
1. 查询市场概览
2. 查询涨停梯队
3. 查询题材热度
4. 查询资金流向
5. 查询核心个股上下文
6. 生成结构化复盘
输出可以固定为：
市场情绪：
短线梯队：
题材方向：
资金表现：
核心标的：
风险信号：
明日观察：
这个流程的关键是：每一步都有数据来源，而不是让模型直接凭搜索摘要生成结论。
六、为什么这对长期任务更重要
如果只是偶尔问一次，网页搜索也许够用。
但长期任务会遇到更多问题：
- 每天自动运行
- 多个 Agent 并行
- 多次调用同一类数据
- 需要固定输出格式
- 需要留存历史结果
- 需要追踪字段变化
这时数据工具层的稳定性会直接影响整个系统质量。
对 Agent 来说，稳定的数据工具层就是它的基础设施。
总结
AI Agent 接入股票数据，关键不是让模型替代数据源，而是让模型拥有可调用、可理解、可复用的数据工具。
一个比较稳的架构是：
原始数据
-> 数据清洗和字段统一
-> 工具层
-> MCP / API
-> AI Agent
-> 自动复盘和研究报告
当数据层设计清楚之后，Agent 才能稳定完成市场概览、涨停梯队、题材分析、资金流整理和盘后复盘这类任务。
示例项目
如果想参考股票研究数据工具层如何以 MCP 形式暴露，可以搜索 wudao-mcp。
