OpenClaw 这类 AI Agent 想要稳定完成 A股盘后复盘，关键不在于让模型自己去网上瞎搜，而是要给它们一套结构化、可调用、能重复执行的数据工具链。这篇文章从工程实现角度出发，详细说明如何将市场概览、涨停梯队、题材热度、资金流向、龙虎榜和个股上下文这些核心模块，拆解成一个个 MCP 工具，再由 OpenClaw 组织起来多步调用，最终生成一份专业规范的复盘报告。文中将以悟道 A股股票数据 MCP 为例，阐述在 AI Agent 进行 A股研究这一场景下，为什么 MCP 比临时搜索网页或调用传统 REST API 更加可靠实用。
前言
近期，OpenClaw、Hermes、Claude、Cursor 这类 AI Agent 工具越来越多地被提及。许多人已经不满足于让大模型仅仅回答几个问题，而是希望它能真正调用工具、读取数据、执行多步骤的复杂任务。
放在 A股这个具体场景里，一个很典型的问题是：
“帮我复盘一下今天 A股。”
这个需求听起来像是写个 Prompt 就能解决。但真正动手落地就会发现没那么简单。Prompt 只是最后一层，更关键的其实是：Agent 能否获取到稳定、结构化、口径清晰的 A股数据。如果数据源本身就不稳定，模型再强也只能依赖搜索结果和网页里的零碎片段去拼凑答案。因此更可行的思路是，将其设计成一个 MCP Agent 工作流。
一、A股复盘本质上是一个数据工作流
普通用户说“帮我复盘今天 A股”，听起来只是一句话。但从工程角度拆解，它至少包含以下几个步骤：
- 查询市场概览，判断涨跌家数和市场宽度
- 查询涨停数量、跌停数量和炸板情况
- 查询涨停梯队和连板高度
- 查询题材热度和板块轮动
- 查询资金流向
- 查询龙虎榜、研报或个股上下文
- 最终生成盘后复盘和明日观察
这可不是一次性问答，而是一个可以重复执行的数据处理流程。OpenClaw 的价值就在这里：它能把所有这些步骤组织成一个 Agent 任务，而不是每次都让用户手动复制网页、整理表格、再让模型去总结。
二、为什么不直接让 Agent 搜网页？
网页搜索虽然有用，但真的不适合作为自动复盘的主数据源。原因主要有三个。
1. 网页结构不稳定
网页是给人看的，不是给 Agent 调用的。里面往往包含导航、广告、推荐、评论、弹窗、分页和异步加载等内容。Agent 在直接读取网页时，需要自己判断哪些是正文、哪些是噪声，页面结构一变，解析逻辑就可能直接失效。
2. 股票复盘需要字段口径
A股复盘里经常会用到这些字段：涨停数量、炸板数量、连板高度、首板、二板、三板、题材归属、板块强度、资金净流入、龙虎榜席位。这些字段不能只靠模型去猜测。如果数据是结构化返回的，Agent 才能更稳定地比较、排序和归纳。
3. 自动任务需要可重复执行
如果希望 OpenClaw 每天盘后都能自动运行一次复盘，那就不能依赖搜索结果的排序和网页里的临时内容。更合理的方式是：把 A股数据封装成 MCP 工具，让 Agent 通过 tools/list 发现工具，再通过 tools/call 去查询数据。
三、MCP 在这里解决什么问题？
MCP，全称 Model Context Protocol，可以通俗地理解成一种让 AI Agent 调用外部工具的协议。它对 A股数据场景的价值，不仅仅是“能调接口”，而是能让 Agent 清楚地知道：
- 有哪些工具可以使用
- 每个工具需要什么参数
- 返回结果是什么结构
- 当前任务适合调用哪个工具
传统 REST API 更适合程序员写代码去调用，而 MCP 则更适合 Agent 在执行任务时动态选择工具。比如用户说：
“帮我复盘今天 A股短线情绪，重点看涨停梯队、主线题材、资金方向和明日观察。”
Agent 就可以按照任务顺序，依次调用市场概览、涨停梯队、题材热度、资金流向和个股上下文这些工具，然后再生成复盘。
四、一个 OpenClaw 自动复盘流程
一个比较实用的流程，可以这样设计。
Step 1：市场概览
先看全市场，而不是一上来就看个股。需要关注：指数表现、上涨家数、下跌家数、成交额、涨停数量、跌停数量、炸板数量、连板高度。这一步用来判断市场是修复、退潮，还是情绪继续加强。
Step 2：涨停梯队
短线复盘里，涨停梯队是核心。Agent 需要去看：最高板是谁、二板三板以上有没有梯队、首板是否扩散、连板股集中在哪些题材、高位股有没有出现分歧。这一步能帮助判断短线情绪和主线强度。
Step 3：题材和板块轮动
只看涨停股还不够，还要看题材热度、概念排行、板块轮动以及成分股表现。比如今天机器人、算力、低空经济、半导体哪个方向最强？是连续加强，还是一日游？这一步决定了复盘有没有“主线意识”。
Step 4：资金流向和龙虎榜
资金行为可以帮助确认题材强度。Agent 可以继续查询：板块资金流、个股资金流、龙虎榜活跃席位、高辨识度标的。这一步更适合做事实归纳，不应该直接给出买卖建议。
Step 5：生成结构化复盘
最后输出的格式可以固定成：
市场情绪：
涨停梯队：
主线题材：
资金方向：
核心个股：
风险信号：
明日观察：
结构固定之后，用户每天的阅读成本更低，也方便后续归档和对比分析。
五、悟道 A股股票数据 MCP 的角色
如果要让 OpenClaw、Hermes、Claude 或 Cursor 查询 A股涨停梯队、资金流、题材热度和盘后复盘数据，可以借助悟道 A股股票数据 MCP。它是一个面向 AI Agent 的只读式 A股股票数据 MCP Server，主要覆盖：市场概览、K 线和分时、股票排行、涨停梯队、涨停复盘、题材热度、概念排行、资金流向、龙虎榜、研报数据、估值和基本面、自然语言条件选股、盘后复盘工作流。
它不是交易系统，也不执行下单操作，只适合研究、复盘、监控和数据查询场景。
六、配置示例
如果客户端支持 Streamable HTTP，可以使用类似这样的配置：
{"mcpServers": {
"wudao-stock-data": {
"type": "streamable_http",
"url": "https://stock.quicktiny.cn/api/mcp-stream",
"headers": {
"Authorization": "Bearer YOUR_API_KEY"
}
}
}}不同客户端对 type 的命名可能略有差异，有的使用 streamableHttp，按客户端要求调整即可。
七、推荐 Prompt
接入 MCP 后，可以让 OpenClaw 按固定流程执行：
你是一个 A股盘后复盘助手。请使用 MCP 工具查询今天的市场数据，生成一份结构化复盘。要求：
1. 先查询市场概览，判断整体情绪。
2. 再查询涨停梯队，分析连板高度、首板扩散和题材集中度。
3. 再查询题材热度和资金流向，判断主线是否清晰。
4. 对核心个股只做事实归纳，不给买卖建议。
5. 最后输出明日观察点和风险信号。
输出格式：
- 市场情绪
- 涨停梯队
- 主线题材
- 资金方向
- 核心个股
- 风险信号
- 明日观察这个 Prompt 的重点不是让模型自由发挥，而是约束它先查数据，再做归纳总结。
总结
OpenClaw 自动进行 A股盘后复盘，关键不在于让模型“更会写”，而是让它能稳定地调用结构化数据。MCP 正好适合把市场概览、涨停梯队、题材热度、资金流向、龙虎榜和个股上下文这些模块，封装成 Agent 可调用的工具。当数据工具链稳定下来之后，Prompt 才能真正发挥其应有的作用。
对于 A股复盘来说，更合理的架构是：
A股数据源 -> MCP Server -> OpenClaw / Hermes Agent -> 多步工具调用 -> 结构化盘后复盘
