摘要
AI Agent 正从简单的问答交互向自动化任务执行演进。在股票研究场景中，众多用户期望 Agent 能自动获取行情、分类板块、分析资金流向并生成复盘报告。然而，实际工程落地时，最容易被忽视的并非模型能力，而是数据工具层的构建。本文将从架构视角探讨，为何 Agent 接入股票数据时，不应仅依赖网页搜索，而应设计成可调用、可复用、边界清晰的数据工具。
前言
许多 AI Agent 应用在初始阶段倾向于选择看似省力的路径：
用户提问-> Agent 搜索网页-> Agent 阅读网页-> Agent 总结答案
该模式对于轻量级问答尚可应付，但若要支撑稳定的股票研究工作流，则显得力不从心。试想，如果用户每日都需要询问：
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？
此时系统若仍仅依靠搜索结果拼凑答案，其质量将完全依赖运气。更合理的方案是在 Agent 后端构建清晰的数据工具层。
一、Agent 需要的是工具，不只是文本
大模型擅长理解和归纳，但并非天然知晓当前市场数据的具体形态。若直接将网页片段丢给模型，它需要同时处理多项任务：判断网页内容的可靠性、提取有效字段、过滤广告与导航、处理表格和分页、应对异步加载——最后再进行归纳总结。如此多的环节串联在一起，稳定性自然难以保证。更明智的做法是将数据处理前置，让 Agent 直接调用工具获取结构化结果。比如：
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
这样一来，Agent 的职责变得清晰：它不再是从网页中“扒数据”的苦力，而是负责组织工具调用和结论归纳的指挥官。
二、股票研究数据层应该具备哪些特征
1. 字段口径清楚
股票研究领域存在许多看似简单却极易混淆的字段，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、龙虎榜买卖席位等。如果字段口径未严格定义，Agent 输出的结论很容易偏离实际情况。
2. 查询参数明确
数据工具必须清晰说明所需的参数，如股票代码、交易日期、时间周期、概念名称、排序方式、返回数量等。参数越明确，Agent 调用的准确率越高，出错概率越低。
3. 返回结构稳定
返回结果应尽量采用结构化数据，而非大段自然语言。结构化数据天然支持排序、筛选、对比、聚合及多步推理，还能直接用于生成表格和报告。这正是数据工具层优于单纯网页搜索的核心原因。
4. 权限和边界明确
股票类 Agent 需特别注意边界设定。较为稳妥的定位是：仅提供数据查询与研究辅助，不执行交易、不承诺收益、不直接生成买卖指令。如此可避免工具被误用为自动交易系统。
三、REST API 和 MCP 的区别
REST API 对开发者非常友好，可直接通过代码调用，例如 GET /market/overview、GET /stock/kline?code=...。但在 Agent 场景下，多了一个挑战：模型需要了解“有哪些工具可用、每个工具如何使用”。MCP 的价值正在于此。它使 Agent 能够发现工具列表、理解工具描述、读取参数 schema、根据任务选择工具、并获取结构化返回。简而言之，MCP 是为 Agent 量身定制的数据工具说明书，而不仅仅是一个接口入口。
四、一个股票研究 Agent 的数据层拆法
我们可以把数据工具按任务拆成几类。
1. 市场层
用于评估整体市场环境，包括指数表现、上涨家数、下跌家数、成交额及市场宽度。
2. 短线情绪层
用于衡量短线情绪强弱，涵盖涨停数量、跌停数量、炸板数量、连板高度及涨停梯队。
3. 题材层
用于识别主线方向，包括热门题材、概念排行、板块轮动及成分股表现。
4. 个股层
用于提供个股上下文信息，如K线、分时图、估值、基本面、资金流及龙虎榜。
5. 工作流层
用于将多个工具组合成完整任务，如盘后复盘、题材研究、个股研究、条件筛选及观察清单整理。
拆成这些层之后，Agent 的执行路径会清晰很多。
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
输出可以固定成：
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，而不是让模型凭空编结论。
六、为什么这对长期任务更重要
如果仅偶尔查询一次，网页搜索或许能够满足需求。但对于长期运行的任务，将面临更多挑战：每天自动执行、多 Agent 并行、反复调用相同数据、需要固定输出格式、留存历史结果、追踪字段变化等。此时，数据工具层的稳定性将直接影响整个系统的质量。对 Agent 而言，稳定的数据工具层就是其基础设施。
总结
AI Agent 接入股票数据的关键，并非让模型取代数据源，而是使其拥有可调用、可理解、可复用的数据工具。
一个比较稳妥的架构是：
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。
