利用腾讯元器，构建多 Agent 的股票分析助手

在信息爆炸的时代，个人投资者想要全面了解一支股票的价值，往往需要同时查阅股价走势、财务报表、市场新闻、舆情分析等多维度信息。这不仅耗时费力，而且难以保证分析的系统性与及时性。

随着大语言模型（LLM）和智能体（Agent）技术的兴起，我们终于可以将这些复杂的信息处理过程交给 AI 来完成。特别是腾讯元器提供的 MCP（Model Context Protocol） 标准化插件机制与 多 Agent 协同工作流，让我们能够快速搭建一个“股票分析助手”。它不仅能实时获取行情数据，还能自动解析财报、追踪市场新闻，甚至综合不同维度的信号，为投资者生成一份清晰、全面的分析报告。

本文将带你一步步构建这样一个多 Agent 股票助手：从接入 MCP 插件，到设计股价分析师、新闻分析师和决策分析师，再到最终的投资建议输出。你会看到，原本只有专业投研团队才能完成的分析流程，如今普通用户也可以通过“拖拉拽”的方式轻松实现。

本文具体的架构如下所示：

构建一个股票信息MCP

一般我们看股市的某个股票信息，肯定首先关注于股票的股价、市盈率、关键财务指标、损益表、资产负债表、现金流、市场情绪等等。这里我以获取某支股票的“股价”为例子，接入一个股票MCP。

那么什么是MCP？为什么要用MCP接入呢？

本质上MCP（Model Context Protocol）是一种开放协议，旨在标准化大语言模型与外部数据源、工具及服务的交互方式。它通过定义统一的接口规范，让开发者能更灵活地连接知识库、API或数据库，使AI模型在保持核心能力的同时，动态获取实时信息或执行特定操作。简单来说，MCP相当于给AI装上了“标准化插座”，只需插拔不同模块就能扩展功能，无需重复适配底层架构。

因此，如果我们想要获取到某个股票的信息，可以利用外网的股票MCP协议进行快速接入。Github 上刚好有一个 A 股的 MCP，可以快速接入到腾讯元器中。

首先打开腾讯元器，找到"插件广场"，然后点击“MCP插件”

填写的内容比较简单，给这个 MCP 起个简单易懂的名字，然后再填写一个 URL

http://82.156.17.205/cnstock/sse

这个URL地址可以从 Github 上找到，最后提交后就可以看到接入的 MCP 插件了：

到时候我们就可以构建通过插件的方式，快速接入这个 MCP 插件

股票分析助手 Agent 制作

这里我通过多个Agent进行互相协同，然后有几个不同的角色进行共同制定，分析一个股票是否可以持有、买入或者卖出。比如我先简单构建了三个 Agent 的角色

• 股价分析师Agent：分析当前股票的股价、基本面等信息
• 市场和新闻分析师Agent：获取当前股票的最近几天的新闻，然后进行分析
• 决策分析师 Agent：综合上面找到的信息进行判定

别看这三个 Agent 好像很复杂，其实利用腾讯元器的工作流，就可以很简单的构建出一个多 Agent 协同的 AI 出来。

首先我们新建一个智能体，就叫它”股票分析助手“吧：

然后进去之后，可以看到一个叫做工作流的地方，需要用到它来构建一个比较复杂的 Agent 工作流。然后点击”新建“，就可以开始构建自己的多个 Agent

首先构建第一个股价分析师Agent。

这里面用到的是我们上一个小节的 MCP 插件。这个插件有下面几个功能：

• brief: 给定股票的基本信息，行情数据
• medium: 提供所有基本数据和一些财务数据
• full: 提供所有中等数据和技术指标

然后这个插件从参数中可以看到，它需要接受的是一个 A 股代码，比如招商银行的 A 股代码为SH600036，浦发银行的股票代码为 SH600000

点击右上角的调试按钮，可以快速查看这个插件是否生效：

可以看到这个插件已经能够有效返回招商银行最新的一些基本数据了：

然后在这个插件后面接一个大模型解析，这里输入引用的是前一个结点的输出信息。模型我们直接选择“混元大模型-思考模型高级版”。

“混元大模型-思考模型高级版”的优势主要体现在：它结合了 深度推理 与 快速响应 的双重能力，能在数学、代码、逻辑等复杂任务中展现接近人类专家的推理水准，同时，模型在多模态理解（文本、图像、语音、视频）和人类偏好对齐上全面提升，大幅降低“幻觉”概率，真正兼顾了 强推理、快思考、低成本、多场景适配 的综合优势。

目前混元大模型已经有多个版本，最新的混元TurboS排名已攀升至全球前八，国内仅次于DeepSeek。其中，代码、数学等理科能力，混元TurboS也进入全球前十。因此可以说它的能力完全已经追上了大模型的第一梯队。

选择混元大模型，主要是为了让大模型能够帮助我们快速总结它的股价信息，分析最近的一些指标明细等等。它会针对以下几个指标进行有效分析：

• 移动平均线
• MACD相关
• 动量指标
• 成交量指标

具体的 prompt 如下：

是一位市场分析师，负责分析股票的技术指标和市场表现。你的任务是从以下指标中选择最相关的指标（最多8个），以提供互补的洞察而不重复。以下是指标分类： 移动平均线

MACD相关： - macd: MACD：通过EMA差值计算动量。用途：寻找趋势变化的交叉信号和背离。提示：在低波动或横盘市场中需要其他指标确认。 动量指标： - rsi: RSI：衡量超买/超卖条件的动量。用途：使用70/30阈值并观察背离信号反转。提示：在强趋势中，RSI可能保持极值；始终与趋势分析交叉检查。 成交量指标： - vwma: 成交量加权移动平均线：用成交量加权的移动平均线。用途：通过整合价格行为和成交量数据确认趋势。提示：注意成交量突增可能导致的偏差；与其他成交量分析结合使用。 请选择能提供多样化和互补信息的指标。避免冗余（例如，不要同时选择rsi和stochrsi）。同时简要解释为什么这些指标适合当前市场环境。调用工具时，请使用上述指标的确切名称，否则调用将失败。请确保先调用get_akshare_data以获取生成指标所需的数据。对观察到的趋势进行详细和细致的报告。不要简单地说趋势是混合的，请提供详细和细致的分析和见解，以帮助交易者做出决策。

这样子基本的股价分析师 Agent 就做好了

构建第二个智能体：市场和新闻分析师Agent

这个 Agent 主要用来获取外网对于该股票的一些看法和舆论。刚好元器里面有这种直接搜索网页信息进行返回的插件：

这里在前置节点中，我主要是写了一个简单的 prompt 进行请求，让模型可以直接查找对应股票的信息和新闻：当前日期为 xxxx，帮我查询股票 xxxx 的近七天新闻数据和市场舆论

这样子，一个简单的市场和新闻分析师Agent就做好了

构建第三个智能体：决策分析师 Agent

最后一个 Agent 主要是把上面的所有信息进行汇总，生成一个简单的对于该股票的具体分析文档，让我们针对这个股票进行简单的决策。

步骤也是类似的，直接接入一个大模型，然后输入参数填写前置节点的就可以了：

最后生成效果

构建好自己的工作流之后，这个工作流已经默认启动的了。然后回到自己的智能体，进行测试。输入股票名称 + 代码，可以发现智能体已经开始输出内容了

首先它会总结各种指标的信息，比如 200 日平均线、macd 等信息。模型给出的信息总结是：招商银行的长期趋势仍然向上，但短期和中期的调整压力较大。投资者应关注布林带下轨的支撑位，以及MACD和RSI的潜在反转信号。同时，由于市场波动性较大，建议设置合理的止损位，并密切关注成交量的变化。

然后智能体还会生成一份“基本面”分析报告

最后会给出投资建议：尽管短期面临一定的调整压力，但其稳健的财务表现、较强的盈利能力和行业领先地位使其具备较高的安全边际。建议投资者关注其长期投资机会，同时注意短期市场波动风险。对于风险承受能力较高的投资者，可考虑逢低布局。

目前这个智能体我已经发布了，感兴趣的可以去元器上搜索“股票分析助手”，然后就可以进行使用

总结

通过以上步骤，我们已经成功在腾讯元器中构建了一个多 Agent 协同的“股票分析助手”。借助 MCP 插件与大模型的工作流组合，我们能够实现以下几点核心价值：

数据接入标准化

• MCP 插件让不同来源的数据快速接入，避免重复造轮子。
• 无论是行情数据、财报信息还是外部新闻，开发者都只需要关注业务逻辑，而不是底层适配。

多 Agent 协作

• 不同角色的 Agent 分工明确：有人盯股价，有人关注舆情，还有人负责最后决策。
• 通过工作流，用户能够直观地搭建出一个多智能体协作的系统，不需要复杂的编程能力。

智能化决策输出

• 最终的输出不仅是数据罗列，而是一个包含技术指标分析、市场情绪洞察和投资建议的综合报告。
• 用户能够直接得到可操作的建议，提升投资参考价值。

未来，借助 腾讯元器 + MCP + 多 Agent，我们不仅可以做一个股票助手，还能构建一个更全面的 个人金融顾问平台：

• 白天，它可以实时监控你的自选股，推送关键异动消息；
• 晚上，它能帮你总结一天的市场情况，生成一份投资日报；
• 长期来看，它还能跟踪宏观经济、行业趋势，为你提供中长期的资产配置建议。

这正是多 Agent 协作的魅力所在 —— 让 AI 从“单点工具”升级为“智能合伙人”。