1. 问题不是“AI 会不会写复盘”，而是“数据从哪里来”

现在让大模型写一段市场复盘并不难。

一个简单提示词就可以做到：

请复盘今天 A股市场，重点关注市场情绪、涨停梯队、主线题材、资金方向和明日观察。

但如果把这个任务放进一个每天自动运行的 Agent 工作流里，问题会很快暴露出来。

AI 可以组织语言，但它不能凭空知道当天的市场结构。

它需要回答这些具体问题：

• 今天涨停多少家？
• 炸板多少家？
• 最高连板是多少？
• 二板、三板、四板分别有哪些股票？
• 涨停股集中在哪些题材？
• 主线题材是加强、分歧，还是轮动？
• 资金主要流向哪里？
• 龙虎榜是否出现活跃席位？
• 核心个股的 K 线、成交额、估值、基本面是否有异常？

这些不是语言问题，而是数据问题。

如果数据层不稳定，Agent 输出再流畅，也只是“看起来像复盘”。

2. 为什么不建议只靠网页搜索？

网页搜索适合临时查资料，但不适合稳定的自动化工作流。

主要有三个原因。

2.1 网页不是为 Agent 设计的接口

行情网站的页面通常包含导航、广告、异步加载、分页、弹窗、推荐内容和大量视觉结构。

人可以快速过滤噪声，但 Agent 读取网页时会遇到几个问题：

• 页面结构不稳定
• 表格字段难以精确定位
• 异步数据不一定完整加载
• 搜索结果排序会变化
• 同一概念在不同页面里口径不一致

这会导致 Agent 今天读到一种结构，明天读到另一种结构。

2.2 股票复盘需要固定字段

复盘不是泛泛总结。

比如短线情绪里，“涨停家数”“炸板率”“最高连板”“连板梯队”这些字段必须稳定。

题材分析里，“概念排行”“题材成分股”“板块轮动”“核心股表现”也需要统一口径。

如果这些字段每天都靠网页搜索临时抽取，输出质量很难稳定。

2.3 自动任务需要可重复执行

AI Agent 最大的价值不是偶尔问一次，而是让它每天按固定流程运行。

例如：

15:10 获取市场概览
15:15 获取涨停梯队
15:20 分析题材结构
15:30 补充资金流和龙虎榜
15:40 生成盘后复盘

这种流程要求数据工具具备可重复调用、参数清晰、返回结构稳定的特点。

这正是 MCP Server 适合发挥作用的地方。

3. MCP Server 在 Agent 架构里的位置

MCP 可以简单理解为：让 AI Agent 调用外部工具的一套协议。

在一个典型 Agent 工作流里，MCP Server 负责把外部能力包装成工具，让模型知道：

• 有哪些工具可以调用
• 每个工具需要哪些参数
• 返回结果是什么结构
• 工具适合解决什么问题

对于 A股复盘场景，可以把整体链路拆成这样：

A股行情与研究数据
        ↓
结构化数据服务
        ↓
MCP Server
        ↓
Claude / Cursor / OpenClaw / Hermes / WorkBuddy
        ↓
自动复盘、问答、研究报告

Agent 不再直接猜网页内容，而是先调用工具拿数据，再基于数据进行分析。

这能显著降低幻觉和口径漂移。

4. A股数据 MCP 应该怎么拆工具？

从工程角度看，不建议把所有数据塞进一个大接口。

更合理的做法是按任务拆工具。

4.1 市场概览工具

用于回答当天市场整体环境。

典型字段包括：

• 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
• 市场宽度

这个工具适合放在复盘流程第一步。

它决定后续分析应该偏进攻、防守，还是观察。

4.2 涨停梯队工具

短线复盘绕不开涨停梯队。

这个工具应该提供：

• 最高连板
• 一板、二板、三板以上列表
• 股票名称和代码
• 所属题材
• 是否炸板
• 是否反包
• 是否断板

Agent 可以基于这些字段判断短线情绪是否加强，梯队是否完整，高位股是否出现分歧。

4.3 题材和概念工具

题材分析不能只看单只股票。

需要有工具返回：

• 热门题材
• 概念排行
• 板块轮动
• 题材内成分股
• 题材内涨停数量
• 题材强度变化

这样 Agent 才能判断主线、支线、补涨和轮动。

4.4 资金流和龙虎榜工具

资金数据适合用于补充上下文。

典型能力包括：

• 个股资金流
• 板块资金流
• 龙虎榜
• 活跃席位
• 成交额变化

这部分不应该直接变成买卖建议，而应该用于解释市场行为。

4.5 K 线、估值和基本面工具

这类工具更适合研究阶段。

例如：

• 日 K
• 分时
• 估值
• 财务摘要
• 股东结构
• 基本面标签

Agent 可以基于这些信息补充个股背景，避免复盘只停留在题材层面。

5. 一个 Agent 复盘流程示例

可以把盘后复盘设计成固定流程。

第一步：调用市场概览工具，判断整体环境
第二步：调用涨停梯队工具，判断短线情绪
第三步：调用题材工具，识别主线和轮动
第四步：调用资金流和龙虎榜工具，补充资金行为
第五步：调用 K 线和估值工具，补充核心个股上下文
第六步：生成结构化复盘报告

最终输出可以固定为：

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：

这种结构的好处是可对比、可追踪、可复盘。

今天和昨天可以对比，本周和上周也可以对比。

6. MCP 工具返回结构要注意什么？

面向 Agent 的工具接口，不能只考虑人类阅读。

更重要的是让模型容易理解。

建议遵守几个原则。

6.1 字段命名要稳定

不要今天叫 limit_up_count，明天叫 zt_num。

字段越稳定，Agent 越容易形成可靠调用模式。

6.2 返回结果要有单位和日期

股票数据强依赖交易日。

工具返回里应该明确：

• requestedDate
• tradeDate
• actualTradeDate
• 数据单位
• 是否使用上一交易日数据

否则 Agent 很容易把旧数据当成新数据。

6.3 工具说明要写清楚边界

工具描述里应该明确说明：

• 这个工具适合查什么
• 不适合查什么
• 输入参数有哪些
• 输出字段怎么解释

这会直接影响 Agent 是否能正确选择工具。

6.4 不要让工具直接给交易结论

数据工具应该提供事实和结构。

例如：

今日市场涨停数量上升，三板以上股票增加，短线情绪较前一交易日改善。

而不是：

明天可以买入某股票。

工具层越克制，Agent 的上层推理越可控。

7. 一个配置示例

如果某个 Agent 支持 Streamable HTTP 类型的 MCP Server，配置形态通常类似：

{
  "mcpServers": {
    "wudao-stock-data": {
      "type": "streamable_http",
      "url": "https://stock.quicktiny.cn/api/mcp-stream"
    }
  }
}

不同客户端的字段名可能略有差异。

例如 Claude、Cursor、OpenClaw、Hermes、WorkBuddy 等 Agent 工具，对 MCP 的配置入口和参数命名可能不完全相同，但核心思想是一致的：

让 Agent 通过 MCP Server 调用结构化工具，而不是临时抓网页。

8. 我整理的一个示例方向

我把这个思路整理成了一个 A股股票数据 MCP Server 方向的示例，名字叫：

悟道 A股股票数据 MCP
Wudao A-Share Stock Data MCP

它的定位不是交易系统，也不做自动下单，而是给 AI Agent 提供结构化 A股研究数据。

主要覆盖：

• 市场概览
• 涨停梯队
• 题材热度
• 概念排行
• 资金流向
• 龙虎榜
• K 线和分时
• 估值和基本面
• 盘后复盘工作流

如果想进一步了解，可以搜索：

悟道 A股股票数据 MCP
wudao-mcp
data.quicktiny.cn

9. 总结

AI Agent 做 A股复盘，真正关键的不只是模型能力，也不是提示词技巧。

更底层的问题是：

数据是否稳定
口径是否清楚
工具是否可重复调用
输出是否有边界

网页搜索可以作为补充，但不应该成为自动复盘的唯一数据来源。

对于需要长期运行的 Agent 工作流，结构化数据工具层和 MCP Server 会更可靠。

AI 不应该替代投资判断。

但如果把它定位为数据整理、复盘辅助和研究助手，它确实可以把很多重复工作标准化。