股票投资顾问Agent架构解析

股票投资顾问Agent架构解析

项目概览

这是一个基于多智能体协作和 MCP (Model Context Protocol) 的股票投资分析系统，由三个核心模块组成：

  1. a-share-mcp-is-just-i-need: A股数据服务MCP服务器
  2. Financial-MCP-Agent: 多智能体金融分析系统
  3. 模型训练与测试: 情感分析和风险评估模型

整体架构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
Finance/
├── a-share-mcp-is-just-i-need/      # MCP数据服务层
│   ├── mcp_server.py                # MCP服务器入口
│   └── src/
│       ├── data_source_interface.py # 数据源抽象接口
│       ├── baostock_data_source.py  # Baostock数据实现
│       ├── tools/                   # 各类金融数据工具
│       │   ├── stock_market.py      # 股票行情
│       │   ├── financial_reports.py # 财报数据
│       │   ├── indices.py           # 指数数据
│       │   ├── market_overview.py   # 市场概览
│       │   ├── macroeconomic.py     # 宏观经济
│       │   ├── date_utils.py        # 日期工具
│       │   ├── analysis.py          # 分析工具
│       │   └── news_crawler.py      # 新闻爬虫
│       └── formatting/
│           └── markdown_formatter.py # Markdown格式化
│
├── Financial-MCP-Agent/             # 多智能体分析系统
│   ├── src/
│   │   ├── main.py                  # 主程序入口
│   │   ├── agents/                  # 分析智能体
│   │   │   ├── fundamental_agent.py # 基本面分析
│   │   │   ├── technical_agent.py   # 技术分析
│   │   │   ├── value_agent.py       # 估值分析
│   │   │   ├── news_agent.py        # 新闻分析
│   │   │   └── summary_agent.py     # 综合总结
│   │   ├── tools/
│   │   │   ├── mcp_client.py        # MCP客户端
│   │   │   ├── mcp_config.py        # MCP配置
│   │   │   └── openrouter_config.py # OpenRouter配置
│   │   └── utils/
│   │       ├── state_definition.py  # 状态定义
│   │       ├── execution_logger.py  # 执行日志
│   │       ├── logging_config.py    # 日志配置
│   │       └── llm_clients.py       # LLM客户端
│   ├── logs/                        # 执行日志
│   └── reports/                     # 分析报告
│
├── 模型训练脚本                      # 模型训练与测试
│   ├── train_qwen_sentiment.py      # 情感分析模型训练
│   ├── train_qwen_risk.py           # 风险评估模型训练
│   ├── test_qwen_sentiment.py       # 情感模型测试
│   └── test_risk_model.py           # 风险模型测试
│
├── 数据处理脚本
│   ├── data_process.py              # 新闻去重处理
│   └── download.py                  # 数据下载
│
├── 数据目录
│   ├── nasdaq_news_sentiment/        # 情感分析数据
│   └── risk_nasdaq/                  # 风险评估数据
│
└── requirements.txt                 # 依赖管理

核心架构解析

1. MCP数据服务层 (a-share-mcp-is-just-i-need)

设计理念

采用 MCP协议 提供标准化的金融数据访问接口，通过抽象层实现数据源的可替换性。

核心组件

数据源抽象接口 (FinancialDataSource)

1
2
3
4
5
6
7
8
9
10
11
12
class FinancialDataSource(ABC):
    @abstractmethod
    def get_historical_k_data(...) -> pd.DataFrame
        """获取历史K线数据"""
    
    @abstractmethod
    def get_stock_basic_info(...) -> pd.DataFrame
        """获取股票基本信息"""
    
    @abstractmethod
    def get_trade_dates(...) -> pd.DataFrame
        """获取交易日历"""

具体实现 (BaostockDataSource)

  • 基于 baostock 库实现A股数据获取
  • 支持K线、财报、指数、宏观数据
  • 实现了完整的 FinancialDataSource 接口

工具模块注册
每个工具模块通过 register_*_tools() 函数向MCP服务器注册功能：

  • register_stock_market_tools() - 股票行情工具
  • register_financial_report_tools() - 财报分析工具
  • register_index_tools() - 指数追踪工具
  • register_market_overview_tools() - 市场概览工具
  • register_macroeconomic_tools() - 宏观经济工具
  • register_date_utils_tools() - 日期工具
  • register_analysis_tools() - 分析工具
  • register_news_crawler_tools() - 新闻爬虫工具

技术栈

  • FastMCP: 现代化的MCP服务器框架
  • baostock: 免费A股数据接口
  • pandas: 数据处理

2. 多智能体分析系统 (Financial-MCP-Agent)

设计理念

采用 LangGraph 构建并行智能体工作流，每个智能体专注于特定分析维度，最终由总结智能体整合结果。

工作流架构

1
2
3
4
5
6
7
8
9
10
11
12
用户输入 (股票名称/代码)
    ↓
start_node (提取股票信息)
    ↓
    ├─→ fundamental_analyst (基本面分析)
    ├─→ technical_analyst (技术分析)
    ├─→ value_analyst (估值分析)
    └─→ news_analyst (新闻分析)
    ↓
summarizer (综合总结)
    ↓
生成分析报告

核心智能体

1. 基本面分析智能体 (fundamental_agent.py)

  • 分析财务状况（营收、利润、现金流）
  • 评估盈利能力和成长性
  • 行业地位对比
  • 使用MCP工具获取财报数据
  • 基于 ReAct Agent 框架实现

2. 技术分析智能体 (technical_agent.py)

  • 价格趋势分析
  • 技术指标计算（MA、MACD、RSI等）
  • 成交量分析
  • 支撑阻力位识别
  • 基于 ReAct Agent 框架实现

3. 估值分析智能体 (value_agent.py)

  • 市盈率、市净率分析
  • PEG、DCF等估值模型
  • 行业估值对比
  • 内在价值评估
  • 基于 ReAct Agent 框架实现

4. 新闻分析智能体 (news_agent.py)

  • 新闻情感分析
  • 风险因素识别
  • 重大事件影响评估
  • 使用新闻爬虫工具获取最新新闻
  • 基于 ReAct Agent 框架实现

5. 综合总结智能体 (summary_agent.py)

  • 整合四个维度的分析结果
  • 生成投资建议
  • 风险提示
  • 输出结构化报告
  • 使用 Summary Agent 框架

状态管理

使用 AgentState 实现智能体间的数据传递：

1
2
3
4
class AgentState(TypedDict):
    messages: Annotated[Sequence[BaseMessage], operator.add]
    data: Annotated[Dict[str, Any], merge_dicts]
    metadata: Annotated[Dict[str, Any], merge_dicts]

自然语言处理

主程序包含复杂的股票信息提取逻辑，支持多种查询格式：

  • “分析嘉友国际”
  • “帮我看看比亚迪这只股票怎么样”
  • “603871 这个股票值得买吗？”
  • “茅台(600519)值得投资吗”

提取模式包括20多种正则表达式模式：

  1. 括号内的股票代码
  2. 直接的公司名称
  3. 股票代码+公司名组合
  4. 智能语义识别
  5. 复杂句式解析

3. 模型训练与测试模块

3.1 情感分析模型训练 (train_qwen_sentiment.py)

功能: 训练金融新闻情感分析模型

技术架构:

1
数据加载 → 提示模板构建 → Tokenization → LoRA微调 → 模型保存

核心组件:

  1. 数据预处理 (load_and_preprocess_data)

    1
    2
    df = df[df['Lsa_summary'].notna() & df['sentiment_deepseek'].notna()]
    df = df[df['sentiment_deepseek'] != 0]  # 移除无效标签

  2. 提示模板构建 (create_prompt_template)

    1
    2
    3
    4
    5
    6
    7
    8
    system_prompt = "You are a financial expert... Score from 1 to 5..."
    conversation = f"""System: {system_prompt}

    User: News to Stock Symbol -- AAPL: Apple (AAPL) increase 22%
    Assistant: 5

    User: {user_content}
    Assistant: {sentiment}"""

  3. 数据集准备 (prepare_dataset)

    • 训练集/验证集分割 (80%/20%)
    • Tokenization处理
    • 智能损失计算（只对Assistant回答部分计算损失）

  4. LoRA微调配置

    1
    2
    3
    4
    5
    6
    7
    8
    lora_config = LoraConfig(
        task_type=TaskType.CAUSAL_LM,
        r=16,                          # LoRA rank
        lora_alpha=32,                  # 缩放因子
        lora_dropout=0.1,               # Dropout
        target_modules=["q_proj", "v_proj", "k_proj", "o_proj", 
                        "gate_proj", "up_proj", "down_proj"]
    )

评分标准:

  • 1: 负面
  • 2: 轻微负面
  • 3: 中性
  • 4: 正面
  • 5: 极正面

训练参数:

1
2
3
4
5
6
7
8
9
10
11
12
TrainingArguments(
    output_dir="./qwen_sentiment_model",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    gradient_accumulation_steps=4,
    warmup_steps=100,
    learning_rate=2e-5,
    fp16=True,
    logging_steps=50,
    save_steps=500,
    eval_steps=500
)

3.2 风险评估模型训练 (train_qwen_risk.py)

功能: 训练股票风险评估模型

技术架构: 与情感分析模型完全相同的架构，但专注于风险评估

核心差异:

  1. 评分标准不同:

    • 1: 极低风险
    • 2: 低风险
    • 3: 中等风险（默认，无明显风险迹象）
    • 4: 高风险
    • 5: 极高风险

  2. 提示词不同:

    1
    2
    system_prompt = "You are a financial expert specializing in risk assessment... 
    Provide a risk score from 1 to 5..."

  3. 示例不同:

    1
    2
    3
    4
    5
    User: Apple (AAPL) increases 22%
    Assistant: 3  # 涨幅较大但非风险事件

    User: Apple (AAPL) price decreased 30%
    Assistant: 4  # 大幅下跌，高风险

训练输出: 模型保存在 ./qwen_risk_model

3.3 情感模型测试 (test_qwen_sentiment.py)

功能: 测试训练好的情感分析模型

测试流程:

  1. 模型加载

    1
    2
    3
    4
    5
    def load_trained_sentiment_model(model_path):
        tokenizer = AutoTokenizer.from_pretrained(model_path)
        base_model = AutoModelForCausalLM.from_pretrained("/root/code/Finance/Qwen", ...)
        model = PeftModel.from_pretrained(base_model, model_path)
        return model, tokenizer

  2. 预测函数

    1
    2
    3
    4
    5
    def predict_sentiment(model, tokenizer, text, stock_symbol):
        prompt = create_sentiment_test_prompt(text, stock_symbol)
        inputs = tokenizer(prompt, return_tensors="pt", truncation=True, max_length=512)
        outputs = model.generate(**inputs, max_new_tokens=5, do_sample=False)
        return extract_score(outputs)

  3. 测试内容:

    • 预设测试用例: 10个不同场景的新闻
    • 真实数据测试: 从CSV读取真实数据进行测试
    • 情感分布测试: 测试模型在5个类别上的表现

测试输出示例:

1
2
3
4
5
6
7
8
9
10
11
12
13
=== 情感分析模型测试结果 ===

测试 1:
新闻: Apple reported strong quarterly earnings with revenue growth of 15%
股票: AAPL
预测情感: 4 (正面)

测试 2:
新闻: Apple faces supply chain disruptions and production delays
股票: AAPL
预测情感: 2 (轻微负面)

整体准确率: 8/10 = 80.0%

3.4 风险模型测试 (test_risk_model.py)

功能: 测试训练好的风险评估模型

测试流程: 与情感模型测试类似，但专注于风险评分

测试内容:

  • 预设测试用例（7个）
  • 真实数据测试（3条）

测试输出示例:

1
2
3
4
5
6
7
8
9
10
11
=== 风险评估模型测试结果 ===

测试 1:
新闻: Apple reported strong quarterly earnings with revenue growth of 15%
股票: AAPL
预测风险: 2 (低风险)

测试 2:
新闻: Apple faces major supply chain disruptions and production delays
股票: AAPL
预测风险: 4 (高风险)

4. 数据处理模块 (data_process.py)

功能: 新闻去重和数据预处理

核心组件:

1
2
3
4
5
6
class NewsDeduplicator:
    def __init__(self):
        self.title_threshold = 0.8       # 标题相似度阈值
        self.content_threshold = 0.75     # 正文重合度阈值
        self.simhash_threshold = 3        # 汉明距离阈值
        self.minhash_permutations = 128   # MinHash排列数

关键算法:

  1. 标题相似度 - 组合方法

    1
    2
    3
    4
    def title_similarity(title1, title2):
        edit_sim = self.edit_distance(title1, title2)      # 编辑距离
        cos_sim = self.text_to_tfidf_vector([title1, title2])  # TF-IDF余弦相似度
        return (edit_sim + cos_sim) / 2  # 平均

  2. 正文重合度 - MinHash

    1
    2
    3
    4
    5
    6
    def content_overlap(content1, content2):
        shingles1 = self.get_shingles(content1)  # 生成k-shingles
        shingles2 = self.get_shingles(content2)
        sig1 = self.minhash_signature(shingles1) # 计算MinHash签名
        sig2 = self.minhash_signature(shingles2)
        return self.jaccard_similarity_minhash(sig1, sig2)

  3. 语义相似度 - SimHash

    1
    2
    3
    4
    def semantic_similarity(content1, content2):
        hash1 = self.simhash(content1)      # 计算SimHash
        hash2 = self.simhash(content2)
        return self.hamming_distance(hash1, hash2)  # 汉明距离

  4. 去重判断 - 三重阈值

    1
    2
    3
    4
    5
    6
    def is_duplicate(item1, item2):
        return (
            self.title_similarity(title1, title2) > 0.8 and
            self.content_overlap(content1, content2) > 0.75 and
            self.semantic_similarity(content1, content2) <= 3
        )

处理流程:

1
2
CSV文件 → 加载数据 → Unicode归一化 → 计算相似度 → 
三重阈值判断 → 去重处理 → 保存JSONL

5. 完整程序架构图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
┌─────────────────────────────────────────────────────────┐
│                    Finance Project                       │
└─────────────────────────────────────────────────────────┘
                            │
        ┌───────────────────┼───────────────────┐
        │                   │                   │
        ▼                   ▼                   ▼
┌──────────────┐   ┌──────────────┐   ┌──────────────┐
│ 数据处理层    │   │ 模型训练层    │   │ Agent应用层  │
├──────────────┤   ├──────────────┤   ├──────────────┤
│              │   │              │   │              │
│ data_process │   │ train_qwen_  │   │ Financial-   │
│              │   │ _sentiment   │   │ MCP-Agent    │
│ download.py  │   │              │   │              │
│              │   │ train_qwen_  │   │ main.py      │
│ NewsDedu-    │   │ _risk        │   │              │
│ plicator     │   │              │   │ agents/      │
│              │   │ test_qwen_   │   │              │
│ - 去重策略    │   │ _sentiment   │   │ - 基本面     │
│ - 相似度计算  │   │              │   │ - 技术面     │
│ - 数据清洗    │   │ test_risk_   │   │ - 估值面     │
│              │   │ _model       │   │ - 新闻面     │
└──────┬───────┘   └──────┬───────┘   └──────┬───────┘
       │                  │                  │
       │                  │                  │
       ▼                  ▼                  ▼
┌─────────────────────────────────────────────────────┐
│                   a-share-mcp-server                 │
│                    (数据服务层)                       │
├─────────────────────────────────────────────────────┤
│ - stock_market      - financial_reports              │
│ - indices           - market_overview                │
│ - macroeconomic     - analysis                       │
│ - date_utils        - news_crawler                   │
└─────────────────────────────────────────────────────┘
       │
       ▼
┌─────────────────────────────────────────────────────┐
│                  Baostock API                        │
│                  (A股数据源)                         │
└─────────────────────────────────────────────────────┘

6. 数据流程图

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
原始新闻数据 (CSV)
    ↓
data_process.py
    ├─ load_and_preprocess_data()  # 加载和过滤
    ├─ unicode_normalize()          # Unicode归一化
    ├─ title_similarity()           # 标题相似度计算
    ├─ content_overlap()            # 正文重合度计算
    ├─ semantic_similarity()        # 语义相似度计算
    └─ deduplicate()                # 去重处理
    ↓
清洗后的数据 (JSONL/CSV)
    ↓
训练集 / 验证集 (80%/20%)
    ↓
train_qwen_sentiment.py / train_qwen_risk.py
    ├─ create_prompt_template()     # 创建提示模板
    ├─ prepare_dataset()           # 数据集准备
    ├─ tokenize_function()         # Token化
    ├─ create_model_and_tokenizer() # 创建模型
    ├─ LoRA微调                     # 参数高效训练
    └─ save_model()                 # 保存模型
    ↓
训练好的模型
    ↓
test_qwen_sentiment.py / test_risk_model.py
    ├─ load_trained_model()         # 加载模型
    ├─ predict()                    # 预测
    └─ evaluate()                   # 评估

7. 关键技术详解

7.1 损失计算策略

在训练过程中，采用智能损失计算策略：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
def tokenize_function(examples):
    labels = tokenized['input_ids'].clone()
    
    for i, text in enumerate(examples['text']):
        # 找到Assistant标记位置
        assistant_marker = "Assistant: "
        last_assistant_pos = text.rfind(assistant_marker)
        
        if last_assistant_pos != -1:
            # 计算输入部分的token数量
            input_part = text[:last_assistant_pos + len(assistant_marker)]
            input_part_tokens = tokenizer.encode(input_part, add_special_tokens=False)
            mask_length = len(input_part_tokens)
            
            # 将输入部分设置为-100（不计算损失）
            labels[i, :mask_length] = -100
            
            # 确保padding部分也是-100
            actual_length = (input_ids != pad_token_id).sum().item()
            if actual_length < len(input_ids):
                labels[i, actual_length:] = -100
    
    tokenized['labels'] = labels
    return tokenized

优势:

  • 只对模型生成部分计算损失
  • 避免对System、User等固定部分计算损失
  • 提高训练效率

7.2 新闻去重算法

三重阈值策略:

1
2
3
4
5
6
7
8
9
10
11
def is_duplicate(item1, item2):
    # 1. 标题相似度 > 0.8
    title_sim = self.title_similarity(title1, title2)
    
    # 2. 正文重合度 > 0.75
    content_sim = self.content_overlap(content1, content2)
    
    # 3. 语义距离 <= 3
    semantic_dist = self.semantic_similarity(content1, content2)
    
    return (title_sim > 0.8 and content_sim > 0.75 and semantic_dist <= 3)

各算法特点:

  • 编辑距离: 字符级别的相似度
  • TF-IDF余弦相似度: 词向量级别的相似度
  • MinHash: 快速估计Jaccard相似度
  • SimHash: 语义级别的指纹匹配

8. 部署架构

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
┌─────────────────────────────────────────┐
│         用户终端 (CLI)                    │
└────────────┬────────────────────────────┘
             │
             ↓
┌─────────────────────────────────────────┐
│      Financial-MCP-Agent                 │
│  (多智能体工作流引擎)                      │
│                                          │
│  ┌──────┐ ┌──────┐ ┌──────┐ ┌──────┐   │
│  │基本面│ │技术面│ │估值面│ │新闻面│   │
│  │Agent │ │Agent │ │Agent │ │Agent │   │
│  └───┬──┘ └───┬──┘ └───┬──┘ └───┬──┘   │
│      └───────┴───────┴───────┴───────┘   │
│                   │                        │
│                   ↓                        │
│              总结Agent                     │
└───────────────────┬───────────────────────┘
                    │ MCP Protocol
                    ↓
┌─────────────────────────────────────────┐
│    a-share-mcp-is-just-i-need            │
│         (MCP数据服务器)                   │
│                                          │
│  ┌──────────┐  ┌──────────┐              │
│  │数据接口层│  │工具注册器│              │
│  └────┬─────┘  └────┬─────┘              │
│       │             │                     │
│       ↓             ↓                     │
│  ┌────────────────────────┐              │
│  │  Baostock数据源        │              │
│  └────────────────────────┘              │
└───────────────────┬──────────────────────┘
                    │
                    ↓
           ┌────────────────┐
           │  Baostock API  │
           │  (免费A股数据)  │
           └────────────────┘

9. 依赖管理

核心依赖

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
# 智能体工作流
langgraph==0.6.6              # 智能体工作流编排
python-dotenv==1.1.1          # 环境变量管理
langchain-openai==0.3.30      # OpenAI API集成
langchain-core==0.3.74        # LangChain核心
langchain-mcp-adapters==0.1.9 # MCP协议适配

# 模型训练
transformers==4.51.3         # HuggingFace模型
peft==0.17.0                 # 参数高效微调 (LoRA)
huggingface-hub==0.34.4      # 模型仓库

# 数据处理
baostock==0.9.1              # A股数据接口
pandas                       # 数据处理
numpy                        # 数值计算
scikit-learn                 # TF-IDF、余弦相似度
jieba                        # 中文分词

# 其他
uv==0.8.12                   # 包管理器

10. 使用示例

命令行调用

1
2
3
4
5
6
# 直接分析
python src/main.py --command "分析嘉友国际"

# 交互式输入
python src/main.py
# 系统会提示输入查询内容

训练模型

1
2
3
4
5
# 训练情感分析模型
python train_qwen_sentiment.py

# 训练风险评估模型
python train_qwen_risk.py

测试模型

1
2
3
4
5
# 测试情感分析模型
python test_qwen_sentiment.py

# 测试风险评估模型
python test_risk_model.py

数据处理

1
2
# 新闻去重处理
python data_process.py

11. 查询示例

系统支持多种自然语言查询方式：

  • 简单查询: “分析嘉友国际”
  • 描述性查询: “帮我看看比亚迪这只股票怎么样”
  • 代码查询: “603871 这个股票值得买吗？”
  • 格式化查询: “茅台(600519)值得投资吗”
  • 复杂查询: “我想了解一下腾讯的投资价值”
  • 细分查询: “给我分析一下宁德时代的财务状况”

12. 输出内容

系统会生成结构化的分析报告，包含：

  1. 基本信息 - 股票代码、公司名称、行业分类
  2. 基本面分析 - 财务指标、盈利能力、成长性
  3. 技术面分析 - 趋势判断、技术指标信号
  4. 估值分析 - 估值水平、投资价值
  5. 新闻分析 - 近期新闻、风险提示
  6. 综合建议 - 投资评级、风险提示

报告保存在 reports/ 目录，格式为 report_{公司名}_{代码}_{日期}.md

13. 扩展性设计

添加新的数据源

1
2
3
4
5
class MyDataSource(FinancialDataSource):
    # 实现所有抽象方法
    def get_historical_k_data(self, ...):
        # 实现K线数据获取
        pass

添加新的分析智能体

1
2
3
4
5
6
from langgraph.graph import StateGraph, END

# 添加新节点
workflow.add_node("my_analyst", my_agent)
workflow.add_edge("start_node", "my_analyst")
workflow.add_edge("my_analyst", "summarizer")

添加新的MCP工具

1
2
3
4
5
@register_tool
def my_tool(param1: str) -> str:
    """工具描述"""
    # 实现工具逻辑
    return result

局限性与改进方向

当前局限

  1. 数据延迟: Baostock数据有1-2天延迟
  2. 模型依赖: 分析质量依赖所选LLM
  3. 计算资源: 并行执行需要足够的计算资源
  4. 模型规模: Qwen模型较大，部署成本高
  5. 数据量限制: 训练数据仅1000条，可能影响泛化能力

改进方向

  1. 实时数据: 集成实时行情API
  2. 多模型集成: 不同智能体使用不同模型
  3. 缓存机制: 减少重复数据查询
  4. Web界面: 开发可视化前端
  5. 回测系统: 添加策略回测功能
  6. 模型优化: 使用更小更快的模型（如Qwen2.5-7B）
  7. 数据增强: 扩充训练数据集，提升模型性能
  8. 知识蒸馏: 将大模型知识蒸馏到小模型
  9. 增量学习: 支持模型持续学习和更新

总结

这个股票投资顾问Agent系统展示了现代AI在金融分析中的应用：

核心优势

  1. 架构清晰: MCP协议 + 多智能体工作流
  2. 可扩展性: 模块化设计，易于扩展
  3. 实用性: 提供全面的多维度分析
  4. 标准化: 使用行业标准和协议
  5. 完整性: 从数据处理、模型训练到应用部署的完整链路

技术亮点

  • MCP协议的实践应用
  • LangGraph并行智能体编排
  • LoRA参数高效微调
  • 三重阈值新闻去重算法
  • 智能损失计算策略

该项目为个人投资者提供了一个自动化、全面、易用的股票分析工具，同时也为金融AI应用开发提供了一个很好的参考架构。系统结合了传统金融分析方法和现代AI技术，为金融科技领域的发展提供了有价值的探索。

项目实践
#Agent #MCP #金融分析 #LangGraph
股票投资顾问Agent架构解析
https://liu-alessia.github.io/2026/07/12/2026-07-13-股票投资顾问Agent/
作者
Alessia
发布于
2026年7月13日
许可协议