最近很多人开始用豆包、扣子、WorkBuddy、Codex、Claude、Cursor 这类工具做自己的 AI Agent。写代码、整理资料、生成报告都已经很顺了，但一到股票数据场景，问题就来了：Agent 到底应该怎么接股票数据源？

很多人的第一反应是让 Agent 去网页上搜，或者让它打开行情网站自己读页面。这个思路能做 demo，但不太适合长期使用。

原因很简单：网页是给人看的，不是给 Agent 稳定调用的。网页里可能有广告、推荐内容、弹窗、分页、前端渲染、反爬限制，也可能今天结构是这样，明天就变了。更麻烦的是，Agent 拿到的网页摘要经常缺少统一字段，比如交易日、涨跌幅、成交额、题材归属、资金流向、涨停梯队等，后面生成复盘时就容易混乱。

所以，做股票 Agent，第一步不是写一个很长的 Prompt，而是把数据源接入方式想清楚。

如果只是自己写 Python 脚本，Tushare、AkShare、BaoStock 这类数据源很合适。它们适合做数据探索、历史行情拉取、量化研究、入库和离线分析。

但如果目标是让 Agent 直接使用，比如让 WorkBuddy、Codex、豆包、扣子或自建 Agent 自动生成复盘、监控自选股、整理题材变化，那么更适合把数据封装成“工具层”。

工具层可以有两种形态：一种是 HTTP API，一种是 MCP Server。

HTTP API 更适合传统后端、脚本和工作流节点。比如你有一个自己的服务，提供 /market-overview、/stock-kline、/limit-up-ladder 这类接口，Agent 通过 HTTP 工具调用它。

MCP 更适合支持工具发现的 Agent。它的好处是 Agent 可以先通过 tools/list 看到有哪些工具、每个工具需要什么参数，再通过 tools/call 调用对应能力。对 Agent 来说，这比“读网页再猜字段”稳定得多。

以 A股复盘为例，一个比较合理的流程是：

1. 调用市场概览工具，获取涨跌家数、成交额、涨停跌停数量。
2. 调用涨停梯队工具，查看连板高度和梯队结构。
3. 调用题材热度工具，判断主线题材和分歧方向。
4. 调用资金流工具，观察资金是否集中在主线。
5. 调用自选股工具，对关注股票生成摘要。
6. 最后由 Agent 按固定模板输出复盘，不直接给买卖建议。

这时候 Agent 的角色不是“凭空判断股票”，而是“基于结构化数据做整理和解释”。

如果要接入 A股数据，可以关注这几类方案：

Tushare：适合 Python、量化研究、历史数据和基础数据。
AkShare：适合快速探索公开数据，上手快，但稳定性和口径需要自己把控。
东方财富、同花顺等专业接口：适合有授权和专业终端需求的场景。
Alpha Vantage、Yahoo Finance：更偏全球市场，美股和外汇生态更常见。
MCP 工具层：更适合 AI Agent 直接调用，尤其是复盘、摘要、监控、研究报告这类任务。

我最近看到的一个方向是悟道 A股股票数据 MCP。它不是传统量化库，而是把 A股行情、涨停梯队、题材热度、资金流、公告、自选股等能力拆成 Agent 可以调用的工具。

如果客户端支持 MCP，可以配置类似下面的地址：

{
  "mcpServers": {
    "wudao-stock-data": {
      "url": "https://stock.quicktiny.cn/api/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_API_KEY"
      }
    }
  }
}

如果当前平台暂时不支持 MCP，也可以通过自己的后端做一层 HTTP 适配，把 MCP 或其他数据接口封装成工作流节点可调用的小工具。

我的建议是：别一上来就做“AI 自动炒股”。更稳的第一步是做“AI 自动复盘”和“自选股观察”。

比如每天收盘后，让 Agent 输出：

市场整体情绪；
主线题材变化；
涨停梯队结构；
资金流向；
自选股异常变化；
明天需要观察的问题；
数据日期和风险提示。

这个边界更清楚，也更适合普通用户长期使用。

总结一下：AI Agent 接股票数据源，关键不是让模型会不会分析，而是数据能不能稳定、结构化、可调用。网页搜索适合补充背景资料，真正的行情、题材、资金、涨停和自选股数据，最好走 API 或 MCP 工具层。

对于开发者来说，先把数据工具层设计好，再让 Agent 生成复盘和摘要，效果通常比堆 Prompt 更可靠。