基于Deepseek我做了一个股票趋势分析多 Agent 系统

大家好，我是小C，很久没有更新文章了，今天给大家分享一个最近在做的项目“股票趋势分析系统”。

这个项目在github上开源的：https://github.com/young-1-code/StockAnalysisAssistant.git，大家看了以后如果觉得有用帮忙点下star。

---

先说个结论，这个系统不是一个 Prompt 工程项目

用户输入一句话：

分析比亚迪最近30天走势

系统会自动完成下面这些事情：

1. 识别“比亚迪”对应的股票代码
2. 获取最近 30 天历史行情
3. 获取当前实时行情快照
4. 计算 MA、MACD、RSI、布林带等技术指标
5. 结合模型生成自然语言分析
6. 输出 Markdown 格式的分析报告

听起来像一个“股票问答助手”。

但我实际想做的，不是一个问答机器人，而是一条完整的分析链路。

也就是说，这个项目的重点不是“会不会说”，而是“能不能把事情做完”。

• 支持终端交互和web浏览器交互，如下图所示：

这篇文章就讲讲，这个项目是怎么做的。

为什么一定要拆成多个 Agent

这个项目里，我把职责拆成了 3 个 Agent。

1. Orchestrator Agent

这是总调度。

它负责：

• 接收用户请求

• 调用 Data Agent 拿数据

• 调用 Analyst Agent 做分析

• 汇总结果

• 生成最终报告

它本身不负责取数，也不负责算指标。

这样做的目的很简单：

把流程控制和业务能力拆开。

以后你想替换数据源，或者更换分析模型，不需要改整个主流程。

———

2. Data Agent

这个 Agent 专门处理股票数据。

它做的事情包括：

• 通过 AKShare 获取历史 K 线

• 获取实时行情快照

• 识别股票名称

• 推断交易所信息

• 判断当前市场状态

• 标注行情时效性

• 缓存交易日历，避免在线接口失败后完全不可用

这里面有一个我比较看重的点：

实时价和历史复权价不是一个口径。

很多系统分析股票时，直接把“当前价格”和“后复权收盘价”摆在一起比较，这其实很容易误导用户。

这个项目里，我把这些信息明确分开了：

• 最新现价

• 最新收盘价

• 除权价参考

• 抓取时间

• 当前市场状态

• 时效提示

你做工具的时候，这些细节不处理，后面问题都会回来找你。

———

3. Analyst Agent

这个 Agent 负责真正的趋势分析。

目前实现了这些指标：

• MA5 / MA20 / MA60

• MACD

• RSI(14)

• 布林带

在此基础上，系统会给出一个综合趋势判断：

• 上涨趋势

• 下跌趋势

• 震荡整理

然后再调用 DeepSeek，把指标结果组织成更容易读的自然语言分析。

所以它不是把几组数字扔给用户，而是做了两层事情：

1. 算指标

2. 解释指标

这才是“分析 Agent”该做的事。

———

这个系统的结构其实不复杂

调用流程很直接：

用户 ↓ Orchestrator Agent ↓ Data Agent ↓ Analyst Agent ↓ Report Skill ↓ CLI / Web / MCP 输出

如果再翻译成人话，就是：

• 用户提出分析请求

• 调度 Agent 负责组织流程

• 数据 Agent 负责拿数据

• 分析 Agent 负责算指标和调用模型

• 报告模块负责把结果整理成可读内容

这个结构最大的好处就是一句话：

谁干什么，非常清楚。

工程里很多问题不是算法难，而是边界不清。

边界不清，代码就会长成一团。

———

我没有只做命令行，还把 Web 和 MCP 一起接上了

如果一个项目只能在作者自己机器上的终端里跑，那它的可用性其实很有限。

所以这个项目我做了三个入口。

1. CLI

最直接的方式，适合调试和开发：

analyze 000001 60 分析 比亚迪 30 帮我分析一下比亚迪最近30天走势

项目里做了自然语言解析，所以不需要用户死记命令格式。

———

2. Web 控制台

除了 CLI，我还做了一个 Web 页面。

它支持：

• 输入自然语言分析请求

• 展示分析报告

• 查看后端 Agent 在线状态

• 保留最近分析记录

这部分的意义不只是“好看”，而是让系统变得更像一个真正可用的工具，而不是开发者自娱自乐的脚本。

———

3. MCP Server

这一层是我觉得很有价值的部分。

因为只要把能力暴露成 MCP 工具，这个项目就不再只是一个孤立应用，而是一个可以被其他 Agent 系统直接调用的能力模块。

目前已经提供了这些工具：

• stock_history

• stock_info

• realtime_quote

• technical_indicators

• analysis_report

也就是说，如果你上层已经有一个智能体平台，这个系统可以直接接进去，不需要重新发明一套接口。

———

这个项目适合什么人参考

我觉得主要适合下面几类人。

1. 想做垂直领域 Agent 的开发者

如果你不满足于做一个“大模型问答壳”，而是想做真正能完成任务的 Agent 系统，这个项目有参考价值。

因为它不是单点能力，而是一条完整链路：

• 输入解析

• 任务编排

• 数据获取

• 技术分析

• 模型生成

• 多端输出

———

2. 想做金融 AI 原型的人

如果你在做：

• 股票分析助手

• 智能投研工具

• 金融问答系统

• 研究员辅助平台

这套结构是可以直接拿去改的。

———

3. 想把 MCP 真正用起来的人

很多人知道 MCP，但不知道怎么落地。

我自己的理解是：

不要为了 MCP 去做 MCP。先把能力拆清楚，再把能力挂出去。

这个项目就是按这个思路做的。

———

后面还能继续怎么扩展

这个系统现在已经能完整跑起来，但还远没到头。

后面可以继续做这些事情：

• 增加更多技术指标，比如 KDJ、ATR、量价异动

• 支持多股票横向对比

• 增加策略回测

• 增加任务持久化和历史记录管理

• 接入企业微信、飞书、钉钉通知

• 增加更完整的图表可视化

• 支持 ETF、港股、美股

———

最后

这个项目做下来，我最大的感受就一句话：

AI 系统真正难的，往往不是模型本身。

模型只是其中一个环节。

真正决定系统质量的，通常是这些东西：

• 模块怎么协作

• 结果怎么组织

• 能力怎么复用

如果这些事情没做好，模型再强，系统也容易乱。

反过来，如果结构清楚，哪怕先用一套不那么复杂的模型，整个项目也能很稳地往前长。

这也是我做这个股票趋势分析多 Agent 系统时，最想验证的一件事。

———

风险提示

本文介绍的项目主要用于技术实践、系统设计验证和趋势分析研究，不构成任何投资建议。市场有风险，决策需谨慎。