最近不少人开始把股票研究接到 AI Agent 里。

典型需求包括：

• 盘后自动复盘；
• 自选股每日摘要；
• 涨停梯队和题材轮动分析；
• 资金流向跟踪；
• 公告和事件提醒；
• 把行情、K 线、新闻和个股上下文整理成报告。

这时候大家很容易问一句：

有什么股票数据源适合接入我的 Agent？

这个问题看起来是在选数据源，本质上是在选“Agent 能不能稳定做事”的基础设施。

如果只是给人看，网页就够了。

如果只是写脚本，API 就够了。

但如果是给 Agent 用，就要多想一层：这个数据源能不能被模型稳定理解和调用。

一、先别急着选产品，先分清 Agent 的任务类型

不同任务对数据源的要求差很多。

1. 临时问答型

例如：

帮我看一下某只股票最近走势。

这种任务对实时性和结构化要求中等。能查到行情、K 线、基本资料，基本就能完成。

2. 每日复盘型

例如：

每天收盘后帮我做一份 A股市场复盘。

这个任务要求明显更高。

它需要固定口径：

• 大盘涨跌；
• 涨跌家数；
• 涨停数量；
• 跌停数量；
• 炸板情况；
• 连板高度；
• 题材热度；
• 资金方向；
• 核心个股；
• 风险事件。

如果每天靠搜索网页拼结果，口径很容易飘。

3. 监控提醒型

例如：

如果自选股有公告、异动、放量或跌破关键位置，提醒我。

这种任务不只需要查询，还需要稳定的字段、时间戳、状态记录和错误处理。

4. 投研工作流型

例如：

围绕一个题材，帮我找相关公司、行情表现、资金流、公告、机构观点，并形成研究备忘。

这类任务会跨多个数据域，Agent 需要连续调用多个工具。

所以，股票数据源不能只看“有没有接口”，还要看它能不能支撑任务拆解。

二、一个适合 Agent 的数据源，至少要过这几关

我会从七个维度看。

1. 数据是否结构化

Agent 最怕拿到一大段网页正文，然后自己猜哪个数字代表涨幅。

更理想的结果应该是字段化的：

{
  "code": "600000",
  "name": "示例股票",
  "close": 10.25,
  "pctChg": 3.54,
  "tradeDate": "2026-06-24"
}

字段清楚，模型才不容易误读。

2. 工具边界是否清楚

好的工具不是“大而全接口”，而是边界清楚。

例如：

• 查行情；
• 查 K 线；
• 查资金流；
• 查涨停梯队；
• 查公告；
• 查题材；
• 查龙虎榜。

Agent 能理解“什么时候该用哪个工具”，调用稳定性会高很多。

3. 时间口径是否明确

股票数据非常依赖时间。

一个结果里最好能说清楚：

• 请求的是哪天；
• 实际返回的是哪天；
• 是否交易日；
• 是否盘中数据；
• 是否有延迟；
• 是否有缺失或降级。

否则 Agent 很容易把旧数据当成今天的数据。

4. 错误信息是否可理解

很多接口报错只返回一串状态码。

对程序员还好，对 Agent 不友好。

更好的方式是告诉它：

• 参数不合法；
• 股票代码不存在；
• 数据暂不可用；
• 达到限流；
• 当前不是交易时段；
• 需要更高权限。

Agent 才能决定是换参数、重试，还是告诉用户查不到。

5. 能否被工具发现

如果是传统 REST API，你通常要把文档写进 Prompt，告诉 Agent 怎么调。

这很脆。

MCP 的优势在于：Agent 可以通过工具列表知道有哪些能力，再按 schema 调用。

对长期运行的 Agent 来说，这比“塞一堆 API 文档进上下文”更稳。

6. 是否适合目标市场

美股、A股、港股、外汇、加密货币的数据结构差异很大。

如果你做 A股短线研究，就会关心：

• 涨停；
• 跌停；
• 炸板；
• 连板；
• 题材；
• 龙虎榜；
• 北向或主力资金；
• 公告和短线催化。

很多国际数据源做全球行情很好，但对这些 A股本地语义覆盖不一定够。

7. 接入成本是否符合团队规模

个人开发者、创业团队、投研团队的选择不一样。

有些方案适合脚本，有些方案适合机构终端，有些方案适合 Agent 工具层。

不要只看功能表，也要看你有没有时间维护封装、缓存、限流、异常处理和字段解释。

三、常见股票数据源怎么放在架构里

下面不是排名，而是看不同方案适合什么位置。

方案	更适合	给 Agent 用时的注意点
Tushare	Python 量化、历史数据、基础数据、离线研究	通常需要再封装工具层和字段说明
AkShare	开源金融数据探索、研究脚本、快速验证	需要关注接口变动、数据源稳定性和异常兜底
东方财富 / 专业终端开放能力	专业行情、授权数据、机构场景	要看账号权限、授权边界和二次封装成本
Alpha Vantage 等国际数据源	美股、外汇、全球市场	对 A股短线语义覆盖通常不完整
MCP 工具层	AI Agent、自动复盘、工具调用	重点看工具设计、字段口径和数据覆盖

一个比较现实的组合是：

• 底层保留成熟数据源；
• 中间做清洗、缓存、归一化；
• 上层暴露成 Agent 能调用的工具；
• 对支持 MCP 的客户端，优先用 MCP；
• 对不支持 MCP 的平台，再用 HTTP 工具或工作流节点包装。

这样比单独依赖某个接口更稳。

四、不要一开始就接十几个接口

很多人刚开始会想把所有数据都接进 Agent。

结果往往是：

• 工具太多，模型不知道怎么选；
• 字段太杂，报告质量不稳定；
• 错误太多，调试成本很高；
• 上下文很快被接口说明占满。

我的建议是先做一个最小闭环。

如果目标是 A股盘后复盘，可以先接五类工具：

1. 市场概览；
2. 涨停 / 跌停 / 炸板；
3. 连板梯队；
4. 题材热度；
5. 个股行情和 K 线。

等这条链路稳定了，再加资金流、公告、龙虎榜、研报和自选股。

Agent 工程里，“少而稳的工具”通常比“大而散的接口”更有价值。

五、一个简单判断标准

当你评估一个股票数据源能不能接 Agent，可以问自己这些问题：

• 我能不能用一句话说清每个工具的用途？
• Agent 能不能通过 schema 知道参数怎么填？
• 返回结果里有没有明确时间和数据口径？
• 查不到数据时，错误信息是否可解释？
• 多个工具能不能组合成一个完整任务？
• 是否覆盖我真正需要的市场语义？
• 用户问“为什么这么判断”时，我能不能追溯数据来源？

如果这些问题大多回答不上来，就说明还缺一层 Agent 工具设计。

六、文末资料区

如果你正在做 A股方向的 Agent，可以参考这些入口来理解不同路线：

• Tushare：适合 Python 数据脚本和量化研究；
• AkShare：适合开源金融数据探索；
• 东方财富 / 专业终端开放能力：适合授权行情和机构场景；
• Alpha Vantage：适合全球市场数据；
• MCP：适合把数据能力包装成 Agent 工具。

我自己做 A股 Agent 数据层时，也整理过一个 MCP 工具层案例：

https://data.quicktiny.cn/
https://data.quicktiny.cn/agent-stock-data-source.html
https://stock.quicktiny.cn/api/mcp

这类方案不一定替代传统数据源，更像是把股票数据变成 Agent 能稳定使用的“工具层”。

最后提醒一句：股票数据和自动化分析只能辅助研究，不构成投资建议。真正做决策时，还是要结合自己的交易系统、风险承受能力和数据校验。