原创内容第1040篇，专注AGI+，AI量化投资、个人成长与财富自由。
今日策略：
基于akshare的期货信息MCP代码如下：
import jsonimport osimport httpximport loggingimport sysimport akshare as akfrom datetime import datetime, timedelta, date, timefrom dotenv import load_dotenvfrom mcp.server.fastmcp import FastMCPfrom technical_analysis import calculate_all_indicators
import pandas as pdimport numpy as np
# 加载环境变量load_dotenv()
# 配置日志logging.basicConfig( level=logging.INFO, format="%(asctime)s - %(name)s - %(levelname)s - %(message)s", stream=sys.stderr,)logger = logging.getLogger("futures-mcp")
# 初始化MCP服务器mcp = FastMCP("futures-mcp")
# 自定义JSON序列化函数def json_serial(obj): """JSON序列化函数，处理日期/时间和其他特殊类型""" if isinstance(obj, (datetime, pd.Timestamp)): return obj.isoformat() if isinstance(obj, pd.DatetimeIndex): return obj.astype(str).tolist() if isinstance(obj, pd.Series): return obj.tolist() if isinstance(obj, pd.DataFrame): return obj.to_dict(orient='records') if isinstance(obj, np.integer): return int(obj) if isinstance(obj, np.floating): return float(obj) if isinstance(obj, np.ndarray): return obj.tolist() if isinstance(obj, (date, time)): return obj.isoformat() raise TypeError(f"Type {type(obj)} not serializable")
# 工具定义@mcp.tool()async def get_current_price(symbol: str) -> str: """获取期货实时价格
Args: symbol: 期货代码，例如 M2509 """ try: df = ak.futures_zh_realtime(symbol=symbol) if df.empty: return json.dumps({"error": f"未找到期货代码 {symbol}"}, indent=2, ensure_ascii=False) # 不需要再过滤，直接返回第一行数据 result = df.iloc[0].to_dict() return json.dumps(result, indent=2, ensure_ascii=False, default=json_serial) except Exception as e: return json.dumps({"error": str(e)}, indent=2, ensure_ascii=False)
@mcp.tool()async def get_prices( symbol: str, start_date: str = None, end_date: str = None, interval: str = "daily") -> str: """获取期货历史价格数据
Args: symbol: 期货代码，例如 白糖 start_date: 开始日期，格式：YYYYMMDD，默认30天前 end_date: 结束日期，格式：YYYYMMDD，默认当前日期 interval: 时间间隔，默认daily """ try: if not start_date: start_date = (datetime.now() - timedelta(days=30)).strftime("%Y%m%d") if not end_date: end_date = datetime.now().strftime("%Y%m%d")
# 首先获取主力合约代码 symbol_info = ak.futures_zh_realtime(symbol=symbol) if symbol_info.empty: return json.dumps({"error": f"未找到期货代码 {symbol}"}, indent=2)
main_contract = symbol_info.iloc[0]['symbol'] logger.info(f"获取{symbol}的主力合约: {main_contract}")
# 使用期货历史行情接口 df = ak.futures_main_sina(symbol=main_contract, start_date=start_date, end_date=end_date)
if df.empty: logger.warning(f"获取{main_contract}的历史数据为空") return json.dumps({"error": f"未找到{main_contract}的历史数据"}, indent=2)
# 确保列名统一 if 'date' not in df.columns and '日期' in df.columns: df = df.rename(columns={ '日期': 'date', '开盘价': 'open', '最高价': 'high', '最低价': 'low', '收盘价': 'close', '成交量': 'volume' })
# 确保日期列是字符串类型 if 'date' in df.columns: df['date'] = df['date'].astype(str)
return json.dumps(df.to_dict(orient='records'), indent=2, default=json_serial) except Exception as e: logger.error(f"获取历史价格数据失败: {str(e)}", exc_info=True) return json.dumps({"error": str(e)}, indent=2)
@mcp.tool()async def get_news(symbol: str) -> str: """获取期货相关新闻
Args: symbol: 期货代码，例如 M2509 """ try: df_news = ak.futures_news_shmet(symbol="全部") # 使用模糊匹配查找相关新闻 news_df = df_news[df_news['内容'].str.contains(symbol, case=False, na=False)] # 取最新的10条新闻 news_df = news_df.head(10) # 重命名列名 news_df = news_df.rename(columns={"发布时间": "date", "内容": "title"}) return json.dumps(news_df.to_dict(orient='records'), indent=2, default=json_serial) except Exception as e: return json.dumps({"error": str(e)}, indent=2)
@mcp.tool()async def get_technical_indicators( symbol: str, start_date: str = None, end_date: str = None) -> str: """获取技术分析指标
Args: symbol: 期货代码，例如 白糖 start_date: 开始日期，格式：YYYYMMDD，默认30天前 end_date: 结束日期，格式：YYYYMMDD，默认当前日期 """ try: # 首先获取历史数据 if not start_date: start_date = (datetime.now() - timedelta(days=30)).strftime("%Y%m%d") if not end_date: end_date = datetime.now().strftime("%Y%m%d")
# 获取历史价格数据 prices_response = await get_prices( symbol=symbol, start_date=start_date, end_date=end_date )
# 解析历史价格数据 try: prices_data = json.loads(prices_response)
# 如果返回了错误信息而不是数据 if isinstance(prices_data, dict) and 'error' in prices_data: return prices_response # 直接返回错误
# 确保有数据才创建DataFrame if not prices_data: return json.dumps({"error": "没有可用的历史价格数据"}, indent=2)
df_hist = pd.DataFrame(prices_data)
# 计算技术指标 df = calculate_all_indicators(df_hist)
# 确保日期列是字符串类型 if 'date' in df.columns: df['date'] = df['date'].astype(str)
return json.dumps(df.to_dict(orient='records'), indent=2, default=json_serial) except Exception as e: logger.error(f"解析历史数据失败: {str(e)}", exc_info=True) return json.dumps({"error": f"解析历史数据失败: {str(e)}"}, indent=2) except Exception as e: logger.error(f"获取技术指标失败: {str(e)}", exc_info=True) return json.dumps({"error": str(e)}, indent=2)
@mcp.tool()async def analyze_futures(symbol: str) -> str: """使用AI分析期货数据
Args: symbol: 期货代码，例如 白糖 """ try: # 获取实时价格 current_price_resp = await get_current_price(symbol) try: current_data = json.loads(current_price_resp) if "error" in current_data: # 如果获取实时价格失败，创建基本信息 current_data = {"symbol": symbol, "price": "未知", "error": current_data["error"]} except Exception as e: logger.warning(f"解析实时价格数据失败: {str(e)}") current_data = {"symbol": symbol, "price": "未知", "error": str(e)}
# 获取历史数据 start_date = (datetime.now() - timedelta(days=30)).strftime("%Y%m%d") end_date = datetime.now().strftime("%Y%m%d")
prices_response = await get_prices(symbol, start_date, end_date) try: prices_data = json.loads(prices_response) if isinstance(prices_data, dict) and "error" in prices_data: # 处理错误情况 logger.warning(f"获取历史数据失败: {prices_data['error']}") historical_data = [] df_hist = None else: historical_data = prices_data if historical_data: df_hist = pd.DataFrame(historical_data) else: logger.warning("历史数据为空") df_hist = None except Exception as e: logger.warning(f"解析历史数据失败: {str(e)}") historical_data = [] df_hist = None
# 获取技术指标 indicators = [] if df_hist is not None and not df_hist.empty: try: # 计算技术指标 df_tech = calculate_all_indicators(df_hist)
# 确保日期列是字符串类型 if 'date' in df_tech.columns: df_tech['date'] = df_tech['date'].astype(str)
indicators = df_tech.to_dict(orient='records') except Exception as e: logger.warning(f"计算技术指标失败: {str(e)}")
# 获取新闻 news_response = await get_news(symbol) try: news_data = json.loads(news_response) if isinstance(news_data, dict) and "error" in news_data: logger.warning(f"获取新闻失败: {news_data['error']}") news = [] else: news = news_data except Exception as e: logger.warning(f"解析新闻数据失败: {str(e)}") news = []
# 整合数据 data = { "current_price": current_data, "historical_data": historical_data[-5:] if historical_data else [], # 最近5条记录 "technical_indicators": indicators[-5:] if indicators else [], # 最近5条记录 "news": news[:5] if news and isinstance(news, list) else [] # 最新5条新闻 }
# 准备AI分析请求 messages = [ { "role": "system", "content": "你是一个专业的期货分析师，请根据提供的数据进行简明扼要的分析。" }, { "role": "user", "content": f"请分析{symbol}的以下数据：\n{json.dumps(data, ensure_ascii=False, default=json_serial)}" } ]
# 调用DeepSeek API try: analysis = await deepseek_client.chat_completion( messages=messages, model="bot-20250329163710-8zcqm" ) analysis_text = analysis.choices[0].message.content except Exception as e: analysis_text = f"AI分析调用失败: {str(e)}"
# 返回分析结果 result = { "symbol": symbol, "analysis": analysis_text, "timestamp": datetime.now().isoformat() } return json.dumps(result, ensure_ascii=False, indent=2, default=json_serial) except Exception as e: logger.error(f"分析期货数据失败: {str(e)}", exc_info=True) return json.dumps({"error": str(e)}, indent=2, ensure_ascii=False)
if __name__ == "__main__": # 记录服务器启动 logger.info("启动期货MCP服务器...") # 初始化并运行服务器 mcp.run(transport="stdio")AGI与智能体开发
所有工具包括rag都mcp化，似乎不用多智能体。多智能体用在什么场景呢？
这是最近的一个思考。
大家习惯一上来就考虑多智能体，尤其在一个app里，有一些垂直的智能体，其实本质上就是多支持一些tool，或者需要加载一些知识库。
对于大多数应用场景，"单智能体 + 全面MCP化工具体系" 确实是最简单高效的架构。多智能体更像是当单一"超级大脑"无法有效处理复杂协作、专业分工的"进阶解决方案"。
我有一个简单的总结，就是如果你需要多个人设和技术集的时候，那需要多个智能体。
多智能体系统，通过各种工具去获取信息，比如联网，调api和mcp以及RAG。RAG本质上就是查询补充知识库，RAG也可以通过MCP去调用。
每天"不管"一点点，每天就变强一天天。
代码和数据下载：AI量化实验室------2025量化投资的星辰大海
Quant4.0，基于AgentScope开发 | 年化316%，回撤14%的超级轮动策略，附python代码