MCP 实战：打造股票分析助手系统

图片来源网络，侵权联系删。

文章目录

• [1. 引言](#1. 引言)
• [2. MCP 核心机制与 Web 技术栈的深度映射](#2. MCP 核心机制与 Web 技术栈的深度映射)
• • [2.1 MCP 工作流程（Mermaid）](#2.1 MCP 工作流程（Mermaid）)
• [3. 系统设计：基于 MCP 的股票分析助手架构](#3. 系统设计：基于 MCP 的股票分析助手架构)
• • [3.1 功能需求](#3.1 功能需求)
  • [3.2 工具定义（MCP Tool Schema）](#3.2 工具定义（MCP Tool Schema）)
• [4. 工程实现：Java 后端 + Vue 前端全栈开发](#4. 工程实现：Java 后端 + Vue 前端全栈开发)
• • [4.1 后端：Spring Boot 实现 MCP Agent 编排器](#4.1 后端：Spring Boot 实现 MCP Agent 编排器)
  • [4.2 前端：Vue 3 展示分析结果](#4.2 前端：Vue 3 展示分析结果)
• [5. 生产级优化：提升可靠性、性能与安全性](#5. 生产级优化：提升可靠性、性能与安全性)
• • [5.1 防幻觉：强制数据驱动回答](#5.1 防幻觉：强制数据驱动回答)
  • [5.2 性能优化](#5.2 性能优化)
  • [5.3 安全性](#5.3 安全性)
• [6. 总结与延伸：从股票助手到通用 MCP 平台](#6. 总结与延伸：从股票助手到通用 MCP 平台)
• • 下一步建议
  • 推荐资源

1. 引言

在 Web 开发中，我们早已习惯通过 API 获取数据、处理逻辑、渲染界面。而 MCP（Model Context Protocol）正是将这一范式扩展到 AI Agent 领域的标准协议------它让 LLM 能像调用 RESTful 接口一样，安全、可靠地使用外部工具。

对于有 Java/Node.js + Vue/React 经验的开发者来说，构建一个生产级股票分析助手不再是"AI 黑魔法"，而是一次熟悉的全栈工程实践：

• 用户提问 → Agent 理解意图 → 调用金融 API → 分析数据 → 生成结构化报告 → 前端可视化

本文将基于 MCP 思想，手把手带你从零实现一个支持多工具调用、上下文记忆、防幻觉输出的股票分析系统，并提供完整可运行的代码示例。

---

2. MCP 核心机制与 Web 技术栈的深度映射

MCP 的本质是为 LLM 提供标准化的"操作系统接口"，其三大核心组件与 Web 开发高度对应：

MCP 概念	Web 开发类比	作用
Context（上下文）	HTTP Session / JWT Payload	存储用户身份、对话历史、临时状态
Tool（工具）	RESTful API / gRPC 服务	封装外部能力（如查股价、读新闻）
Protocol（协议）	OpenAPI Spec / JSON Schema	定义工具输入/输出格式，确保类型安全

✅ 关键优势：Web 开发者无需学习新范式，只需将现有工程经验迁移到 Agent 场景。

2.1 MCP 工作流程（Mermaid）

News_API Financial_API MCP_Agent Backend Frontend User News_API Financial_API MCP_Agent Backend Frontend User "特斯拉最近一周表现如何？" POST /analyze { query: "...", sessionId: "abc" } 初始化上下文 + 注册工具 解析意图 → 需调用 get_stock_price & get_news GET /price?symbol=TSLA&days=7 返回股价数据 GET /news?symbol=TSLA&limit=3 返回新闻列表 基于数据生成结构化分析 { "summary": "...", "trend": "up", "confidence": 0.85 } 返回 JSON 渲染图表 + 文字结论

---

3. 系统设计：基于 MCP 的股票分析助手架构

3.1 功能需求

支持以下自然语言查询：

• "苹果公司最近股价走势？"
• "比较英伟达和 AMD 的基本面"
• "特斯拉有负面新闻吗？"

系统需具备：

• 实时股价获取（Alpha Vantage）
• 新闻情感分析（NewsAPI + LLM）
• 防幻觉机制（仅基于数据回答）
• 结构化输出（前端可直接解析）

3.2 工具定义（MCP Tool Schema）

// tools/stock_tools.json
[
  {
    "name": "get_stock_price_history",
    "description": "获取某股票过去N天的收盘价",
    "input_schema": {
      "type": "object",
      "properties": {
        "symbol": { "type": "string", "description": "股票代码，如 AAPL" },
        "days": { "type": "integer", "default": 7, "minimum": 1, "maximum": 30 }
      },
      "required": ["symbol"]
    },
    "output_schema": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "date": { "type": "string", "format": "date" },
          "close": { "type": "number" }
        }
      }
    }
  },
  {
    "name": "get_company_news_with_sentiment",
    "description": "获取某公司最近新闻及其情感倾向",
    "input_schema": {
      "type": "object",
      "properties": {
        "symbol": { "type": "string" },
        "limit": { "type": "integer", "default": 5 }
      },
      "required": ["symbol"]
    },
    "output_schema": {
      "type": "array",
      "items": {
        "type": "object",
        "properties": {
          "title": { "type": "string" },
          "url": { "type": "string", "format": "uri" },
          "sentiment": { "type": "string", "enum": ["positive", "neutral", "negative"] }
        }
      }
    }
  }
]

🔍 这相当于 Web 后端的 OpenAPI 文档，Agent 会据此安全调用工具。

---

4. 工程实现：Java 后端 + Vue 前端全栈开发

4.1 后端：Spring Boot 实现 MCP Agent 编排器

// McpAgentService.java
@Service
public class McpAgentService {

    private final RestTemplate restTemplate;
    private final OpenAiService openAiService; // 使用官方 SDK 或 LangChain4j

    public StockAnalysisResponse analyze(String sessionId, String userQuery) {
        // 1. 加载上下文（含历史对话）
        McpContext context = contextStore.load(sessionId);
        context.addUserMessage(userQuery);

        // 2. 注册工具（实际项目中可动态加载）
        context.registerTool("get_stock_price_history", this::fetchStockPrice);
        context.registerTool("get_company_news_with_sentiment", this::fetchNewsWithSentiment);

        // 3. 构建系统提示词（含工具说明）
        String systemPrompt = """
        你是一名专业金融分析师，请严格遵守：
        - 仅基于工具返回的数据回答
        - 若数据不足，回答"信息不足"
        - 输出必须为以下 JSON 格式：
        {"summary":"...","recommendation":"hold","confidence":0.8}
        """ + context.getToolDescriptions();

        // 4. 调用 LLM（启用 function calling）
        ChatCompletionResult result = openAiService.createChatCompletion(
            ChatCompletionRequest.builder()
                .model("gpt-4o")
                .messages(context.getMessagesForLLM(systemPrompt))
                .tools(context.getOpenAIToolDefinitions())
                .toolChoice("auto")
                .build()
        );

        // 5. 执行工具调用（如有）
        if (result.hasToolCalls()) {
            for (ToolCall call : result.getToolCalls()) {
                Object output = context.executeTool(call);
                context.addToolResponse(call.getId(), output);
            }
            // 二次调用生成最终回答
            result = openAiService.createChatCompletion(...); // 传入更新后的上下文
        }

        // 6. 保存上下文并返回结构化结果
        contextStore.save(sessionId, context);
        return parseJsonToResponse(result.getMessage().getContent());
    }

    private Object fetchStockPrice(Map<String, Object> args) {
        String symbol = (String) args.get("symbol");
        int days = (int) args.getOrDefault("days", 7);
        // 调用 Alpha Vantage API
        String url = "https://www.alphavantage.co/query?function=TIME_SERIES_DAILY&symbol=%s&apikey=%s"
                     .formatted(symbol, apiKey);
        JsonNode response = restTemplate.getForObject(url, JsonNode.class);
        // 解析并返回最近 days 天的数据（略）
        return extractedData;
    }
}

4.2 前端：Vue 3 展示分析结果

<!-- StockAnalyzer.vue -->
<template>
  <div class="analyzer">
    <input v-model="query" @keyup.enter="analyze" placeholder="例如：英伟达值得投资吗？" />
    <button @click="analyze">分析</button>

    <div v-if="result" class="result">
      <h2>分析摘要</h2>
      <p>{{ result.summary }}</p>

      <div class="metrics">
        <span class="recommendation" :class="result.recommendation">
          {{ result.recommendation.toUpperCase() }}
        </span>
        <span class="confidence">置信度: {{ (result.confidence * 100).toFixed(0) }}%</span>
      </div>

      <h3>相关新闻</h3>
      <ul class="news-list">
        <li v-for="news in result.news" :key="news.url">
          <a :href="news.url" target="_blank">{{ news.title }}</a>
          <span class="sentiment" :class="news.sentiment">{{ news.sentiment }}</span>
        </li>
      </ul>
    </div>
  </div>
</template>

<script setup>
import { ref } from 'vue'
import axios from 'axios'

const query = ref('')
const result = ref(null)
const sessionId = localStorage.getItem('session') || (localStorage.setItem('session', Date.now().toString()), Date.now().toString())

const analyze = async () => {
  const res = await axios.post('/api/stock/analyze', { 
    query: query.value, 
    sessionId 
  })
  result.value = res.data // 包含 summary, recommendation, confidence, news
}
</script>

<style scoped>
.recommendation.buy { color: green; font-weight: bold; }
.recommendation.sell { color: red; font-weight: bold; }
.recommendation.hold { color: orange; }
.sentiment.positive { color: green; }
.sentiment.negative { color: red; }
</style>

---

5. 生产级优化：提升可靠性、性能与安全性

5.1 防幻觉：强制数据驱动回答

在系统提示词中明确约束：

"你必须仅基于工具返回的数据生成回答。禁止猜测、编造或引用外部知识。若工具未返回有效数据，请回答'当前无足够信息进行分析'。"

5.2 性能优化

• 缓存 ：使用 Redis 缓存 get_stock_price_history(AAPL, 7)，TTL=5分钟
• 限流：对高频用户限制每分钟 3 次分析请求（类似 Web API 限流）
• 异步：复杂分析可转为后台任务，前端轮询结果

5.3 安全性

• 输入校验 ：后端校验 symbol 是否为合法股票代码（正则：^[A-Z]{1,5}$）
• API Key 隔离：金融 API Key 不暴露给前端，由后端代理调用
• 日志脱敏：记录日志时移除敏感用户信息

---

6. 总结与延伸：从股票助手到通用 MCP 平台

通过本次实战，我们验证了：

✅ MCP 是 Web 开发者构建 Agent 的理想范式

✅ 股票分析助手 = 微服务 + 智能路由 + 结构化输出

✅ 工程化思维 > AI 理论深度

下一步建议

1. 扩展工具集：接入财报 PDF 解析（LLM + PyPDF）、技术指标计算（TA-Lib）
2. 支持多 Agent 协作：一个负责数据，一个负责风险评估，一个生成报告
3. 部署到生产环境：使用 Docker + Kubernetes + Prometheus 监控

推荐资源

• 📊 Alpha Vantage 免费金融 API
• 🧠 LangChain4j（Java 版 LangChain）
• 📚 《Building Applications with LLMs》（O'Reilly，2025）
• 🌐 开源参考：LangChain Finance Agent Example

🌟 记住：你不是在"做 AI 项目"，而是在"用 AI 升级你的 Web 工程能力"。