Anthropic把模型"嘴炮"问题解决了

LLM写市场评论有个老毛病——没看数据也能说得头头是道。闲聊无所谓，但做产品功能、内部工具，用户真信了就是事故。

这篇指南教你搭一个金融助手：用MCP协议（模型上下文协议）拉取真实数据，Python算指标，LLM只负责把算好的事实讲清楚。不发明数字，不做数学题，只当"播音员"。

最终产出两个能直接塞进产品流程的模块：单只股票市场简报，以及对比多只股票波动率和回撤的观察清单。所有工具调用都有迹可循，用了什么数据一目了然。

MCP到底是什么，为什么能省掉一堆胶水代码

MCP解决的是工具集成的标准化问题。以前每换个数据源就要重写一遍封装层，现在MCP服务器把工具暴露成统一格式，应用端自动发现、直接调用。

对产品经理来说，这意味着集成成本可控。工具发现可预测，技术栈换了不用重写wrapper，模型层和数据层彻底解耦。

本教程的数据层用的是EOD Historical Data（EODHD），一家市场数据供应商。他们的MCP服务器暴露了价格和基本面工具，助手需要时直接调用。

关键前提：这里的MCP服务器纯粹当数据入口用。模型不决定调哪个工具、传什么参数——这些由代码硬编码，确保结果可复现。

"播音员"架构：让LLM只动嘴，不动手

整个系统分三层：MCP客户端封装、助手核心逻辑、 narration输出。数据流是单向的：工具调用→确定性计算→LLM润色。

客户端层（client.py）处理MCP服务器连接、工具发现、异步调用。核心层（core.py）包含7个模块：预算与追踪日志、请求解析、价格和基本面工具封装、确定性指标计算、观察清单工具、事实对象与narration、以及编排函数run_assistant()。

预算机制是个实用设计。每次调用前检查token消耗和API调用次数，防止跑飞。追踪日志则记录完整的工具调用链，方便审计。

指标计算全部用pandas和numpy完成。年化波动率、最大回撤、夏普比率——这些数字是算出来的，不是问出来的。LLM拿到的只是格式化后的事实对象。

两个Demo：从单股简报到多股对比

Demo 1输入一个股票代码，输出市场简报。流程：调用价格工具→计算20日波动率和52周回撤→查基本面→LLM用固定模板生成三段式评论。全程约4次API调用，耗时3秒内。

Demo 2处理观察清单。输入多个代码，并行拉取数据，计算横向对比指标。输出表格+文字解读，突出波动率分位和回撤排名。适合盘前快速扫一眼持仓风险。

两个Demo都保留了原始工具调用记录。用户点一下就能看到"这个数字来自哪次API返回"， debug和产品演示都很方便。

能直接上线吗？还差点什么

当前版本是MVP级别。已具备：确定性的指标计算、可追溯的数据血缘、清晰的LLM职责边界。欠缺：实时数据流（目前是日终批量）、错误重试机制、以及多用户并发隔离。

如果要产品化，建议优先加缓存层。EODHD的日终数据不变，重复查询直接命中Redis，成本能降一个数量级。

另一个隐藏收益：这套架构换数据源极快。把EODHD的MCP服务器换成Bloomberg或Wind，核心代码几乎不用动——只要新服务器的工具名和参数格式一致。

代码已开源。需要准备：EODHD API key、OpenAI API key、支持async的Python环境。没写过异步代码也能跟，把async函数当成"网络请求黑箱"就行，重点看数据怎么从工具流到最终输出。

最后留个实际问题：如果你的金融助手某天算出的夏普比率跟用户自己的Excel对不上，你会优先怀疑数据源头、计算逻辑、还是LLM的narration把数字写错了？