AI 怎么拿到实时行情和财报

你让 AI 帮你看一家公司，随口问了一句：它最近一个季度的营业收入是多少。

它答了。一个具体的数，后面还跟着同比变化，措辞干脆利落，没有半点犹豫。

现在请你诚实地回答自己一个问题：你怎么知道这个数是它查来的，还是它自己写的？

从屏幕上看，这两种情况长得一模一样。都是一个数，都很笃定，都没有「我不太确定」这四个字。而这两种情况在投研里的分量，差了十万八千里——一个是可以往下走的事实，一个是能把你整条推理链带沟里去的假货。

要分得清，就得知道它拿数据这件事，底下到底是怎么运转的。

玻璃房子里的分析师

先不管技术。想象一个场景。

你雇了一个分析师，把他关在一间玻璃房子里。房子隔音、没有网线、没有手机信号，只有一个小窗口。他手边有的只有他脑子里读过的那些东西。

你问他一个问题。他有两个选择。

第一个选择：凭记忆答。他读过的东西多，很多问题他确实答得上来——但他脑子里的东西停在某一天，之后发生的一概不知，而且他自己意识不到这件事。

第二个选择：写一张条子从窗口递出去。条子上写着「请帮我取某某公司最近八个季度的利润表」。窗外站着一个跑腿的，接过条子，出门去查，回来把材料从窗口塞进去。

关键在这儿：分析师本人从头到尾没出过那间屋子。 他不会上网，不会连数据库，不会打电话。他唯一多出来的能力，是「会写条子」。

材料准不准、全不全、是不是最新的，取决于跑腿的那个人靠不靠谱、去的是哪家资料室、路上有没有偷懒。跟玻璃房子里那位有多聪明，一点关系都没有。

这就是工具调用。你听到的「AI 能查实时行情」「AI 能读财报」，说的其实是这套跑腿机制，不是模型本身长出了新器官。

这件事对做投研意味着什么

这个区分不是抠字眼，它直接改变你该盯哪儿。

第一，数据质量的责任在工具那边，不在模型那边。

你换一个更聪明的模型，玻璃房子里换了个更资深的分析师，条子写得更专业了——但跑腿的还是那个人，资料室还是那家。数据错了还是错，缺了还是缺。很多人花大力气比较用哪个模型，却从没问过一句「它的数据是从哪儿来的」，这个精力分配是反的。

第二，评估一套 AI 投研系统，重点是评那几根管子。

问题清单应该是：行情从哪来、有没有复权、财报是原始申报口径还是加工过的、更新到什么时候、A 股港股美股是不是同一个源、拿不到的时候会怎么样。这些问题一个都不涉及模型，但它们决定了输出能不能用。

第三，也是最实用的一条：你可以直接问它「这个数你是查的还是想的」。

在一个把工具调用记录留下来的系统里，这个问题是有答案的——哪一步调了什么工具、传了什么参数、返回了什么，都是可以摊开的。这也是逼它交出处那套做法能成立的技术前提，怎么逼它把出处交出来 那篇专门讲怎么把这件事变成固定动作。而在一个没有工具、只有一个聊天框的地方问同样的问题，你只会得到另一段听着很像出处的话。

一次工具调用，实际发生了什么

现在拆开看。以开源 AI 投研项目 Vibe-Trading 为例，它的工具层结构很干净，正好拿来说明。

第一步，把工具做成一张说明书。

每个工具在代码里是一个类，必须写清三样东西：名字、一句给模型看的描述、以及参数格式。比如取行情那个工具，名字叫「取市场数据」，描述里写明「在你自己动手写抓取脚本之前，先用这个」，参数包括标的代码、起止日期、数据源、K 线周期。

然后有一个方法，把这三样东西打包成模型能读懂的格式，交给模型。注意，交过去的只是说明书，不是工具本身。 模型看到的是「有这么个东西，叫这个名，能干这个，要这几个参数」——就像玻璃房里贴了一张纸，写着窗外能帮你办哪些事。

第二步，模型输出一个调用请求。

模型这一轮不再吐一段分析，而是吐一个结构化的东西：工具名 + 一组参数。这就是那张条子。写完它这一轮就停了。

这一步是整件事的命门：模型做的全部动作，就是「写条子」。 它没有执行任何东西，也没有能力执行任何东西。

第三步，外面的程序去执行。

有一个注册表，按名字找到对应的工具，把参数传进去跑。这里有两个细节值得记住：找不到这个名字，返回一条错误；执行过程中报错，捕获下来，也返回一条错误。

第四步，结果作为一条新消息塞回对话里。

跑腿的把材料从窗口塞回去，模型接着往下想。

四步走完，你屏幕上才出现那个数。而你看到的只是最后一句话，中间三步默认是不显示的。

顺带说一句，这四步是 Agent 循环里的一环，循环本身的问题——比如它该调工具的时候没调、或者反复调同一个——是另一个话题，Agent 循环 那篇在说。这里只盯着「拿数据」这一段。

坑一：空值，和「我没查到」长得一模一样

看一个真实的设计细节。那个查大宗交易的工具，代码注释里写了一句：返回空列表，是一个合法的、非错误的结果——因为这段时间确实可能一笔都没有。

这句话完全正确，工程上也只能这么处理。但它带来一个后果：

「这只票最近一个月没有大宗交易」和「我这次没查着」，在返回值上是同一个东西——一个空列表。

模型看到一个空列表，它无法区分这两种情况。而它偏偏又是一台被训练成「总能接上话」的机器。于是常见的两种翻车方式是：

一种是把「查不到」说成「没有发生」。空的就当没有，写进结论里变成「未见异常」。在投研里，「没有」和「不知道」是两个完全不同的证据，前者能支持判断，后者只能支持继续查。

另一种更糟：它拿记忆去填那个空。手上没有数据，但报告需要一个数才显得完整，于是从训练语料里翻出一个印象中的数字放上去。这类事情不是偶发意外，是这台机器的默认行为，幻觉与事实核验 那篇把它的成因说得更透。

自查动作很简单：凡是「未发现」「无异常」「没有相关记录」这类否定结论，都要单独回去确认一次——确认的是查询本身跑通了没有，而不是结论本身。

坑二：结果被悄悄剪掉，它当成了全部

这个坑更隐蔽，而且我在源码里读到的那段注释，是这一整篇里最值得你记住的东西。

工具返回的材料可能非常长——几十个季度的利润表、几百行行情。但塞进对话的内容有长度上限（代码里是一个常量，属于当前默认值，可配置）。超了怎么办？剪掉。

问题是剪的方式。项目里那段注释写得很直白，大意是：悄悄剪掉的结果，和一个完整的答案在模型看来毫无区别，于是模型会把开头那一小截当成全部，照着往下讲。

紧接着注释里记了一次实测：调用财报工具取某只美股的季度报表，本该返回四十个报告期，静默剪掉之后，真正送到模型面前的大概只有十来个。

请把这个后果在脑子里过一遍。你让它「看看这家公司过去十年的利润趋势」，它只看到了最近三年，然后给你写了一段关于十年趋势的分析——语气一样自信，结构一样完整，唯一的区别是那七年它根本没见过，而它不知道自己没见过。

这个项目的处理办法是：剪的时候必须留一句明确的话，写清送了多少、总共多少、剩下的没送，并且告诉模型别把这当成完整结果，要么缩小范围重问，要么用分页参数再取一次。

从「悄悄剪」改成「剪了并且说」，代码没多几行，但这是诚实和不诚实的分界线。 你评估任何一套 AI 投研工具，都可以拿这条去量：它遇到装不下的时候，是闭着眼睛剪，还是剪完告诉你。

坑三：数据源被自动换掉了，你不知道这个价是谁给的

再看取行情那个工具的参数。数据源那一项是个枚举，列了将近二十个可选项——各家免费的、要钱的、覆盖 A 股的、覆盖美股港股的、覆盖加密货币的。默认值是「自动」。

「自动」的说明里写着：根据标的代码的格式判断该用哪个源，并且带回退。

回退就是：首选的那个源没响应，换下一个。这个设计在工程上非常合理，不这么做系统会经常性罢工。但对投研来说，它意味着一件事：

你今天拿到的这根 K 线，和上周那根，可能来自两个不同的数据商。

不同数据源之间，复权方式可能不同、停牌日怎么填可能不同、盘后修正什么时候同步可能不同、小数位怎么取舍可能不同。单看一根线你看不出任何异样，但你要是拿这些数去算收益率、去比对两个时间段，差异就悄悄进去了。

而模型对此一无所知——它拿到的是一张表，表上没写「本次由备用源提供」。

这一条和量化里那个老问题是同一个病根：你以为你在用同一套数据，实际上底下换过。时点数据的那套讲究——时点数据——之所以要抠到「当时能看到的版本」，就是因为数据这东西比人想的活。

自查动作：任何要做纵向比较、要算收益率的场合，先确认整段数据来自同一个源。 拿不准就别比。

坑四：报错也只是一条普通的文字

前面说过，工具执行失败会被捕获，然后返回一条内容是错误信息的消息。

注意这个「返回」的性质。它返回的是一段文字，跟正常的数据一样，作为一条普通消息塞回对话里。它不是一个红色警告框，也不会让整个流程停下来。

于是模型完全可以选择——不是恶意的选择，只是它接话的天性——绕过去。上一步取数失败了，它可以不提，转而用一些不依赖那个数的表述把这一段圆过去：「从行业整体情况来看」「结合此前的公开信息」。段落读起来是通的，你根本看不出这里缺了一块。

这就是静默降级：流程没断，输出照给，只是里面少了一块，而且没人告诉你少了哪一块。

对付它只有一个办法，就是别只看最后那段结论。要么看得到工具调用的执行记录，要么在指令里明确要求「任何一次取数失败必须在正文里单独列出来」。把这条写进提示词是有用的，虽然不是百分之百可靠——所以能看记录的时候，永远优先看记录。

那到底该怎么用

给你四个可以立刻执行的动作。

一、把关键数字回到原始文件里对一遍。 不是全部，是那几个真正撑着你结论的数。这一步永远省不掉，怎么用好一手资料 那篇讲的就是这个习惯。

二、优先用能看到调用记录的工具。 只给你一段漂亮结论、不给你中间过程的产品，你没有办法验证它。同样一段话，一个可查、一个不可查，价值完全不同。

三、否定结论单独确认。 「没查到」和「不存在」，只有你自己能分清。

四、要求长任务分段做。 与其让它一次读完十年财报，不如按年分批取、每批让它明确报告取到了什么。这样截断和失败都会暴露出来。想让工具环节更规范一些，把接口标准化是一个方向，MCP 那篇会说到，也可以顺着 AI 联网检索 那篇看联网取材这一类工具的特殊之处。

最后必须讲清一条边界。这一整篇讲的都是取数据这类工具，也就是只读的、拿回来给你看的。工具体系里还有另一类是能对外产生动作的——下单、划转、修改配置。这两类的风险完全不在一个量级：取数错了你损失的是判断质量，动作错了损失的是真金白银，而且不可撤销。任何涉及动作类工具的场景，都必须有明确的授权边界、额度上限、随时可中断的开关和完整的审计记录，缺一条都不该开。本篇讲的是怎么把材料拿准，不是怎么让它替你按按钮。

小结

• 模型不会上网也不会查库。它只会输出一个「我要调某个工具」的请求，真正执行的是外面的程序。它是玻璃房子里那个只能写条子的分析师。
• 数据质量的责任在工具那边。 换更聪明的模型不解决数据问题；评估一套 AI 投研系统，重点评它接的那几根管子。
• 空列表既可能是「真的没有」，也可能是「没查到」，两者长得一样。否定结论必须单独确认。
• 结果超长会被剪掉，悄悄剪和完整答案在模型看来无法区分——源码注释里那个「四十个报告期只送到十来个」的实测，是这一整套坑里最该记住的一件事。
• 数据源可能被自动回退换掉，你拿到的两段数据未必同源。做纵向比较前先确认。
• 工具报错只是一条普通消息，模型可能绕过去接着说，这就是静默降级。只看结论永远发现不了它。
• 取数类工具和动作类工具风险不在一个量级，后者必须有授权边界、额度限制、可中断、可审计。

一句话记住这篇：它说得再准，也只是转述了跑腿的人递进来的那张纸——你要盯的是那个跑腿的，不是它。

本文所引源码均来自上述快照版本，是阅读代码与注释得出的机制说明，不是运行结果。本文不评价任何工具或方法的盈利能力。回 量化与 AI 投研概念库 看其它概念；本站内容为投资教育，不构成任何投资建议，边界见 免责声明。