AI Agent 写行情监控？先让它接上 MCP 工具查一次真实数据

AI Agent 写行情脚本前，必须先接上外部行情工具，完成一次可复核的查询。 第一步不是直接生成完整监控系统，而是确认工具可见、查询一个真实 symbol、核对 symbol、last_price、timestamp 等字段。MCP 工具调用是单次查询，不是 WebSocket 持续推送，也不构成投资建议。

你用 Cursor 或 Claude Code 让 AI 写一个 A 股实时行情监控脚本。AI 洋洋洒洒输出了几十行代码，import 了一堆库，还贴心地加上了异常处理。但你一跑就报错——它用了一个根本不存在的 API 端点，或者捏造了 get_stock_price 这样根本不存在的函数。AI 在凭记忆"编造"行情接口，而你让它"写代码"之前，从没让它先看一眼真正的行情工具长什么样。

正确的顺序是：先接工具，再做一次可复核的查询，最后才生成脚本骨架。

!image.png

一、行情工具长什么样：以 TickDB 为例

在让 AI 动手之前，先理解你要给它接的是什么。以 TickDB 为例，它是一个统一行情数据平台，把 A 股、港股、美股、期货、数字货币等市场的实时行情整合到一个入口里，然后通过多种方式向外提供——其中就包括专门给 AI 编程工具用的 MCP 接口。

TickDB 给 AI Agent 提供了三种接入形态，对应三种使用场景：

这三种形态各有分工，不能混用。本文聚焦的是第一种——MCP 工具调用，因为它的场景最特殊：你不是在写一个独立应用，而是在让 AI 帮你写应用，而 AI 需要先"看见"真实的行情工具，才知道代码该长什么样。

TickDB 的 MCP 工具通过远端 HTTP 端点接入，配置 Header 为 X-TickDB-Key，官方远端地址为 https://mcp.tickdb.ai/。在 Cursor 或 Claude Code 中配置完成后，AI 就能在对话中直接调用 get_ticker、get_kline 等工具。MCP 接口的意义在于：让 AI 在生成代码之前，先完成一次真实的工具调用，而不是靠训练记忆去猜测某个行情接口的返回格式。

本文以 TickDB 作为示例。如果你用的是其他数据源，原则是一样的——确认 AI 环境里有可用的工具，做一次可复核查询，再进入生成环节。

二、流程：先查后写

让 AI Agent 对接实时行情，按下面这五步走，每一步验证上一步的结果，不要跳：

用户任务：监控某只 A 股当前价格
       │
       ▼
① 工具可见：确认 AI 环境已加载 TickDB MCP 行情工具
       │
       ▼
② 单次查询：让 Agent 调 get_ticker 查一个真实 symbol
       │
       ▼
③ 字段核对：确认返回的 symbol、last_price、timestamp 存在且合法
       │
       ▼
④ 脚本骨架：基于已验证的工具调用方式生成监控脚本框架
       │
       ▼
⑤ 扩展与告警：加入多 symbol 循环、失败分支与结果汇总

每一步的输出，都是下一步的输入。跳步的直接后果：AI 在没验证工具存在的情况下就开始"编"代码，后续所有工作都建立在虚构的 API 之上。

三、第一步：确保 AI 能看见行情工具

在 Cursor 或 Claude Code 中配置好 TickDB MCP 之后，AI 就能在对话中直接调用 get_ticker 等工具。你可以用下面这个自然语言任务模板，直接复制给你的 AI Agent：

你现在可以访问 TickDB MCP 的行情工具。首先，列出当前可用的工具名称和描述，确认 get_ticker 已存在。

然后，用 get_ticker 查询 600519.SH，type=stock。
如果调用成功，按顺序回答：
1. 返回的 symbol 是否与请求一致？
2. last_price 是否存在且为可用数值？
3. timestamp 是否存在且为正整数？
不要补充建议，不要发散解释，只回答这三个问题的结果。

为什么用 600519.SH 做首次查询？ 它是一个 A 股常见品种，在 2026-06-14 的 TickDB MCP 测试中查询成功，返回 code=0，data 中包含该 symbol，且字段 symbol、type、last_price、timestamp 均可见。这个已知的可复核结果，是你判断工具是否正常工作的基准。

四、第二步：确认查询返回的关键字段

当 AI 返回查询结果后，不要直接让它写监控脚本。先核对以下三个字段：

这三个字段全部确认后，才进入第三步。任何一个缺失，都意味着工具调用不正常，需要回头检查配置或网络。

注意：MCP 工具调用是单次查询，不是持续推送。一次 get_ticker 成功，只证明当前这次查询可用——不等于后续每次都会成功，也不等于数据是实时推送的。你需要把错误处理写进脚本骨架。

五、第三步：生成监控脚本骨架

确认工具可用、字段正常后，再让 AI 生成脚本。这次它就不是凭空编造，而是基于已验证的工具调用方式去写。

!image.png

下面是一个可参考的自然语言任务模板：

基于刚才 get_ticker 的成功调用，帮我生成一个 Python 监控脚本的框架，要求：

1. 使用 dict 定义待监控的 symbol 列表：["600519.SH", "000001.SZ"]
2. 用循环逐个调用 get_ticker
3. 对每个返回结果检查：symbol 是否匹配、last_price 是否存在且可转为数值、timestamp 是否为正整数
4. 成功的结果放入 results 列表，失败的结果放入 errors 列表并记录 symbol 和失败原因
5. 最后输出一个状态表，包含 symbol、状态（成功/失败）、last_price（仅成功时显示）

不要写假的 API 调用，直接用 get_ticker 的真实调用方式。

AI 生成的脚本骨架应该大致是这个结构（伪代码，只展示逻辑流程，不是生产级代码）：

# 监控脚本骨架（伪代码，不可直接运行，非生产级代码）
# 基于 TickDB MCP get_ticker 工具的实际调用方式生成
from decimal import Decimal, InvalidOperation

SYMBOLS = ["600519.SH", "000001.SZ"]

results = []
errors = []

for sym in SYMBOLS:
    try:
        # 调用 get_ticker 工具，此处为 MCP 工具调用
        resp = call_tool("get_ticker", symbols=sym, type="stock")
        
        # 检查返回码
        if resp.get("code") != 0:
            errors.append({"symbol": sym, "reason": f"业务码异常: {resp.get('code')}"})
            continue
        
        # 提取 data 第一条
        items = resp.get("data", [])
        if not items:
            errors.append({"symbol": sym, "reason": "data 为空"})
            continue
        
        item = items[0]
        if item.get("symbol") != sym:
            errors.append({"symbol": sym, "reason": "symbol 不匹配"})
            continue
        
        # last_price 校验：必须存在、可转为有限 Decimal
        price_raw = item.get("last_price")
        if not isinstance(price_raw, str) or not price_raw.strip():
            errors.append({"symbol": sym, "reason": "last_price 缺失或为空"})
            continue
        try:
            price = Decimal(price_raw)
        except (InvalidOperation, ValueError):
            errors.append({"symbol": sym, "reason": f"last_price 无法解析: {price_raw}"})
            continue
        if not price.is_finite():
            errors.append({"symbol": sym, "reason": f"last_price 非有限数: {price_raw}"})
            continue
        
        # timestamp 校验：必须为正整数且非 bool
        ts = item.get("timestamp")
        if isinstance(ts, bool) or not isinstance(ts, int) or ts <= 0:
            errors.append({"symbol": sym, "reason": "timestamp 无效"})
            continue
        
        results.append({"symbol": sym, "last_price": str(price), "timestamp": ts})
        
    except Exception as e:
        errors.append({"symbol": sym, "reason": str(e)})

# 输出状态表
print("=" * 40)
print(f"{'symbol':<15} {'status':<10} {'last_price':<12}")
print("-" * 40)
for r in results:
    print(f"{r['symbol']:<15} {'成功':<10} {r['last_price']:<12}")
for e in errors:
    print(f"{e['symbol']:<15} {'失败':<10} {e['reason']:<12}")
print("=" * 40)

这是骨架，不是生产级代码。 你需要补充：日志记录、重试逻辑、告警阈值、持久化存储和错误通知。骨架的任务是让你确认 AI 理解了工具的正确调用方式，而不是直接把输出部署上线。

六、检查卡：从工具可见到脚本骨架

每完成一步，对照这张表打钩：

• [ ] 工具可见：AI 能列出可用工具，get_ticker 在列表中
• [ ] 单次查询成功：用 600519.SH 查询，返回 code=0，data 非空
• [ ] symbol 匹配：返回数据中的 symbol 与请求一致
• [ ] last_price 存在：字段存在且可解析为有限 Decimal
• [ ] timestamp 存在：字段为正整数且非 bool
• [ ] 脚本骨架生成：基于上述验证结果，AI 生成了循环查询和状态表逻辑
• [ ] 失败分支：脚本包含了 symbol 不匹配、data 为空、字段缺失、数值解析失败等异常处理

七、适合谁，不适合谁

!image.png

适合的场景：

• AI 工具链首次接入行情数据，需要验证工具可用性和返回结构
• 快速生成监控脚本骨架，后续手动补充生产逻辑
• 按需查询场景：每日定时任务查询一批 symbol，汇总状态

不适合的场景：

• WebSocket 持续推送——MCP get_ticker 是单次查询，不是流式推送
• 生产级低延迟监控——本文只验证字段可读性，不承诺延迟或稳定性
• 交易执行——本文不涉及下单、撤单、仓位管理

八、下一步

你已验证了工具可用、字段结构正确、脚本骨架能生成。接下来该做什么？

1. 用你自己的 symbol 列表跑一次完整循环，确认每个品种都能正常返回。
2. 补充你需要的业务逻辑：价格变动阈值告警、存储到数据库、定时触发。
3. 查阅 TickDB 官方文档，了解 MCP 工具完整列表以及 REST 和 WebSocket 接入方式的适用场景——单次查询用 MCP 或 REST，需要持续推送时再考虑 WebSocket。

别再让 AI 凭记忆写行情代码。先接上工具，查一个真实 symbol，核对三个关键字段，再生成脚本骨架。 你的 AI 助手能列出当前可用的行情工具吗？在评论区晒出它第一次 get_ticker 的返回摘要——symbol、last_price 是否有值、timestamp 是否合理——我们看看它走对了第几步。

本文仅讨论 AI 工具链的工程接入方法，不构成任何投资建议。所有价格字段均为接口返回值占位说明，不代表实时报价。

通过 TickDB API 获取实时行情数据

一个 API 接入外汇、加密货币、美股、港股、A股、贵金属和全球指数的实时行情。支持 WebSocket 低延迟推送，免费开始使用。