投研人的苦恼是什么？不是分析能力不够，是找数据、核数据 、整理数据这些事，能占掉大半天。
你想看一家公司，先找行情，再找估值，再找财务，再找股东，再找资金流，再看有没有公告和新闻。数据散在不同地方，口径还不一定一致。最后真正留给分析判断的时间，反而很少。
这也是我们做 FTShare MCP 的原因。它把 FTShare 的金融数据能力，封装成 MCP 工具，开放给支持 MCP 的客户端和 Agent 使用。目前重点覆盖 150 个 ft_* 金融数据工具，包含行情、财务、宏观、基金、期货、债券、美股、港股等数据。换句话说，它做的事是把金融数据直接接进 AI Agent，不是再造一个数据网站。
FTShare MCP 要解决的核心问题
帮AI拿到真实、可核实的金融数据
过去你问 AI：“某只股票现在 PE 是多少？估值贵不贵？”AI 很可能马上给你一个答案。但问题是，这个 PE 可能是上季度的，股价可能不是最新的，甚至估值结论可能来自一段过期网页。大模型很聪明，但它本身并不知道“今天真实发生了什么”。在别的领域，AI 胡说两句，最多一笑而过。
但投资不行。这里面是真金白银。一个估值口径错了，结论就可能完全反过来。所以 FTShare MCP 要解决的核心问题，不是让 AI 更会说话，而是让它在分析之前，先拿到真实、可核实的金融数据。
给AI配上一套专业级的金融数据工具
接入 FTShare MCP 之后，Agent 可以按需调用数据工具，不用再靠记忆回答问题。
比如这几项：
-
查一只股票的历史 K 线
-
查个股估值和资金流
-
查资产负债表、利润表、现金流量表
-
查宏观指标，比如 CPI、PPI、PMI、LPR
-
查美股、港股、ETF、基金、期货、债券数据
-
查公告、新闻、研报、股东大会等投研语料
目前数据维度覆盖 12 大类，不管你是做短线复盘 、基本面研究 、宏观跟踪， 还是做 Agent 投研工作流，都可以找到对应的数据工具。
案例展示
以前你想让 AI 分析一只股票， 比如：“帮我复盘一下绿的谐波最近的走势，看看估值 、资金流和基本面有没有变化。”
普通 AI 可能会直接写一段看起来很完整的分析：趋势如何 、估值如何 、资金怎么看 、基本面怎么看。但你很难确认它用的数据是不是最新的。
接入FTShare MCP 后，Agent的流程会变成以下几步：
第一步，调用行情工具，获取最近 K 线和价格变化。
第二步，调用估值工具，查看当前估值水平。
第三步，调用财务工具，查看利润表、资产负债表、现金流量表。
第四步，调用资金流和股东数据，判断资金和筹码变化。
第五步，再结合公告、新闻、研报语料，整理成一份结构化复盘。
这样一来AI 给出的就是基于实时数据的分析，不再是凭印象拼出来的。这才是 Agent 能真正用在投研场景里的关键。
个人投资者和机构之间，差的常常不是分析能力，是数据获取能力和工作流效率。
过去机构有数据终端和自己的研究系统，个人投资者想搭一套类似的东西，成本高得离谱。现在，如果你的 Agent 接入 FTShare MCP，就可以直接调用更完整、更及时的金融数据，把“找数据、核数据、整理数据”的工作交给工具，把时间留给真正的判断。
投研这件事，以后大概率不是人自己盯数据、AI 自己甩结论——更实际的分工是：人提问题，Agent 查数据，AI 帮着整理和分析，最后拍板的还是人。FTShare MCP 想做的，就是先把这条链路打通。
精彩评论