我们也开始尝试用 AI Agent 做股票行业了，但我更关心的不是“自动赚钱”

理财有风险，投资需谨慎。本文只分享 AI Agent 在金融数据分析、策略监控、信号提醒、复盘辅助方面的技术探索，不涉及具体股票推荐，也不构成任何投资建议。任何交易决策，都应该由人自己负责。
最近有朋友问我一个问题：
AI Agent 现在这么火，能不能用它做一个自动选股、自动监控、自动推送的系统？
这个问题我其实想了挺久。
不是因为技术上做不了，而是因为这件事很容易被写歪。
一写 AI 炒股，读者第一反应就是：是不是可以自动赚钱？是不是可以躺着收盘？是不是 AI 能替我判断买卖点？
但真正做过一点系统的人都知道，金融场景最难的不是把数据拉下来，也不是算几个指标，更不是让模型写一段漂亮分析。
真正难的是：你怎么把一套模糊的投资想法，变成可执行、可追踪、可复盘、可风控的流程。
所以我这次没有一上来做“自动交易”。
我更愿意把它定义成一个股票行业里的 AI Agent 辅助系统：

• 它可以帮我选股。
• 可以帮我盯盘。
• 可以帮我监控条件。
• 可以帮我整理风险点。
• 可以帮我推送提醒。
• 可以帮我做盘后复盘。
• 但它不直接替我下单。

至少在当前阶段，我不会把最终决策权交给 AI。
这不是保守，而是边界感。

我为什么想做这个系统

平时做项目，白天基本都在处理客户需求、系统设计、代码、文档、沟通。真正能安静看盘、复盘的时间非常有限。
很多时候不是没有想法，而是没有精力持续执行。
比如我可能会想看这些东西：

• 哪些股票突破了 20 日新高？
• 哪些股票放量但没有明显拉升？
• 哪些板块最近开始走强？
• 哪些票触发了止损或止盈条件？
• 哪些持仓已经偏离原来的买入逻辑？
• 哪些股票只是看起来强，实际风险很高？

这些事情一个人手工做，不是不能做，而是很耗时间。
更现实的是，人会偷懒。
今天忙，就不看了。
明天累，就随便扫一眼。
后天市场一波动，情绪就开始替代理性。
所以我做这个 AI Agent 系统的第一个目标，不是让 AI 替我赚钱，而是让它替我做那些重复、机械、容易遗漏的事情。
我希望它像一个不知疲倦的助理：
每天按规则筛一遍。
盘中按条件看一遍。
触发风险及时提醒。
收盘后把结果整理出来。
把过程记录下来，方便我后面复盘。
这个定位一旦确定，系统就不会走偏。
它不是“AI 股神”，它是“AI 交易助理”。

这套系统的核心思路

我把整个系统拆成三层。
第一层是数据层。
负责获取行情、财务、指数、板块、公告、新闻等数据。
第二层是 Agent 层。
负责把人的策略想法拆成任务，再分配给不同 Agent 执行。
第三层是执行层。
负责算指标、跑规则、生成报告、推送消息、记录日志。
大概结构是这样：

用户策略输入
   ↓
Manager Agent：理解目标，拆解任务
   ↓
Planner Agent：生成执行计划
   ↓
Data Agent：获取行情 / 财务 / 板块 / 新闻
   ↓
Selector Agent：按条件选股
   ↓
Analyzer Agent：技术面 / 基本面 / 风险分析
   ↓
Risk Agent：过滤高风险标的
   ↓
Monitor Agent：盘中 / 盘后持续监控
   ↓
Notifier Agent：推送提醒
   ↓
Review Agent：生成复盘报告

这里最重要的设计原则是：
每个 Agent 只做一件事。
我不希望一个 Agent 既理解策略、又拉数据、又算指标、又做推荐、又发消息。
那样看起来省事，实际上很难调试。
一旦结果不对，你根本不知道问题出在哪。
是数据错了？
是指标算错了？
是模型理解错了？
是规则写错了？
还是推送漏了？
多 Agent 系统如果没有边界，很快就会变成一团乱麻。

Manager 不做计算，只做调度

一开始我也想过，让 Manager Agent 更“聪明”一点。
用户说一句：
“帮我找突破 20 日新高，并且成交量明显放大的股票。”
Manager 直接理解、筛选、分析、给建议。
后来我觉得这样不稳。
因为 Manager 一旦什么都干，就会变成黑箱。
所以现在我给 Manager 的定位很克制：
它只负责听懂人话、拆任务、派发任务、汇总结果、处理异常。
比如用户输入：

帮我找最近突破 20 日新高，成交量比大于 1.5，且总市值在 50 亿到 300 亿之间的股票。

Manager 不直接去选股，而是拆成结构化任务：

{
  "task_type": "stock_screening",
  "conditions": {
    "break_high_days": 20,
    "volume_ratio_gt": 1.5,
    "market_cap_range": [50, 300]
  },
  "next_agents": [
    "DataAgent",
    "SelectorAgent",
    "AnalyzerAgent",
    "RiskAgent",
    "NotifierAgent"
  ]
}

这一步很重要。
自然语言可以模糊，但系统执行必须清楚。
AI 可以理解人的表达，但最终要落到明确条件上。
否则一句“放量上涨”“走势不错”“风险较低”，每次执行出来都可能不一样。
金融场景里，模糊是很危险的。

Selector 只负责选股，不负责判断买卖

Selector Agent 的职责很简单：按规则筛选股票池。
比如：

{
  "filters": [
    "close_price > ma20_high",
    "volume_ratio > 1.5",
    "market_cap between 50 and 300",
    "turnover_rate > 2"
  ]
}

它输出的不是“买入建议”，而是候选股票池：

{
  "agent": "SelectorAgent",
  "result": {
    "stock_pool": [
      {
        "code": "xxxxxx",
        "name": "某股票",
        "reason": ["突破20日新高", "成交量比1.8", "市值符合条件"]
      }
    ],
    "count": 18
  }
}

这个边界一定要守住。
选出来，不代表可以买。
符合技术条件，也不代表一定上涨。
很多技术指标只是在描述过去，并不是保证未来。
所以 Selector 只负责回答一个问题：
哪些股票符合我预设的筛选条件？
它不回答：
这只股票明天会不会涨？
这是两件完全不同的事。

Analyzer 负责解释，但不神化置信度

Analyzer Agent 负责对股票池做进一步分析。
比如看趋势、成交量、波动、板块、均线、MACD、RSI、KDJ、支撑压力位等。
它的输出大概是这样：

{
  "agent": "AnalyzerAgent",
  "stock": "xxxxxx",
  "analysis": {
    "trend": "短期偏强",
    "volume": "成交量明显放大",
    "risk": "距离前高压力位较近",
    "signals": [
      "突破20日新高",
      "5日均线上穿20日均线",
      "量比大于1.5"
    ],
    "score": 72
  }
}

这里我会刻意把字段叫做 score，而不是 confidence。
因为很多人看到置信度 0.72，就会误解成“上涨概率 72%”。
这很危险。
如果没有经过严格的历史回测、样本外验证、概率校准，这个数字只能叫综合评分，不能叫概率。
AI 最容易让人误判的地方，就是它说话太像真的了。
所以我宁可让它保守一点：

这只股票满足部分技术条件，但并不代表买入信号。
当前只建议加入观察池。

这句话看起来没那么刺激，但更像一个可靠系统该说的话。

Risk Agent 是我认为最不能省的部分

很多 AI 选股系统喜欢强调“发现机会”。
但我觉得真正成熟的系统，一定要强调“排除风险”。
所以我单独设计了 Risk Agent。
它不负责找机会，只负责挑毛病。
比如：

是否 ST？
是否临近财报披露？
是否近期涨幅过大？
是否流动性太差？
是否连续涨停后高位放量？
是否板块整体走弱？
是否和大盘趋势背离？
是否换手异常？
是否有明显公告风险？
是否超过单票风险上限？

Risk Agent 的输出不是建议买入，而是风险清单：

{
  "agent": "RiskAgent",
  "stock": "xxxxxx",
  "risk_level": "medium",
  "risks": [
    "近5日涨幅偏大",
    "换手率明显升高",
    "距离前期压力位较近"
  ],
  "suggestion": "仅观察，不建议自动交易"
}

这个 Agent 的存在，是为了避免系统只看机会，不看代价。
做任何决策系统，都不能只有进攻模块，没有刹车模块。
尤其是股票这种高波动场景。
没有风控的智能决策，不叫智能，叫冒险。

Monitor 的价值，比选股更大

做了一段时间后，我反而觉得 Monitor Agent 比 Selector 更有价值。
因为选股只是第一步，真正难的是持续跟踪。
很多人买入之前分析得很认真，买入之后就开始靠感觉。
涨了舍不得卖。
跌了不愿意认错。
原来的逻辑失效了，还在安慰自己“再看看”。
所以我让 Monitor Agent 持续检查几个条件：

是否跌破止损位？
是否达到止盈区间？
是否跌破关键均线？
是否放量下跌？
是否板块整体转弱？
是否触发异常波动？
是否偏离原始买入理由？

比如系统发现某只股票已经跌破预设条件，它不会直接说“卖出”。
它会推送：

【风险提醒】
股票：xxxxxx
触发条件：跌破20日均线
当前价格：xx.xx
原始观察理由：突破20日新高 + 放量
当前变化：趋势条件已失效
建议：重新评估，不建议继续按原逻辑持有

这类提醒对我来说很有用。
它不是替我做决定，而是在我情绪上头的时候，把原来的规则重新摆到我面前。
很多时候，人不是没有规则，而是执行时忘了规则。
AI Agent 的价值，就是让规则不再躺在笔记本里，而是每天真实运行。

初步成果是什么

如果说“这套系统已经帮我稳定赚钱”，那是不负责任的。
我不会这么写。
目前我认为它的初步成果主要在四个方面。
第一个成果：节省了大量筛选时间。
以前手工看一遍行情、板块、指标，可能要花一两个小时。
现在系统每天自动筛出候选池，再把触发理由整理出来，我只需要看结果和风险点。
第二个成果：决策过程更可追溯。
以前很多判断是脑子里过一遍，过几天就忘了。
现在每一次筛选、每一次提醒、每一个风险点都有日志。
后面复盘的时候，我可以知道当时为什么关注它，后来有没有按预期走，哪里判断错了。
第三个成果：减少了情绪化操作。
系统不会因为一根阳线兴奋，也不会因为一根阴线恐慌。
它只看条件是否触发。
这对人来说其实是一个约束。
第四个成果：让我更清楚 AI Agent 的边界。
AI 很适合做信息整理、规则执行、异常提醒、复盘总结。
但如果让它直接给出“买入 / 卖出”的最终动作，而且没有回测、风控、模拟盘和人工确认，我认为现在还不稳。
这就是这次探索最大的收获：
AI Agent 可以让投资流程更工程化，但不能把投资风险变没。

一个简单的伪代码示例

为了让这件事更具体，可以看一个简化版流程。

class StockAgentWorkflow:

    def run_daily_task(self, strategy_text):
        # 1. Manager 解析自然语言策略
        task = manager_agent.parse(strategy_text)

        # 2. Planner 生成执行步骤
        plan = planner_agent.create_plan(task)

        # 3. DataAgent 获取数据
        market_data = data_agent.fetch_market_data(plan)

        # 4. Selector 按规则筛选股票池
        stock_pool = selector_agent.select(market_data, task["conditions"])

        # 5. Analyzer 做技术分析
        analysis_results = []
        for stock in stock_pool:
            analysis = analyzer_agent.analyze(stock)
            risk = risk_agent.check(stock, analysis)

            analysis_results.append({
                "stock": stock,
                "analysis": analysis,
                "risk": risk
            })

        # 6. Monitor 加入监控池
        monitor_agent.add_watchlist(analysis_results)

        # 7. Notifier 推送结果
        notifier_agent.send_daily_report(analysis_results)

        # 8. Review 记录日志，方便后续复盘
        review_agent.save_snapshot(strategy_text, analysis_results)

这段代码不复杂。
真正复杂的是每个 Agent 的边界、数据质量、规则设计、日志追踪和风控约束。
多 Agent 系统不是把几个 Agent 名字堆起来就高级了。
如果没有明确输入、明确输出、明确责任，Agent 越多，系统越乱。

我现在不会做全自动交易

有人可能会问：
既然都能选股、分析、监控、推送了，为什么不直接让它自动买卖？
原因很简单：
交易是高风险动作。
提醒错了，人可以忽略。
分析错了，人可以复核。
但自动交易错了，资金会直接承担后果。
所以当前阶段，我只会做到：

AI 自动筛选
AI 自动分析
AI 自动监控
AI 自动推送
AI 自动复盘
人来做最终决策

如果未来要往自动执行走，也必须先经过几个阶段：
第一阶段，模拟盘。
让系统按规则自动模拟交易，至少跑几个月。
第二阶段，小资金验证。
人确认后执行，并且严格记录每一笔。
第三阶段，风控接管。
单票仓位、最大回撤、单日亏损、连续失败次数，都必须有硬限制。
第四阶段，再考虑有限自动化。
而且只能在明确规则下执行，不能让大模型自由发挥。
我一直觉得，高风险系统里，AI 可以聪明，但风控必须死板。
风控越硬，系统越安全。

这件事对企业系统也有启发

虽然这次讲的是股票行业，但我反而觉得它对企业系统更有参考价值。
因为股票系统里的这套逻辑，放到 ERP、CRM、进销存、OA 里同样成立。
比如 CRM 里：
AI 不一定直接判断哪个客户一定成交。
但它可以提醒销售：这个客户 7 天没跟进，商机阶段停滞，联系人近期互动下降，建议安排回访。
比如进销存里：
AI 不一定直接决定采购多少。
但它可以提醒：这个 SKU 库存低于安全线，近 30 天销量上升，供应商交期偏长，建议进入补货评估。
比如 OA 审批里：
AI 不一定直接审批通过。
但它可以提醒：这张单据金额异常、审批路径不完整、历史同类单据存在驳回记录，需要重点关注。
这些场景本质一样：
AI 先做辅助判断。
系统保留规则边界。
人负责最终决策。
所有过程可追溯。
这才是 AI Agent 真正适合落地的方式。
不是一上来替代人，而是先把人的决策链路变得更清楚、更稳定、更可复盘。

后面我可能会尝试 MT4 / MT5

 前段时间也有人问我们，能不能做 MT4、MT5 相关的系统。

这个方向我觉得后面是可以尝试的。
但我现在不会直接说要做“自动交易机器人”。
我更感兴趣的是先做这些能力：

策略信号监控
指标条件提醒
模拟盘验证
交易日志分析
策略复盘报告
风险参数检查
人工确认后的半自动执行

MT4、MT5 本身在交易领域有比较成熟的生态，如果后面结合 AI Agent，确实可以探索出一些更有意思的东西。
比如：
AI 帮你解释策略表现。
AI 帮你发现连续亏损原因。
AI 帮你检查参数是否过拟合。
AI 帮你整理交易日志。
AI 帮你在触发信号时给出风险提醒。
这些我觉得比“让 AI 自动下单赚钱”更靠谱，也更有长期价值。
等我们把现在这套股票 Agent 辅助系统跑得更稳，后面可以专门开一篇，聊聊 AI Agent 和 MT4 / MT5 结合的可能性。
这个坑我先埋在这里。

我的判断

AI Agent 在股票行业有没有价值？
有。
但它的价值不应该被理解成“自动赚钱”。
它真正的价值，是把一个人的投资流程，从随意、分散、靠感觉，变成结构化、自动化、可追踪、可复盘。
它能帮你看更多信息。
能帮你执行规则。
能帮你提醒风险。
能帮你总结复盘。
能帮你减少情绪化。
但它不能替你承担风险。
也不能把一个没有验证过的策略变成稳定盈利系统。
我现在越来越觉得，AI Agent 最适合做的不是抢最终决策权，而是把决策前后的所有脏活、累活、重复活先接过去。
当数据足够干净，规则足够明确，回测足够充分，风控足够独立，日志足够完整，模拟盘跑得足够久，再谈更深层的自动化才有意义。
否则就是把“智能”两个字，盖在风险上面。
这不是技术探索，是自欺欺人。
所以这次股票行业的 AI Agent 探索，我给自己的结论很克制：
AI 可以帮我更清醒地看市场，但不能替我承担市场的后果。
这已经很有价值了。

我会持续分享真实场景下的产品 UI/ AI / Agent /软件产品 思考与实践
我会持续记录：

• AI Agent 的设计逻辑
• 产品从 0 → 1 的过程
• 产品 UI 设计和思考
• 技术如何变成“能用的工具”
• AI 怎么让产品变得“更智能”
• 用 AI 做项目 → 赚钱

关注我，一起见证代码和 AI 如何真正走进普通人的工作与生活。