你是否也曾幻想过，在敲代码的间隙，只需轻轻一问，就能获得专业的金融分析报告？当同事还在各个财经网站间频繁切换时，你却已经在Cursor中看到了自动生成的股价走势图和技术指标分析。

这不再是科幻电影中的场景。今天，我将带你一步步构建一个完全在本地运行的智能金融分析师。它能够理解你的自然语言查询，自动编写分析代码，并生成精美的可视化图表——所有这一切，都直接在你的IDE中完成。

更重要的是，整个系统基于MCP协议构建，确保你的敏感金融数据不会离开本地环境。接下来，让我们开始这场从零到一的技术探险。

一、项目概述

这个项目的核心思路是构建一个多智能体协作系统，能够接收自然语言的金融查询请求，自动生成分析代码，并输出可视化图表。整个系统通过MCP协议与Cursor集成，让你可以直接在IDE中享受专业的金融分析服务。

技术选型说明

• CrewAI：负责多智能体的协作调度

• Ollama + DeepSeek-R1：本地部署的大语言模型，确保数据安全

• Cursor：作为MCP的宿主平台

• MCP协议：实现工具与IDE的无缝集成

二、系统架构设计

整个系统的工作流程是这样的：

1. 用户在Cursor中提交金融查询请求

2. MCP服务器接收请求并启动金融分析团队

3. 多个智能体协作进行研究分析

4. 生成并执行Python分析脚本

5. 输出可视化图表和分析报告

三、核心代码实现

1. 环境配置与依赖安装

首先，我们需要安装必要的依赖包：

pip install crewai ollama pandas matplotlib yfinance pydantic mcp

2. 大模型配置

使用Ollama本地部署DeepSeek-R1模型：

import ollama``from crewai import LLM``# 配置本地Ollama模型``def setup_llm():`    `"""配置本地DeepSeek-R1模型"""`    `llm = LLM(`        `model="ollama/deepseek-r1:latest",`        `base_url="http://localhost:11434"`    `)`    `return llm``# 初始化模型``local_llm = setup_llm()

3. 构建智能体团队

这是整个系统的核心部分，我们需要创建三个专门的智能体：​​​​​​​

from crewai import Agent, Task, Crew``from pydantic import BaseModel``from typing import List``import json``# 定义查询结构``class FinancialQuery(BaseModel):`    `"""金融查询结构化数据模型"""`    `stocks: List[str]`    `analysis_type: str`    `time_period: str`    `metrics: List[str]``# 查询解析智能体``query_parser = Agent(`    `role="金融查询解析专家",`    `goal="将自然语言的金融查询转换为结构化数据",`    `backstory="""你是一位经验丰富的金融查询解析专家，`    `擅长理解用户的自然语言查询意图，并将其转换为结构化的数据格式。`    `你能准确识别股票代码、分析类型、时间范围和所需指标。""",`    `llm=local_llm,`    `verbose=True``)``# 代码编写智能体``code_writer = Agent(`    `role="Python金融分析代码专家",`    `goal="根据结构化查询编写高质量的金融分析Python代码",`    `backstory="""你是一位资深的Python开发者和金融分析师，`    `精通使用pandas处理金融数据，matplotlib创建专业图表，`    `以及yfinance获取股票数据。你编写的代码简洁、高效且易于理解。""",`    `llm=local_llm,`    `verbose=True``)``# 代码执行智能体``code_executor = Agent(`    `role="代码执行与验证专家",`    `goal="安全执行Python代码并生成分析结果",`    `backstory="""你是一位谨慎的代码执行专家，`    `负责在沙箱环境中安全执行代码，检查潜在错误，`    `并确保生成准确的分析图表和报告。""",`    `llm=local_llm,`    `verbose=True,`    `tools=[]  # 稍后添加代码执行工具``)

4. 定义分析任务

为每个智能体定义具体的任务：​​​​​​​

def create_analysis_tasks(user_query: str):`    `"""创建金融分析任务链"""`        `# 任务1：解析查询`    `parse_task = Task(`        `description=f"""`        `解析以下用户查询：{user_query}`                `提取以下信息：`        `- 股票代码列表`        `- 分析类型（价格趋势、技术指标、比较分析等）`        `- 时间范围（如30天、3个月、1年等）`        `- 需要的指标（价格、成交量、移动平均线等）`                `请以JSON格式输出结构化结果。`        `""",`        `agent=query_parser,`        `expected_output="JSON格式的结构化查询数据"`    `)`        `# 任务2：编写代码`    `code_task = Task(`        `description="""`        `基于解析结果编写Python代码，要求：`        `1. 使用yfinance获取股票数据`        `2. 使用pandas处理和分析数据`        `3. 使用matplotlib创建专业的可视化图表`        `4. 代码要有适当的注释和错误处理`        `5. 确保图表美观且信息丰富`                `代码应该是完整可执行的，包含所有必要的import语句。`        `""",`        `agent=code_writer,`        `expected_output="完整的Python分析代码",`        `context=[parse_task]`    `)`        `# 任务3：执行代码`    `execute_task = Task(`        `description="""`        `执行生成的Python代码：`        `1. 检查代码语法和逻辑错误`        `2. 在安全环境中运行代码`        `3. 生成分析图表`        `4. 提供执行结果摘要`                `如果出现错误，请提供详细的错误信息和建议修复方案。`        `""",`        `agent=code_executor,`        `expected_output="代码执行结果和生成的图表路径",`        `context=[code_task]`    `)`        `return [parse_task, code_task, execute_task]

5. 创建分析团队​​​​​​​

def create_financial_crew(user_query: str):`    `"""创建金融分析团队"""`        `tasks = create_analysis_tasks(user_query)`        `crew = Crew(`        `agents=[query_parser, code_writer, code_executor],`        `tasks=tasks,`        `verbose=True,`        `process="sequential"  # 顺序执行任务`    `)`        `return crew``# 测试分析团队``def test_financial_analysis():`    `"""测试金融分析功能"""`        `test_query = "帮我分析苹果公司(AAPL)和微软(MSFT)最近3个月的股价走势，包括移动平均线"`        `crew = create_financial_crew(test_query)`    `result = crew.kickoff()`        `print("分析结果：")`    `print(result)`        `return result

6. 构建MCP服务器

现在我们需要将这个金融分析师封装为MCP工具：​​​​​​​

import asyncio``from mcp.server.fastmcp import FastMCP``import subprocess``import os``import tempfile``import matplotlib``matplotlib.use('Agg')  # 使用非交互式后端``# 创建MCP服务器``mcp = FastMCP("Financial Analyst")``@mcp.tool()``def analyze_financial_query(query: str) -> str:`    `"""`    `分析金融查询请求`        `Args:`        `query: 用户的自然语言金融查询`            `Returns:`        `分析结果和建议`    `"""`    `try:`        `crew = create_financial_crew(query)`        `result = crew.kickoff()`        `return str(result)`    `except Exception as e:`        `return f"分析过程中出现错误：{str(e)}"``@mcp.tool()``def save_code(code: str, filename: str = "financial_analysis.py") -> str:`    `"""`    `保存生成的分析代码到本地文件`        `Args:`        `code: Python代码内容`        `filename: 保存的文件名`            `Returns:`        `保存结果信息`    `"""`    `try:`        `with open(filename, 'w', encoding='utf-8') as f:`            `f.write(code)`        `return f"代码已成功保存到 {filename}"`    `except Exception as e:`        `return f"保存代码时出现错误：{str(e)}"``@mcp.tool()``def run_code_and_show_plot(code: str) -> str:`    `"""`    `执行代码并生成图表`        `Args:`        `code: 要执行的Python代码`            `Returns:`        `执行结果和图表路径`    `"""`    `try:`        `# 创建临时文件`        `with tempfile.NamedTemporaryFile(mode='w', suffix='.py', delete=False) as f:`            `f.write(code)`            `temp_file = f.name`                `# 执行代码`        `result = subprocess.run(`            `['python', temp_file],`            `capture_output=True,`            `text=True,`            `cwd=os.getcwd()`        `)`                `# 清理临时文件`        `os.unlink(temp_file)`                `if result.returncode == 0:`            `return f"代码执行成功！\n输出：{result.stdout}"`        `else:`            `return f"代码执行失败！\n错误：{result.stderr}"`                `except Exception as e:`        `return f"执行代码时出现错误：{str(e)}"``# MCP服务器启动函数``def start_mcp_server():`    `"""启动MCP服务器"""`    `if __name__ == "__main__":`        `mcp.run()

7. 完整的示例代码

让我们创建一个完整的示例来演示整个系统：​​​​​​​

# financial_analyst_demo.py``import yfinance as yf``import pandas as pd``import matplotlib.pyplot as plt``import numpy as np``from datetime import datetime, timedelta``def demo_financial_analysis():`    `"""演示金融分析功能"""`        `# 示例：分析AAPL和MSFT的股价对比`    `stocks = ['AAPL', 'MSFT']`    `end_date = datetime.now()`    `start_date = end_date - timedelta(days=90)  # 3个月数据`        `# 获取股票数据`    `stock_data = {}`    `for stock in stocks:`        `ticker = yf.Ticker(stock)`        `data = ticker.history(start=start_date, end=end_date)`        `stock_data[stock] = data`        `# 创建图表`    `fig, ((ax1, ax2), (ax3, ax4)) = plt.subplots(2, 2, figsize=(15, 12))`        `# 1. 股价对比图`    `for stock in stocks:`        `ax1.plot(stock_data[stock].index, stock_data[stock]['Close'],`                 `label=f'{stock} 收盘价', linewidth=2)`    `ax1.set_title('股价对比（最近3个月）', fontsize=14)`    `ax1.legend()`    `ax1.grid(True, alpha=0.3)`        `# 2. 成交量对比`    `for stock in stocks:`        `ax2.bar(stock_data[stock].index, stock_data[stock]['Volume'],`                `alpha=0.7, label=f'{stock} 成交量')`    `ax2.set_title('成交量对比', fontsize=14)`    `ax2.legend()`        `# 3. 移动平均线`    `for stock in stocks:`        `data = stock_data[stock]`        `ax3.plot(data.index, data['Close'], label=f'{stock} 收盘价', alpha=0.7)`        `ax3.plot(data.index, data['Close'].rolling(window=20).mean(),`                 `label=f'{stock} 20日均线', linewidth=2)`    `ax3.set_title('股价与20日移动平均线', fontsize=14)`    `ax3.legend()`    `ax3.grid(True, alpha=0.3)`        `# 4. 收益率对比`    `for stock in stocks:`        `returns = stock_data[stock]['Close'].pct_change().dropna()`        `ax4.hist(returns, bins=30, alpha=0.7, label=f'{stock} 日收益率分布')`    `ax4.set_title('日收益率分布对比', fontsize=14)`    `ax4.legend()`    `ax4.set_xlabel('收益率')`    `ax4.set_ylabel('频次')`        `plt.tight_layout()`    `plt.savefig('financial_analysis.png', dpi=300, bbox_inches='tight')`    `plt.show()`        `# 生成分析报告`    `print("=== 金融分析报告 ===")`    `for stock in stocks:`        `data = stock_data[stock]`        `current_price = data['Close'].iloc[-1]`        `price_change = ((current_price - data['Close'].iloc[0]) / data['Close'].iloc[0]) * 100`        `avg_volume = data['Volume'].mean()`                `print(f"\n{stock} 分析结果：")`        `print(f"当前价格: ${current_price:.2f}")`        `print(f"3个月涨跌幅: {price_change:.2f}%")`        `print(f"平均日成交量: {avg_volume:,.0f}")``if __name__ == "__main__":`    `demo_financial_analysis()

MCP服务器配置

8. Cursor集成配置

要将我们的金融分析师集成到Cursor中，需要进行以下配置：

• 启动MCP服务器

创建服务器启动脚本 start_server.py：​​​​​​​

#!/usr/bin/env python3``from financial_analyst_mcp import mcp``if __name__ == "__main__":`    `mcp.run()``Cursor MCP配置``在Cursor中添加MCP服务器配置：``{`  `"mcpServers": {`    `"financial-analyst": {`      `"command": "python",`      `"args": ["path/to/your/start_server.py"],`      `"env": {`        `"PYTHONPATH": "path/to/your/project"`      `}`    `}`  `}``}

9. 使用指南

配置完成后，你就可以在Cursor中直接使用金融分析功能了：

• 简单查询：

  帮我分析一下特斯拉(TSLA)最近一个月的股价表现

• 对比分析：

  比较苹果和谷歌最近半年的股价走势，包括技术指标分析

• 深度分析：

  分析标普500指数成分股中科技板块的表现，生成详细的投资建议

四、系统优势

这个基于MCP的金融分析师有以下几个显著优势：

1. 本地化部署

使用Ollama本地部署模型，确保你的金融查询和数据不会泄露到外部服务商。

2. 智能协作

通过CrewAI的多智能体架构，每个智能体专注于自己擅长的领域，协作完成复杂的金融分析任务。

3. 无缝集成

通过MCP协议与Cursor深度集成，让你在编程过程中随时获得专业的金融分析支持。

4. 可扩展性

整个架构设计考虑了可扩展性，你可以轻松添加新的智能体或分析功能。

五、总结

站在AI技术与金融分析交叉口的我们，正见证着一个全新的工作方式诞生。这个基于MCP的智能金融分析师项目，不仅展示了多智能体协作的强大能力，更开创了在IDE中直接进行专业级数据分析的先河。

技术真正的魅力，不在于它有多复杂，而在于它如何优雅地解决实际问题。

现在，当你下次需要分析股票走势时，或许不再需要打开多个浏览器标签，不再需要在不同的金融门户网站间切换。只需要在Cursor中简单描述你的需求，剩下的，就交给这个你亲手打造的智能助手吧。

可能大家都想学习AI大模型技术，也_想通过这项技能真正达到升职加薪，就业或是副业的目的，但是不知道该如何开始学习_，因为网上的资料太多太杂乱了，如果不能系统的学习就相当于是白学。
为了帮助大家打破壁垒，快速了解大模型核心技术原理，学习相关大模型技术。从原理出发真正入局大模型。在这里我和MoPaaS魔泊云联合梳理打造了系统大模型学习脉络，这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码免费领取🆓**⬇️⬇️⬇️

【大模型全套视频教程】

教程从当下的市场现状和趋势出发，分析各个岗位人才需求，带你充分了解自身情况，get 到适合自己的 AI 大模型入门学习路线。

从基础的 prompt 工程入手，逐步深入到 Agents，其中更是详细介绍了 LLM 最重要的编程框架 LangChain。最后把微调与预训练进行了对比介绍与分析。

同时课程详细介绍了AI大模型技能图谱知识树，规划属于你自己的大模型学习路线，并且专门提前收集了大家对大模型常见的疑问，集中解答所有疑惑！

深耕 AI 领域技术专家带你快速入门大模型

跟着行业技术专家免费学习的机会非常难得，相信跟着学习下来能够对大模型有更加深刻的认知和理解，也能真正利用起大模型，从而“弯道超车”，实现职业跃迁！

【精选AI大模型权威PDF书籍/教程】

精心筛选的经典与前沿并重的电子书和教程合集，包含《深度学习》等一百多本书籍和讲义精要等材料。绝对是深入理解理论、夯实基础的不二之选。

【AI 大模型面试题 】

除了 AI 入门课程，我还给大家准备了非常全面的**「AI 大模型面试题」，**包括字节、腾讯等一线大厂的 AI 岗面经分享、LLMs、Transformer、RAG 面试真题等，帮你在面试大模型工作中更快一步。

【大厂 AI 岗位面经分享（92份）】

【AI 大模型面试真题（102 道）】

【LLMs 面试真题（97 道）】

【640套 AI 大模型行业研究报告】

【AI大模型完整版学习路线图（2025版）】

明确学习方向，2025年 AI 要学什么，这一张图就够了！

👇👇点击下方卡片链接免费领取全部内容👇👇

抓住AI浪潮，重塑职业未来！

科技行业正处于深刻变革之中。英特尔等巨头近期进行结构性调整，缩减部分传统岗位，同时AI相关技术岗位（尤其是大模型方向）需求激增，已成为不争的事实。具备相关技能的人才在就业市场上正变得炙手可热。

行业趋势洞察：

• 转型加速： 传统IT岗位面临转型压力，拥抱AI技术成为关键。
• 人才争夺战： 拥有3-5年经验、扎实AI技术功底和真实项目经验的工程师，在头部大厂及明星AI企业中的薪资竞争力显著提升（部分核心岗位可达较高水平）。
• 门槛提高： “具备AI项目实操经验”正迅速成为简历筛选的重要标准，预计未来1-2年将成为普遍门槛。

与其观望，不如行动！

面对变革，主动学习、提升技能才是应对之道。掌握AI大模型核心原理、主流应用技术与项目实战经验，是抓住时代机遇、实现职业跃迁的关键一步。

01 为什么分享这份学习资料？

当前，我国在AI大模型领域的高质量人才供给仍显不足，行业亟需更多有志于此的专业力量加入。

因此，我们决定将这份精心整理的AI大模型学习资料，无偿分享给每一位真心渴望进入这个领域、愿意投入学习的伙伴！

我们希望能为你的学习之路提供一份助力。如果在学习过程中遇到技术问题，也欢迎交流探讨，我们乐于分享所知。

*02 这份资料的价值在哪里？*

专业背书，系统构建：

• 本资料由我与MoPaaS魔泊云的鲁为民博士共同整理。鲁博士拥有清华大学学士和美国加州理工学院博士学位，在人工智能领域造诣深厚：

• • 在IEEE Transactions等顶级学术期刊及国际会议发表论文超过50篇。
  • 拥有多项中美发明专利。
  • 荣获吴文俊人工智能科学技术奖（中国人工智能领域重要奖项）。

• 目前，我有幸与鲁博士共同进行人工智能相关研究。

内容实用，循序渐进：

• 资料体系化覆盖了从基础概念入门到核心技术进阶的知识点。

• 包含丰富的视频教程与实战项目案例，强调动手实践能力。

• 无论你是初探AI领域的新手，还是已有一定技术基础希望深入大模型的学习者，这份资料都能为你提供系统性的学习路径和宝贵的实践参考，助力你提升技术能力，向大模型相关岗位转型发展。

  

抓住机遇，开启你的AI学习之旅！