【AI投研工具研究之一】华创金工MCP配置与使用

华创专题报告

在引入 MCP 协议之前，投研人员在使用AI辅助分析时，普遍面临以下困境。 

1.1  数据孤岛严重，检索效率低下

投研所需的数据分散在不同系统中——公司知识库在知识库平台、财务数据在数据库终端、持仓信息在另一套系统、产业链图谱在独立模块、新闻舆情更是来源各异。研究员需要记住多个账号密码、熟悉不同系统的操作逻辑，在多个页面间反复跳转登录、检索、导出，将碎片化信息手工拼接成一份完整的分析报告。一次普通的公司研究，光数据采集就可能耗费半小时以上。

1.2  AI能力与数据源割裂

市面上主流的 AI 投研工具，本质上只是“大模型 + 联网搜索”的简单组合。AI 生成的财务分析缺乏精确的数据库支持，常常出现数据幻觉；产业链信息来自公开网络而非专业结构化知识库；机构持仓等深度数据无法获取。结果就是：AI 的回答“看着像回事”，但关键数据不可信、不可追溯、不可用于投资决策。

1.3工具切换成本高，思考流被打断

分析师在研究过程中需要在“AI 对话工具”与“专业数据终端”之间频繁切换——先在 AI 里问个方向，再去数据库里核实数据，再回 AI 里问下一步，再去另一个系统查产业链。这种割裂的工作流严重打断了深度思考的连续性。研究员的时间本应花在逻辑推演和判断上，现实中却消耗在了工具切换和上下文重建中。

1.4  能力无法按需组合

   现有的 AI 工具往往只提供单一能力：要么只能做对话，要么只能查数据，要么只能读文档。而真实的投研工作需要多种能力的灵活组合——既要查财务、又要看舆情、还要做产业链定位，甚至需要模拟与资深分析师的对谈。传统工具缺乏一个能够将所有这些能力“即插即用”的统一入口。

     我们通过 MCP（模型上下文协议）将所有投研数据与分析能力标准化为一套工具接口，让 AI 客户端直接调用。投研人员只需在对话中说一句“帮我看看某公司的基本面”，AI 便会自动规划、调用对应工具、取回结构化数据并生成专业解读。从数据孤岛到一站式对话入口，从割裂的工具链到自动编排的工作流——这正是 MCP 服务的核心价值。

2.1  MCP是什么？

    Model Context Protocol（MCP） 是一套开放协议，用于让 AI 助手（大模型客户端）以标准化的方式连接外部工具和数据源。可以把它理解为“AI 世界的 USB 接口”：不管数据在数据库、API 还是文件里，只要按 MCP 规范封装成工具，任何兼容 MCP 的客户端都能即插即用地调用。

     大模型本身不知道你私有的财务数据库、知识库 wiki、实时新闻里有什么。传统做法是为每个模型、每个数据源单独写一套对接代码，成本高、难维护。

     MCP 的价值在于：

• 标准化：一次把能力封装成 MCP 工具，Claude、Cursor 等所有兼容客户端都能用。

• 自动发现：客户端能自动“看见”服务端提供了哪些工具、每个工具需要什么参数，无需硬编码。

• 解耦：数据/能力在服务端演进，客户端不用改。

2.2  华创金工MCP服务

    华创金工MCP 采用客户端－服务端架构，底层使用 JSON-RPC 2.0 通信。华创金工采用远程 Streamable HTTP transport，端点为。

     POST https://MCP服务器/mcp/rpc

     核心协议交互包括：initialize（握手初始化）、ping（保活）、notifications（通知）、tools/list（列出可用工具）、tools/call（调用某个工具）

     其中最关键的两个方法：

• tools/list：客户端问服务端“你有哪些工具？”，服务端返回工具清单及每个工具的名称、说明、参数 schema。

• tools/call：客户端说“请执行某工具，参数如下”，服务端执行后返回结果。

     鉴权方式。

     所有请求需带请求头：

     Authorization: Bearer <client_secret>

     每个客户拥有唯一的client_secret；

     该secret 固定、可灵活设置过期时间、无需轮换换取新 token；

     无token或token无效时，服务端返回401。

2.3  华创金工MCP服务如何接入

     客户端配置示例

    在支持 MCP 的客户端（Claude Desktop / Cursor 等）的 MCP 配置文件中，加入如下 mcpServers 配置（端点与 token 用占位符，替换为你的实际值）：

   接入步骤

• 拿到管理员分发的MCP域名与专属 client_secret；

• 打开客户端的 MCP 配置文件，粘贴上面的 JSON，替换 〈你的域名〉 与 〈你的client_secre t〉；

• 保存并重启客户端；

• 客户端会自动通过 mcp-remote 连接远程端点，完成 initialize 握手与 tools/list，随后你就能在对话里直接用自然语言调用 23 个工具。

2.4  华创金工MCP服务工具全景

    华创金工MCP服务当前对外提供 23 个工具，按能力分为 7 组。下表为速览，随后逐个详解。

3.1  投研分析组

     ① company_one_pager —— 公司投研速览报告

     它是什么/原理：查询知识库中某家公司的完整 wiki，生成买方视角的投研快速了解报告；数据来自华创金工内部公司知识库。支持 A 股 / 港股 / 美股。

     参数：query（公司名或代码，必填）。

     如何使用：在AI工具里直接说——

     “帮我出一份宁德时代的投研速览。”

     “看看比亚迪这家公司，给个买方视角的了解报告。”

     ② industry_one_pager —— 行业投研报告

     它是什么/原理：查询某行业的完整 wiki，生成结构化行业报告，覆盖行业定义、产业链、市场规模、竞争格局、壁垒、驱动因素、风险等 9 个模块；数据来自知识库行业 wiki。

     参数：query（行业名，必填）：

     如何使用：

     “给我做一份光伏行业的投研报告。”

     “半导体行业的竞争格局和驱动因素是什么？出份行业 one pager。”

     ③ run_morphology —— 华创金工形态学

     它是什么/原理：调用华创金工「形态学」API，支持宽基/行业/风格/概念的择时、ETF 截面与历史信号、ETF 评分等量化方法。数据与模型来自华创金工形态学 API。

     参数：method（方法名，必填）、kwargs（JSON 参数，按具体方法传入）：

     如何使用：

     “用形态学跑一下当前宽基择时信号。”

     “调 run_morphology 看看某行业的历史信号。”（需指定 method 及相应 kwargs）

3.2  数据查询组

它是什么/原理：查询 A 股财务数据库（基于 SQL Server），覆盖利润表、资产负债表、现金流量表、财务与估值指标、行情、行业分类、机构调研、公募基金等。以 T-SQL SELECT 语句直接查询。

     参数：sql（T-SQL SELECT 语句）。约定：限制行数用 TOP  N；表名、字段名大写。

     ① query_financial_db —— A 股财务数据库

     如何使用：“查一下贵州茅台最近一期的营业收入和净利润。”（AI 会生成对应 T-SQL）

     “取 ROE 排名前 20 的白酒公司。”

     注意，本工具由于数据提供商限制，数据授权范围仅限于华创内部员工使用。但基于本工具数据所衍生的投资分析、策略结论及研究报告，不受上述使用限制。

     ② query_holdings —— 公募/机构重仓股

     它是什么/原理：查询公募基金/机构的重仓股（基于最新季报）。三种模式：market（全市场重仓排名）、fund（按基金公司）、institution（按机构）。

     参数：mode（必填）、institution、stock、industry、top（默认 20，最大 100）。

     如何使用：

     “全市场公募重仓股 Top 20 是哪些？”（mode=market）

     “易方达最新重仓了哪些股票？”（mode=fund）

     ③ query_supply_chain —— 产业链查询

     它是什么/原理：查询 A 股公司/产品的真实产业链，返回上游供应商、下游客户、同环节竞争公司（均带股票代码）。

     参数：code（6 位代码）或 name（公司名），二选一。

     如何使用：

     “宁德时代的上下游产业链和竞争对手有哪些？”

     “查一下 002594 的供应链。”

     ④ query_fund_manager_profile —— 基金经理档案

     它是什么/原理：查询基金经理综合档案，融合思维画像+数据库档案 + 持仓摘要，覆盖全市场公募。

     参数：name（基金经理姓名，必填）。

     如何使用：

     “给我张坤的基金经理档案。”

     “这位基金经理的投资风格和持仓摘要是怎样的？”

3.3  知识与舆情组

     ① search_knowledge_base —— 知识库全文检索

     它是什么/原理：对知识库做全文检索，返回匹配的 wiki 文档，适合宏观研报、概念、宽基类主题的查询。

     参数：query（关键词，必填）。

     如何使用：

     “知识库里有没有关于‘新质生产力’的研报？”

     “搜一下沪深 300 相关的宽基资料。”

3.4  资讯与公众号组

    ① query_news —— 财经新闻检索

     它是什么/原理：检索财经新闻（基于新闻库），可按关键词/个股/时间/情绪/来源/重要性筛选，返回标题、时间、来源、摘要、关联个股。

     参数：query、stock、days（默认 7，最大 90）、limit（默认 10，最大 30）、sentiment、source、importance（均可选）。

     如何使用：

     “最近一周关于比亚迪的重要新闻有哪些？”

     “找找过去 30 天新能源板块的舆情。”

     ② search_wechat_accounts —— 搜微信公众号

     它是什么/原理：按关键词搜索微信公众号，返回账号名、biz、主体、粉丝数、周更文数。数据来自微信公众号生态。

     参数：keyword（必填）。

     如何使用：

     “搜一下叫‘半导体’相关的微信公众号。”

     结果里的biz用于下一步查文章列表。

     ③ query_wechat_articles —— 公众号历史文章列表

     它是什么/原理：查询某公众号的历史文章列表，返回标题、时间、摘要、链接、是否原创。

     参数：biz（来自 search_wechat_accounts 的结果，必填）、page（默认 1）。

     如何使用：

     “把这个公众号（biz=xxx）最近发的文章列出来。”

     得到文章 url 后可继续取正文。

     ④ query_wechat_article_detail —— 公众号文章正文

     它是什么/原理：根据文章链接获取某篇公众号文章的正文内容。

     参数：url（微信文章链接，必填）。

     如何使用：

     “把这篇公众号文章的正文抓出来给我读读。”（附微信文章链接）

3.5  实用工具组

  ① utility_idcard —— 身份证校验解析

     原理：纯本地校验解析，输出校验结果、归属地、生日、年龄、性别。

     参数：id（18 位身份证号，必填）。

     示例：“帮我校验并解析这个身份证号。”

     ② utility_areacode —— 电话区号双向查询

     原理：区号↔城市双向查询。

     参数：query（区号或城市名，必填）。

   示例：“010 是哪个城市？”“杭州的电话区号是多少？”

     ③ utility_lunar —— 万年历/农历查询

     原理：查询农历、星期、生肖、干支、节气，覆盖 1900–2100。

     参数：date（YYYY-MM-DD，不传则查今天）。

     示例：“2025-10-01 的农历是哪天？”“今天的干支和节气。”

     ④ utility_weather —— 天气预报

     原理：返回实时天气 + 未来 5 天预报。

     参数：city（城市名，必填）。

     示例：“上海未来几天天气怎么样？”

     ⑤ utility_phone —— 手机号归属地

     原理：查询手机号归属省市 + 运营商。

     参数：number（11 位手机号，必填）。

     示例：“这个手机号是哪里的、什么运营商？”

3.6  首席与大师组

    ① list_chiefs —— 首席名单

     它是什么/原理：列出「首席面对面」中可对话的卖方首席（AI 人设）名单，返回名字、领域、简介（不返回人设原文）。当前 22 位。

     参数：query（过滤关键词，可选）。

     如何使用：

     “有哪些首席可以对话？”

     “列一下做策略/宏观方向的首席。”（query 过滤）

     ② list_masters —— 投资大师名单

     它是什么/原理：列出「投资大师面对面」中可对话的大师（AI 人设）名单，返回 slug、中文名、英文名、简介。当前 29 位。

     参数：query（过滤关键词，可选）。

     如何使用：

     “有哪些投资大师可以请教？”

     记下想问的大师的 slug（如 lynch、graham）用于 ask_master。

     ③ ask_chief —— 向首席提问

     它是什么/原理：向某位首席（AI 人设）提问，基于其研究视角与风格生成回答。会真实调用一次大模型（有延迟与成本）。

     参数：name（来自 list_chiefs，必填）、question（必填）。

     如何使用：

     “以某某首席的视角，怎么看当前市场风格切换？”

     ④ ask_master —— 向投资大师提问

     它是什么/原理：向某位投资大师（AI 人设）提问，基于其投资哲学生成回答。会真实调用一次大模型。

     参数：name（大师 slug，如 lynch/graham，必填）、question（必填）。

     如何使用：

     “用彼得·林奇的思路，帮我评价这家公司值不值得看。”（name=lynch）

3.7  文件组

本部分为了配合后续系统开发使用，目前可作为个人网盘使用。

     ① save_to_workspace—— 保存文件到工作区/网盘

     它是什么/原理：将内容保存为文件，写入该用户在服务端的工作区目录（MCP 调用按客户身份隔离，已对齐真实用户目录，网页端网盘可见）。支持代码、文档、笔记、数据表等；文件名以 .xlsx 结尾时，传入 CSV 文本会自动转换成 Excel。

     参数：filename（含扩展名，必填）、content（文件内容，必填）。

     如何使用：

     “把这段分析写成 report.md 存到我的工作区。”

     “把这份 CSV 存成 holdings.xlsx。”（自动转 Excel）

     ② read_workspace_file—— 读取工作区/网盘文件

     它是什么/原理：从该用户工作区目录读取文件并返回文本内容，供分析、可视化或引用。支持 docx / pdf / xlsx / csv / txt / md / json / py / js 等多种格式。

     参数：filename（含扩展名，必填）。

     如何使用：

     “读一下我工作区里的 notes.md。”

     “把 data.xlsx 的内容读出来分析一下。”

     1. ask_chief / ask_master 会真实调用大模型：每次提问都会触发一次大模型生成，存在响应延迟与成本，请按需使用，避免无意义的重复提问

     2. query_financial_db 需要T-SQL 语法：查询语句为 SQL Server 的 T-SQL SELECT；限行用 TOP n，表名与字段名大写。让 AI 生成 SQL 时可提示这些约定。

     3. 公众号链路有顺序依赖：search_wechat_accounts（拿 biz）→query_wechat_articles（拿 url）→ query_wechat_article_detail，需按序传参。

     4. 产业链/大师参数别名：query_supply_chain 用 code 或 name 二选一；ask_master 的 name 传 slug（如 lynch），不是中文名。

     5. 凭证安全：client_secret 是你访问MCP全部能力的唯一钥匙，请勿泄露、勿提交到代码仓库或截图外发；一旦怀疑泄露，联系管理员更换。过量访问直接被封禁。

     6. 数据边界：所有调用以external身份、只读白名单执行，不含内部纪要等敏感数据；返回内容仅供研究参考，不构成投资建议。

     7. 参数范围限制：注意各工具的上限，如 query_holdings.top 最大 100、query_news.days最大 90，超范围可能被截断。

     我们注意到，业界存在以 Skills 替代 MCP 的讨论，但为什么我们还是以MCP的方式来提供服务：

     我们的MCP的能力本质是“远程数据服务”，而非“本地操作流程”，用MCP对接是更自然、更彻底的解法。

     ① 数据源在远端，Skills够不到

     MCP的后端对接的是各种数据库、公募持仓、产业链图谱、财经新闻API等外部数据系统。这些数据存在云端服务器上，而Skills运行在AI客户端的沙盒环境中，无法直接访问远程网络数据。

     ② 能力有状态，需要“执行”而非“教学”

     Skills的核心价值是“告诉AI怎么做”——比如给出代码审查清单、品牌设计规范。但MCP的能力是“替AI拿到结果”——执行SQL查数据库、调形态学模型返回信号。这些是具体的执行动作，而不是告诉AI“查数据时应该注意什么”的流程知识。

    ③ 客户端是消费者，需要发现与调用

    在Claude Desktop、Cursor中，客户端通过MCP协议可以自动发现我们的MCP提供的23个工具及其参数定义（tools/list），并在对话中按需调用（tools/call）。这种“即插即用”的体验，Skills无法提供——Skills需要用户预先将文件夹复制到特定目录下才能生效

    实际上，MCP和Skills并非对立，而是可以协同工作。一个很典型的模式是：Skills描述工作流，MCP提供执行引擎。Skill负责封装研究SOP（先做什么、再做什么），MCP负责执行具体操作（真正去查数据）。两者各司其职、互相增强。

     通过华创金工的 MCP 服务，我们重构了投研人员与数据之间的交互方式。过去，研究员在多个系统间反复切换、手工拼接信息的场景，将成为历史。如今，一个对话入口、24 种专业能力、AI 自动编排的工作流——研究工作的重心从“找数据”真正回归到了“想问题”。

     MCP 作为 AI时代的“万能插座”，不仅解决了数据孤岛和工具割裂的长期痛点，更打开了一扇门：当 AI 能够精准调用结构化数据、量化模型、舆情资讯乃至 AI 人设对话时，投研的深度和效率将被提升到一个前所未有的水平。无论是买方、卖方的专业研究员，还是希望在 AI 工作流中接入金融数据的团队，我们的MCP都将有望成为您最得力的“数据与分析后端”。

     我们相信，未来的投研工作不是 AI 替代人类，而是人类+ AI +专业数据的协同进化。我们认为，我们的MCP 服务，正是这场进化的基础设施之一。

     立即接入，让您的投研能力跑在 AI 的前沿。

     如有任何接入或使用问题，欢迎随时联系华创金工团队。

     更多MCP工具介绍以及未来我们会新增的MCP工具，请参考：

     https://www.hcquant.com/MCP.html

      本文所述所有工具、数据、报告及 AI 生成内容，均仅供参考与研究使用，AI生成内容不代表研究员及所在机构观点，不构成任何形式的投资建议、买卖推荐或操作指令。

      具体内容详见华创证券研究所8月4日发布的报告《AI投研工具研究之一：华创金工MCP配置与使用》。

欢迎扫码创见小程序阅读华创金工历史报告