一、起因：746只自选股，手动看不过来

我是一个散户，同花顺自选股列表里躺着 746 只股票。每天开盘前，想从中找出最值得关注的几只，靠手动翻看根本不可能——光是看一遍行情就要半小时，更别说逐个分析技术面、消息面、资金面了。

直到我遇到了平凯 Loop——一个可以创建多个 AI Agent 并让它们协作工作的平台。我心想：能不能让 AI 帮我干这件事？

答案是可以的。而且效果远超预期。

二、架构设计：四个 Agent，一条流水线

我的思路很简单：把一个完整的投研流程拆解成四个环节，每个环节交给一个专门的 AI Agent。

图1：四 Agent 协作流水线架构图

整个流程的数据流是这样的：

DataAgent 采集数据    | OHLCV + 资金流向    vTechAgent 技术筛选（746只 -> TOP 20）    | 技术信号 + 置信度    vNewsAgent 消息面分析（TOP 20 深度分析）    | 消息面评分 + 情感    vDeciAgent 综合决策（TOP 20 -> TOP 3）    | 推荐报告    v飞书卡片 + Loop 频道推送

三、第一步：让 AI "认识"我的自选股

一切始于一份自选股清单。

我把自己的自选股名单整理成一份文本清单（764只股票），发给 Loop 里的 Agent。清单包含了所有我关注的股票名称，作为后续整个分析流程的数据基础。

这一步的关键在于：只需提供一份简单的自选股清单，Agent 就能自主完成后续所有工作——从名称匹配、代码查询、数据采集到分析推送，全程无需人工干预。

四、四个 Agent 是怎么协作的

这是整个系统最精彩的部分。在 Loop 的频道里，四个 Agent 像一个真正的投研团队一样对话、交接、验证。

4.1 各自报到，对齐数据格式

一切开始于我在频道里发了一条消息：

"@DataAgent @DeciAgent @NewsAgent @TechAgent 各位专家好。你们各自的角色描述里面定义了一些 skill，你们能各自先学习一下么"

接下来，每个 Agent 依次"报到"，详细说明自己的能力和输出格式。DataAgent 第一个响应，报告了已完成东方财富 API 对接；TechAgent 紧随其后，定义了 6 项技术指标的计算逻辑；NewsAgent 报告了消息面评分规则（0-100分制）；DeciAgent 主动与各方对齐数据格式，提出了综合评分公式。

图2：四个 Agent 依次报到，对齐数据格式

4.2 MVP 首测：5只股票跑通全流程

先用 5 只股票（茅台、五粮液、宁德时代、比亚迪、中国平安）做一次最小可行性测试。

DataAgent 率先采集完数据，立即在频道里喊话："OHLCV 数据已就绪在 data/latest/{code}_ohlcv.json，你随时可以读取计算指标。"

TechAgent 秒接："数据完美对接！技术指标计算流水线已跑通！" 然后输出了第一批技术信号——5只票中4只卖出信号，只有比亚迪有买入信号。

DeciAgent 立刻做了技术面 × 资金面的交叉验证，发现比亚迪是唯一技术买入 + 资金净流入的票，但表示要等消息面确认。

NewsAgent 最后交卷——抓取了5只股票的新闻和研报，比亚迪消息面评分79分最高（6月销量40.3万辆、海外突破、储能合作）。

图3：Agent 之间的数据交接与交叉验证

最终，DeciAgent 输出了第一份完整的综合推荐报告：

图4：MVP 首测综合推荐结果（5只股票）

从第一个 Agent 开始采集到最后报告输出，全流程仅约8分钟。

图5：DeciAgent的第一份综合推荐报告 + TechAgent 置信度补充

4.3 全量测试：746只股票，4分钟出结果

MVP 跑通后，直接上全量——746只自选股。这一次的效率令人震惊：

图6：746只股票全量分析各阶段耗时

最终 TOP 3 推荐：

同时，系统还自动标注了需要回避的股票：秦川机床虽然技术满分但股东减持1%，被果断排除。

图7：全量测试的接力对话——从采集到最终 TOP 3

五、自动化：定时任务 + 飞书推送

5.1 定时任务配置

746只股票全量分析只需4分钟，所以我设置了两个定时任务：

在 Loop 里创建定时任务非常简单，直接在频道里跟 Agent 说"自动创建一个定时任务，每天早上7点推送给我消息"，Agent 就会帮你配置好。

5.2 飞书机器人接入

为了在非交易时间也能第一时间收到推荐，我让DeciAgent接入了飞书机器人：

1. 在飞书群里添加「自定义机器人」，获取 Webhook URL 2. Agent 编写推送脚本，将 TOP 3 报告格式化为飞书交互卡片 3. 每天7:00自动推送到飞书群

图8：飞书机器人配置过程

最终推送到飞书的是一张精美的交互卡片，包含 TOP 3 推荐及综合评分、每只股票的技术/消息/资金三维分析、风险回避清单和免责声明。

图9：飞书交互卡片效果（真实截图）

六、Agent 之间的协作细节（精彩对话集锦）

整个过程中，Agent 之间的协作质量令人印象深刻。以下是一些精彩片段：

场景1：TechAgent 主动给DeciAgent提建议

TechAgent："建议补充 confidence（置信度）字段，基于指标方向一致性计算，方便你加权时参考。"

DeciAgent："收到！我把 confidence 纳入综合评分公式：综合分 = 技术分 x confidence x 0.4 + 消息分 x 0.3 + 资金分 x 0.3"

场景2：消息面推翻技术面的经典案例

秦川机床技术面满分+7，但 NewsAgent 发现股东减持1%，消息面利空。DeciAgent果断排除。

立讯精密资金面+11.29亿（TOP 1），但技术面排名474/562，score=-4。TechAgent 深度解读："+11.29亿资金流入但价格仍在所有均线下方，可能是ETF被动建仓或机构大宗交易，不反映主动做多意愿。" 最终被综合公式正确排除。

场景3：DataAgent 的数据质量保障

DataAgent 不仅采集数据，还主动补充了"10日累计主力净流入"和"异常数据标记"两个字段，让决策更全面。DeciAgent要求的功能，DataAgent 秒回"已实现"。

七、总结与展望

回顾整个过程，最让我感慨的是：

四个 AI Agent，分工明确、协作流畅、互相验证。从数据采集到最终推送，全流程仅 4 分钟，而我要做的只是在最开始的频道里发了几条消息，描述需求和期望的输出格式。

这套系统目前每天早上 7:00 自动运行，我在飞书上喝着咖啡看推荐，真正实现了"AI 帮我炒股"的愿景。

后续可以优化的方向包括：

1. 加入更多技术指标（量价关系、筹码分布） 2. 回测验证信号准确率 3. 扩充自选股列表至全市场 4. 接入更多外部数据源（如龙虎榜、北向资金）

以上分析基于公开数据和技术指标，仅供参考，不构成投资建议。投资有风险，入市需谨慎。