Aufbau eines MCP-Förderanalystens

In den heutigen Märkten, auf denen Milliarden in Sekundenschnelle hergestellt werden, ist die Wartezeit für die Aktienanalyse nicht mehr rentabel. Stellen Sie sich vor „Planen Sie mir Aktiengewinne von x“ und sofort ein sauberes Diagramm erhalten. Keine manuelle Datenerfassung, -codierung oder Debugging. In diesem Leitfaden werden wir einen persönlichen Marktanalyst aufbauen Crewai Und MCP. Am Ende haben Sie einen Assistenten, der Abfragen für natürliche Sprache in umsetzbare Aktienerkenntnisse verwandelt.

Objektiv

Unsere MCP-gestützte Finanzanalyst rationalisiert die Finanzdatenanalyse mithilfe der Analyse KI -Agenten. Es überbrückt die Lücke zwischen komplexen Finanzdatenquellen und Benutzeranfragen und liefert Echtzeit und kontextbezogene Erkenntnisse. Dieser Ansatz spart nicht nur Zeit und reduziert manuelle Fehler, sondern gewährleistet auch eine bessere Sicherheit, Interoperabilität und Transparenz.

Systemübersicht

• Benutzerabfrage: Eine natürliche Anfrage, z. B., z. B. „Zeigen Sie mir Teslas Aktienleistung im vergangenen Jahr.“
• MCP -Agent: Ruft die Finanzanalysten -Crew auf – eine Reihe von Spezialagenten.
• Agenten arbeiten zusammen: Sie analysieren die Abfrage, generieren Python -Code, führen ihn aus und validieren Ergebnisse.
• Ausgabe: Der Benutzer erhält ein sauberes Diagramm mit sofortigen, umsetzbaren Erkenntnissen.

Schritt für Schritt: Bauen Sie den persönlichen Marktanalyst auf

Voraussetzungen

Hier sind einige notwendige Python -Pakete

pip set up crewai crewai-tools pydantic yfinance python-dotenv

Aufbau eines KI-betriebenen Finanzanalysts mit MCP

Wir werden zwei Hauptkomponenten ausbauen:

• Die Finanzanalyst -Crew: unterstützt von Crewai -Agenten, die die Benutzerabfrage lesen, Python -Code erstellen und ausführen, um Aktiendaten zu visualisieren.
• Die MCP Server -Datei: Ein Modellkontext -Protokollserver, der dies als KI -Instruments darstellt, damit er direkt in Ihre KI -Workflows eingesteckt werden kann.

Lass es uns zusammenbrechen.

Die Finanzanalyst -Crew

Hier passiert die wahre Intelligenz. Wir verwenden Crewai, um mehrere Agenten mit unterschiedlichen Rollen zu koordinieren:

Schritt 1. Definieren Sie die Ausgangsstruktur

class QueryAnalysisOutput(BaseModel):

    symbols: record(str)

    timeframe: str

    motion: str

Dieses pydantische Modell gewährleistet eine strukturierte Extraktion aus der Abfrage des Benutzers.

Schritt 2: Konfigurieren Sie LLM

llm = LLM(

    mannequin="openai/gpt-4o",

     temperature=0.7

)

Schritt 3 Erstellen von Agenten

Agent 1: Parser abfragen

• Es liest die Abfrage
• Extrahiert Aktienkicker, Zeitrahmen und die beabsichtigten Aktionen
• Außerdem verwandelt es die natürliche Sprache in strukturierte JSON

query_parser_agent = Agent(

    position="Inventory Knowledge Analyst",

    purpose="Extract inventory particulars and fetch required knowledge...",

    output_pydantic=QueryAnalysisOutput

)

Agent 2: Codeschreiber

• Nimmt die strukturierte Abfrageausgabe
• Schreibt sauberen, ausführbaren Python -Code mit Verwendung
• YFInance (Abrufen von Aktiendaten)
• Pandas (für Datenmanipulation)
• Matplotlib (Auftritt)

code_writer_agent = Agent(

    position="Senior Python Developer",

    purpose="Write Python code to visualise inventory knowledge..."

)

Agent 3: Code Executor

• Führt den generierten Code aus
• Behebt Fehler, wenn etwas bricht
• Kann an den Codeberätiger an den Codeberätigung zurückkehren, um Korrekturen zu erhalten

code_execution_agent = Agent(

    position="Senior Code Execution Knowledgeable",

    allow_code_execution=True,

    allow_delegation=True

)

Schritt 4: Crewverarbeitung

Wir werden einer Sequenz folgen, während wir diese Agenten verwenden, dh:

• Parser -Abfrage
• Schreiben Sie Python -Code
• Ergebnisse ausführen und überprüfen

crew = Crew(

    brokers=(query_parser_agent, code_writer_agent, code_execution_agent),

    duties=(query_parsing_task, code_writer_task, code_execution_task),

    course of=Course of.sequential

)

Schritt 5: Die Hauptfunktion

Orchestrates the complete multi-agent system and returns the ultimate executable Python code.

def run_financial_analysis(question):

    outcome = crew.kickoff(inputs={"question": question})

    return outcome.uncooked

Jetzt erstellen wir die MCP Server -Datei:

• Schnittstelle erstellen: Dies ist die Schnittstelle, an der AI -Assistenten unsere Funktion aufrufen können

from mcp.server.fastmcp import FastMCP

from finance_crew import run_financial_analysis

FastMCP: A light-weight MCP server framework for exposing features as AI instruments

run_financial_analysis: The primary perform from the above code that does all of the heavy lifting.

• Erstellen der MCP -Instanz

Wir nennen unser MCP -Toolset als „Finanzanalytiker“. Dies wirkt wie der App -Title.

mcp = FastMCP("financial-analyst")

Werkzeug 1: Analyze_Stock ()

• Nimmt eine natürliche Sprachfrage
• Übergibt es an die Crew für Finanzanalysten (unsere Agenten)
• Gibt ein Python -Skript als Zeichenfolge zurück, mit dem die angeforderten Aktiendaten abgerufen und visualisieren können.

@mcp.instrument()

def analyze_stock(question: str) -> str:

    ...

    outcome = run_financial_analysis(question)

    return outcome

Software 2: Code speichern

Speichert den generierten Python -Code in einer Datei, stock_analysis.py

Stellt sicher, dass die Datei gültig und ausführbar ist.

@mcp.instrument()

def save_code(code: str) -> str:

    with open('stock_analysis.py', 'w') as f:

        f.write(code)

Software 3: run_code_and_show_plot ()

• Führt das gespeicherte Skript direkt aus
• Generiert die angeforderte Aktienvisualisierung in Echtzeit

Führt den MCP -Server lokal über STDIO aus und ist bereit, sich in jede KI -Plattform zu integrieren, die MCP unterstützt.

if __name__ == "__main__":

    mcp.run(transport="stdio")

Endgültige Ausgabe

Mit diesem Setup eine Abfrage wie wie „Die Aktienleistung von Apple in den letzten 6 Monaten plant“ Erzeugt ein Gebrauchstabellabschnitt-keine manuelle Codierung erforderlich.

Lesen Sie auch: Erstellen eines MCP -Clientservers mit Langchain

Abschluss

Der Aufbau eines MCP-Förderanalystens mit Crewai zeigt, wie Multi-Agent-Systeme die Finanzanalyse verändern können. Durch die Kombination der strukturierten Analyse von Abfragen, der automatisierten Python-Codegenerierung und der Echtzeitausführung eliminieren wir die Engpässe der manuellen Codierung und Debuggierung. In diesem Projekt wird hervorgehoben, wie KI-Agenten komplexe Workflows effizient bewältigen können, und legt einen neuen Benchmark für benutzerorientierte Finanzanalysen fest.

Wenn Sie die Grundlagen von MCP lernen möchten, melden Sie sich für unseren kostenlosen Kurs an: Grundlagen des Modellkontextprotokolls

Häufig gestellte Fragen

Ich bin ein Datenwissenschaftler bei Analytics Vidhya und arbeite leidenschaftlich an der Entwicklung fortschrittlicher AI-Lösungen wie generativen AI-Anwendungen, großsprachigen Modellen und hochmodernen KI-Instruments, die die Grenzen der Technologie überschreiten. Meine Rolle besteht auch darin, einen ansprechenden Bildungsinhalt für die YouTube -Kanäle von Analytics Vidhya zu erstellen, umfassende Kurse zu entwickeln, die das gesamte Spektrum des maschinellen Lernens an generative KI abdecken, und technische Blogs zu erstellen, die Grundkonzepte mit den neuesten Innovationen in der KI verbinden. Dadurch möchte ich dazu beitragen, intelligente Systeme aufzubauen und Wissen zu teilen, das die KI -Group inspiriert und befähigt.