7.6 工具组合与金融场景应用

前面几节分别介绍了 API、Function Call、MCP、CLI 命令和内置工具。单个工具能解决的问题有限，真正的威力在于组合。本节将这些工具层次整合起来，展示如何在经济金融场景中完成端到端的分析任务。

7.6.1 工具组合的基本模式

智能体在执行复杂任务时，通常需要调用多个工具。根据工具之间的关系，组合模式分为四种。

顺序组合

工具 A 的输出作为工具 B 的输入，形成流水线。这是最常见的模式。

MCP 获取财务数据 → Bash 计算财务比率 → Write 保存分析报告

并行组合

多个工具同时执行，各自独立获取数据，最后合并结果。

┌→ MCP 获取股价数据 ──┐
│                      │
├→ WebFetch 获取新闻 ──┼→ 合并分析 → 生成报告
│                      │
└→ Read 读取行业基准 ──┘

条件组合

根据中间结果决定下一步调用哪个工具。

Bash 计算涨跌幅
    ├→ 涨幅 > 5%  → 调用风险评估工具
    ├→ 跌幅 > 5%  → 调用止损检查工具
    └→ 波动平稳   → 调用常规监控工具

循环组合

反复调用工具，直到结果满足预设条件。

while 报告质量评分 < 80:
    Read 读取当前报告
    Bash 执行质量检查脚本
    Edit 修改不合格部分

核心概念

四种组合模式可以嵌套使用。一个完整的金融分析任务往往同时包含顺序、并行和条件组合。理解这些模式，就能用自然语言精确描述你需要智能体完成的工作流。

7.6.2 案例一：上市公司财务分析

任务描述

对贵州茅台（600519）进行全面财务分析，计算核心财务比率，与行业基准对比，生成结构化报告。

工具组合方案

步骤	工具	层次	作用
1	MCP（A-Stock-Server）	协议层	获取财务数据
2	Bash（Python 脚本）	CLI 层	计算财务比率
3	Read	内置工具	读取行业对比基准
4	Write	内置工具	保存分析报告

组合模式：步骤 1-2 为顺序组合，步骤 2 和步骤 3 可并行执行。

对话流程

用户发出指令：

你：请对贵州茅台（600519）做一份财务分析报告，包括
盈利能力、偿债能力和运营效率三个维度，并与白酒行业
平均水平对比。

智能体的工具调用序列如下：

第一轮：获取原始数据
  [MCP 调用] get_stock_quote_cn(symbol="600519")
  → 返回：最新价 1680.50 元，市盈率 35.6

  [MCP 调用] get_financial_statements(symbol="600519")
  → 返回：营业收入、净利润、总资产、总负债等数据

第二轮：计算财务比率
  [Bash] python calculate_ratios.py --data financial_data.json
  → 输出：
    ROE = 33.2%
    ROA = 21.5%
    毛利率 = 91.5%
    资产负债率 = 20.3%
    流动比率 = 3.82

第三轮：读取行业基准并对比
  [Read] industry_benchmark_liquor.csv
  → 行业平均 ROE = 18.7%，毛利率 = 65.3%

第四轮：生成报告
  [Write] 保存至 output/600519_financial_report.md

最终输出的报告核心内容：

贵州茅台（600519）财务分析报告

一、盈利能力
  ROE：33.2%（行业平均 18.7%，高出 14.5 个百分点）
  毛利率：91.5%（行业平均 65.3%）
  结论：盈利能力显著优于行业

二、偿债能力
  资产负债率：20.3%（行业平均 38.5%）
  流动比率：3.82（行业平均 1.65）
  结论：财务结构稳健，偿债风险极低

三、运营效率
  ROA：21.5%（行业平均 9.8%）
  总资产周转率：0.62（行业平均 0.55）
  结论：资产使用效率高于行业水平

知识卡片

ROE（Return on Equity，净资产收益率）= 净利润 / 股东权益。ROE 衡量股东每投入一元资本能获得多少利润，是巴菲特最看重的财务指标之一。ROE 长期高于 20% 的公司通常具备持久竞争优势。

7.6.3 案例二：金融研报自动生成

任务描述

基于多源数据，生成一份新能源汽车行业研究报告。这个案例整合了全章介绍的所有工具层次。

工具组合方案（全层次覆盖）

工具层次	具体工具	任务
API 层	金融数据 API	获取行业营收、产销量等原始数据
协议层	MCP Server	获取上市公司财务数据和股价走势
CLI 层	Bash + Python	数据清洗、统计分析、图表生成
内置工具层	Read / Write / Grep	读取模板、搜索关键信息、生成最终报告

完整工具链

阶段一：数据采集（并行组合）
  ├→ [API] 行业协会数据接口 → 产销量、渗透率
  ├→ [MCP] A-Stock-Server → 比亚迪、宁德时代等财务数据
  └→ [WebFetch] 券商研报网站 → 行业观点摘要

阶段二：数据处理（顺序组合）
  [Bash] python clean_data.py → 数据清洗、缺失值处理
  [Bash] python analyze.py → 增长率计算、趋势分析
  [Bash] python charts.py → 生成 5 张分析图表

阶段三：报告组装（条件 + 顺序组合）
  [Read] report_template.md → 读取报告模板
  [Grep] 搜索关键政策文件中的补贴信息
  [条件判断] 若行业增速 > 30% → 标注为高景气赛道
  [Write] industry_report_nev.md → 输出完整研报

阶段四：质量检查（循环组合）
  [Read] 读取生成的报告
  [Bash] python check_quality.py → 检查数据一致性
  [Edit] 修正发现的问题
  → 重复直至通过质量检查

这个案例展示了四种组合模式的综合运用：并行采集多源数据、顺序处理和分析、条件判断行业定性、循环优化报告质量。

注意

金融研报涉及投资建议，生成内容必须经过人工审核。智能体擅长数据整理和初稿撰写，但行业判断和投资结论需要分析师把关。这是人在回路（Human-in-the-Loop）原则的典型应用场景，第 9 章将详细讨论。

7.6.4 工具选择的决策框架

面对一个具体任务，如何选择合适的工具？以下决策矩阵提供参考。

按任务性质选择

任务性质	推荐工具	理由
读写本地文件	Read / Write / Edit	内置工具，无需配置，安全可靠
搜索项目内容	Grep / Glob	专用搜索工具，效率高于 Bash
获取外部数据	MCP Server	标准化协议，支持身份认证和错误处理
执行计算或脚本	Bash	灵活性最高，可运行任意命令
浏览网页	WebFetch / Browser Use	获取网页内容或模拟浏览器操作
调用第三方 API	MCP 或 Bash（curl）	MCP 更规范，Bash 更灵活

按使用频率选择

使用频率	推荐方案	说明
一次性任务	Bash + 临时脚本	快速完成，无需长期维护
每周重复	Skill + MCP	将流程封装为 Skill，数据接口用 MCP
每日高频	Plugin	打包为可复用的插件，跨项目共享

最佳实践原则

优先使用内置工具。Read、Write、Grep 等内置工具最简单、最安全，能用内置工具解决的问题就不要引入外部依赖。
需要外部数据时使用 MCP。MCP 提供标准化的认证、错误处理和数据格式，比手动调用 API 更可靠。
需要灵活执行时使用 Bash。数据清洗、统计计算、图表生成等任务，Bash 调用 Python 脚本是最灵活的方案。
高频任务封装为 Skill 或 Plugin。避免每次重复描述同一个工作流程，让智能体自动按预设流程执行。

教学提示

选择工具时，先确定任务性质（需要什么能力），再考虑使用频率（一次性还是高频），最后权衡配置复杂度。没有最好的工具，只有最适合当前场景的工具。

--- title: "7.6 工具组合与金融场景应用" --- 前面几节分别介绍了 API、Function Call、MCP、CLI 命令和内置工具。单个工具能解决的问题有限，真正的威力在于组合。本节将这些工具层次整合起来，展示如何在经济金融场景中完成端到端的分析任务。 ### 7.6.1 工具组合的基本模式 ![工具组合四种模式](images/img_07_tool_composition_patterns.png) 智能体在执行复杂任务时，通常需要调用多个工具。根据工具之间的关系，组合模式分为四种。 **顺序组合** 工具 A 的输出作为工具 B 的输入，形成流水线。这是最常见的模式。 ```txt MCP 获取财务数据 → Bash 计算财务比率 → Write 保存分析报告 ``` **并行组合** 多个工具同时执行，各自独立获取数据，最后合并结果。 ```txt ┌→ MCP 获取股价数据 ──┐ │ │ ├→ WebFetch 获取新闻 ──┼→ 合并分析 → 生成报告 │ │ └→ Read 读取行业基准 ──┘ ``` **条件组合** 根据中间结果决定下一步调用哪个工具。 ```txt Bash 计算涨跌幅 ├→ 涨幅 > 5% → 调用风险评估工具 ├→ 跌幅 > 5% → 调用止损检查工具 └→ 波动平稳 → 调用常规监控工具 ``` **循环组合** 反复调用工具，直到结果满足预设条件。 ```txt while 报告质量评分 < 80: Read 读取当前报告 Bash 执行质量检查脚本 Edit 修改不合格部分 ``` ::: {.callout-important} ## 核心概念四种组合模式可以嵌套使用。一个完整的金融分析任务往往同时包含顺序、并行和条件组合。理解这些模式，就能用自然语言精确描述你需要智能体完成的工作流。 ::: ### 7.6.2 案例一：上市公司财务分析 **任务描述** 对贵州茅台（600519）进行全面财务分析，计算核心财务比率，与行业基准对比，生成结构化报告。 **工具组合方案** | 步骤 | 工具 | 层次 | 作用 | |:----:|------|------|------| | 1 | MCP（A-Stock-Server） | 协议层 | 获取财务数据 | | 2 | Bash（Python 脚本） | CLI 层 | 计算财务比率 | | 3 | Read | 内置工具 | 读取行业对比基准 | | 4 | Write | 内置工具 | 保存分析报告 | 组合模式：步骤 1-2 为顺序组合，步骤 2 和步骤 3 可并行执行。 **对话流程** 用户发出指令： ```txt 你：请对贵州茅台（600519）做一份财务分析报告，包括盈利能力、偿债能力和运营效率三个维度，并与白酒行业平均水平对比。 ``` 智能体的工具调用序列如下： ```txt 第一轮：获取原始数据 [MCP 调用] get_stock_quote_cn(symbol="600519") → 返回：最新价 1680.50 元，市盈率 35.6 [MCP 调用] get_financial_statements(symbol="600519") → 返回：营业收入、净利润、总资产、总负债等数据第二轮：计算财务比率 [Bash] python calculate_ratios.py --data financial_data.json → 输出： ROE = 33.2% ROA = 21.5% 毛利率 = 91.5% 资产负债率 = 20.3% 流动比率 = 3.82 第三轮：读取行业基准并对比 [Read] industry_benchmark_liquor.csv → 行业平均 ROE = 18.7%，毛利率 = 65.3% 第四轮：生成报告 [Write] 保存至 output/600519_financial_report.md ``` 最终输出的报告核心内容： ```txt 贵州茅台（600519）财务分析报告一、盈利能力 ROE：33.2%（行业平均 18.7%，高出 14.5 个百分点）毛利率：91.5%（行业平均 65.3%）结论：盈利能力显著优于行业二、偿债能力资产负债率：20.3%（行业平均 38.5%）流动比率：3.82（行业平均 1.65）结论：财务结构稳健，偿债风险极低三、运营效率 ROA：21.5%（行业平均 9.8%）总资产周转率：0.62（行业平均 0.55）结论：资产使用效率高于行业水平 ``` ::: {.callout-note} ## 知识卡片 ROE（Return on Equity，净资产收益率）= 净利润 / 股东权益。ROE 衡量股东每投入一元资本能获得多少利润，是巴菲特最看重的财务指标之一。ROE 长期高于 20% 的公司通常具备持久竞争优势。 ::: ### 7.6.3 案例二：金融研报自动生成 **任务描述** 基于多源数据，生成一份新能源汽车行业研究报告。这个案例整合了全章介绍的所有工具层次。 **工具组合方案（全层次覆盖）** | 工具层次 | 具体工具 | 任务 | |----------|----------|------| | API 层 | 金融数据 API | 获取行业营收、产销量等原始数据 | | 协议层 | MCP Server | 获取上市公司财务数据和股价走势 | | CLI 层 | Bash + Python | 数据清洗、统计分析、图表生成 | | 内置工具层 | Read / Write / Grep | 读取模板、搜索关键信息、生成最终报告 | **完整工具链** ```txt 阶段一：数据采集（并行组合） ├→ [API] 行业协会数据接口 → 产销量、渗透率 ├→ [MCP] A-Stock-Server → 比亚迪、宁德时代等财务数据 └→ [WebFetch] 券商研报网站 → 行业观点摘要阶段二：数据处理（顺序组合） [Bash] python clean_data.py → 数据清洗、缺失值处理 [Bash] python analyze.py → 增长率计算、趋势分析 [Bash] python charts.py → 生成 5 张分析图表阶段三：报告组装（条件 + 顺序组合） [Read] report_template.md → 读取报告模板 [Grep] 搜索关键政策文件中的补贴信息 [条件判断] 若行业增速 > 30% → 标注为高景气赛道 [Write] industry_report_nev.md → 输出完整研报阶段四：质量检查（循环组合） [Read] 读取生成的报告 [Bash] python check_quality.py → 检查数据一致性 [Edit] 修正发现的问题 → 重复直至通过质量检查 ``` 这个案例展示了四种组合模式的综合运用：并行采集多源数据、顺序处理和分析、条件判断行业定性、循环优化报告质量。 ::: {.callout-warning} ## 注意金融研报涉及投资建议，生成内容必须经过人工审核。智能体擅长数据整理和初稿撰写，但行业判断和投资结论需要分析师把关。这是人在回路（Human-in-the-Loop）原则的典型应用场景，第 9 章将详细讨论。 ::: ### 7.6.4 工具选择的决策框架面对一个具体任务，如何选择合适的工具？以下决策矩阵提供参考。 **按任务性质选择** | 任务性质 | 推荐工具 | 理由 | |----------|----------|------| | 读写本地文件 | Read / Write / Edit | 内置工具，无需配置，安全可靠 | | 搜索项目内容 | Grep / Glob | 专用搜索工具，效率高于 Bash | | 获取外部数据 | MCP Server | 标准化协议，支持身份认证和错误处理 | | 执行计算或脚本 | Bash | 灵活性最高，可运行任意命令 | | 浏览网页 | WebFetch / Browser Use | 获取网页内容或模拟浏览器操作 | | 调用第三方 API | MCP 或 Bash（curl） | MCP 更规范，Bash 更灵活 | **按使用频率选择** | 使用频率 | 推荐方案 | 说明 | |----------|----------|------| | 一次性任务 | Bash + 临时脚本 | 快速完成，无需长期维护 | | 每周重复 | Skill + MCP | 将流程封装为 Skill，数据接口用 MCP | | 每日高频 | Plugin | 打包为可复用的插件，跨项目共享 | **最佳实践原则** 1. **优先使用内置工具**。Read、Write、Grep 等内置工具最简单、最安全，能用内置工具解决的问题就不要引入外部依赖。 2. **需要外部数据时使用 MCP**。MCP 提供标准化的认证、错误处理和数据格式，比手动调用 API 更可靠。 3. **需要灵活执行时使用 Bash**。数据清洗、统计计算、图表生成等任务，Bash 调用 Python 脚本是最灵活的方案。 4. **高频任务封装为 Skill 或 Plugin**。避免每次重复描述同一个工作流程，让智能体自动按预设流程执行。 ::: {.callout-tip} ## 教学提示选择工具时，先确定任务性质（需要什么能力），再考虑使用频率（一次性还是高频），最后权衡配置复杂度。没有最好的工具，只有最适合当前场景的工具。 :::