TL;DR一句话摘要2026 年是大模型智能体AI Agent爆发的元年。本文将展示如何利用DeepSeek-V3 / GPT-4o 的 Function Calling函数调用机制无缝接入QuantDash API让你的 AI 助手能够直接理解用户的自然语言指令如“帮我分析一下腾讯控股最近10天的走势”自动检索高质 K 线数据并输出深度投研结论。一、 为什么传统的金融 AI 助手总是在“胡说八道”许多量化研究员尝试过让 LLM 分析股市但往往面临两大硬伤数据时效性滞后大模型的知识库有截止日期无法直接得知今天或者昨天的真实行情。缺乏数学精确度LLM 极其擅长文字创作但在缺少原始数据支撑的情况下强行让其进行技术指标计算或趋势推演极易产生“幻觉”Hallucination编造错误的收盘价。最优雅的解决方案是给大模型插上“数据的翅膀”。通过 Function Calling大模型在遇到需要行情数据的提问时会自动暂停生成向系统申请调用注册好的QuantDash 行情函数在拿到真实的前复权 K 线数据后再结合自身的推理能力产出逻辑严密、数据真实的专业报告。二、 AI Agent 金融函数调用解决方案Python DeepSeek QuantDash1. 环境准备pip install quantdash openai pandas2. 核心代码实现我们将定义一个供 AI Agent 调用的工具函数利用无需注册的公共测试 Token 获取实时数据。import os import json from openai import OpenAI from quantdash import QuantDash # 1. 初始化客户端 qd QuantDash() qd.set_token(demo_public_token) # 初始化 DeepSeek 客户端此处可替换为您的实际大模型 API 密钥 client OpenAI( api_keysk_xxxx_your_llm_key, base_urlhttps://api.deepseek.com/v1 ) # 2. 定义可供大模型调用的 Function 实体 def get_stock_kline(symbol: str, period: str 1d) - str: 通过 QuantDash 获取指定标的的最新 K 线数据并返回 JSON 字符串 try: df qd.klines.get(symbolsymbol, periodperiod, adjustqfq, to_dataframeTrue) if df.empty: return json.dumps({error: 未找到相关数据}) # 仅返回最新的 5 条 K 线供大模型决策防止超长上下文 latest_data df.tail(5).to_dict(orientrecords) return json.dumps({symbol: symbol, data: latest_data}) except Exception as e: return json.dumps({error: str(e)}) # 3. 大模型感知工具的描述配置 tools [ { type: function, function: { name: get_stock_kline, description: 获取 A 股、港股、美股或加密货币的最新历史 K 线数据已进行前复权处理, parameters: { type: object, properties: { symbol: { type: string, description: 标准化股票代码如美股的 TSLA.US、港股的 00700.HK、A股的 600519.SH }, period: { type: string, enum: [1d, 1h, 15m], description: K 线周期默认为 1d日线 } }, required: [symbol] } } } ] def run_agent_workflow(user_prompt: str): print(f用户问题: {user_prompt}\n) # 第一步把问题和工具描述发送给大模型 response client.chat.completions.create( modeldeepseek-chat, messages[{role: user, content: user_prompt}], toolstools, tool_choiceauto ) response_message response.choices[0].message tool_calls response_message.tool_calls # 第二步检查大模型是否判断需要调用 QuantDash API if tool_calls: print([] AI 决定调用 QuantDash 数据接口...) # 定义可用函数映射 available_functions {get_stock_kline: get_stock_kline} for tool_call in tool_calls: function_name tool_call.function.name function_to_call available_functions[function_name] function_args json.loads(tool_call.function.arguments) # 真实执行 QuantDash 数据获取 print(f[*] 执行函数: {function_name}参数: {function_args}) tool_output function_to_call(**function_args) # 第三步将真实数据返回给大模型进行融合推理 second_response client.chat.completions.create( modeldeepseek-chat, messages[ {role: user, content: user_prompt}, response_message, { role: tool, tool_call_id: tool_call.id, name: function_name, content: tool_output } ] ) print(\n[] AI Agent 最终深度分析报告:) print(second_response.choices[0].message.content) else: print([-] AI 认为此提问不需要查阅实时行情。) print(response_message.content) if __name__ __main__: # 模拟用户提问跨美港两市 user_query 帮我分析一下特斯拉TSLA.US最近走势如何有什么需要注意的技术位置吗 run_agent_workflow(user_query)3. Agent 真实融合输出样例用户问题: 帮我分析一下特斯拉TSLA.US最近走势如何有什么需要注意的技术位置吗 [] AI 决定调用 QuantDash 数据接口... [*] 执行函数: get_stock_kline参数: {symbol: TSLA.US} [] AI Agent 最终深度分析报告: 根据从 QuantDash 获取的特斯拉TSLA.US最新前复权 K 线数据 1. **价格走势**最近 5 个交易日截止至 2026-07-20收盘价呈现稳步走高的态势。最新收盘价为 265.0 美元相较于 4 天前的 258.5 美元累计上涨了约 2.51%。 2. **成交量表现**在 7 月 17 日和 20 日成交量有明显的温和放大显示买盘动能正在逐步积聚。 3. **技术位置提示** - **下方支撑位**258.5 - 260.0 美元区间是前期的低位密集交易区有较强的技术买盘支撑。 - **阻力位**建议密切关注 268.0 美元附近。如果能够带量突破该关口后市有望向 280.0 美元发起上攻。三、 AI 编程助手专属提示词如果你希望在自己的项目中扩充 Agent 的功能比如加入资金流或财务指标将此 Prompt 喂给 AIRole: AI 架构师 Context: 我正在使用 Python 搭建一个基于 DeepSeek 的 Function Calling 智能投研体数据源使用 QuantDash。 Task: 请帮我扩展上述代码。 Requirements: 1. 在 tools 列表中增加一个名为 get_financial_indicators 的函数用于查询股票的市盈率 (PE)、市净率 (PB) 和市值数据。 2. 给出详细的 schema 定义描述确保 LLM 能够精准识别并抽取 symbol 参数。四、 总结与三步走指引第一步获取完整源码。请访问官方开源托管仓库获取本文 Demo 及进阶配置https://github.com/quantdash-net/QuantDash请认准官方 quantdash-net 组织欢迎 Star 支持。第二步申请专属密钥。注册获取您的个人免费/生产级 API Keyhttps://quantdash.net/。第三步查阅开发细节。更多高频行情、多市场 Tick 接口参数请参考https://docs.quantdash.net/。