腾讯云智能体开发平台实战：手把手打造巴菲特投资顾问

人工智能正在快速重构投资决策的底层逻辑。散户与机构之间最大的鸿沟，早已不是信息获取的渠道差异，而是系统化分析框架与认知深度的差距。

是否存在一条路径，让普通投资者也能直接调用顶级投资大师的思维模型，完成每日的个股研判？答案是明确的。借助大语言模型与智能体架构，完全能够构建一个具备专业投资理念的AI分析助理。

今天以一个完整的落地案例——基于巴菲特价值投资框架的智能体搭建流程，来拆解整个实现链路。

创意原点：缩小投资认知鸿沟

投资是一场终身博弈。对绝大多数人来说，与专业机构之间的核心壁垒，远不止信息差，更在于思考结构与投资方法论的距离。一个承载了专家投资思想的智能体，能够辅助我们整合多维市场数据，提供可参考的决策依据——这对那些希望在市场中长期存活的个人投资者而言，具有真实的应用价值。

这个创意的底层逻辑并不复杂：掌握巴菲特投资体系的核心原则后，通过工作流引擎调度多个Agent协同作业，汇聚多源数据，按照既定的分析框架完成推理，并最终输出可视化的网页报告。

智能体需要接入哪些数据维度？

要让智能体具备切实的分析能力，必须接入以下五个维度的决策数据：

• 基础信息：公司概况、主营业务构成、所属行业赛道、收入结构拆解，并生成摘要
• 交易数据：当日、近5日、近10日、近20日的价格波动与成交量变化分析
• 资金流向：北向资金、公募基金持仓变动、主力资金净流向、产业资本增减持等关键指标
• 估值水平：市盈率、市净率历史分位，叠加企业盈利能力、成长性、运营效率及行业景气度
• 机构观点：主流券商及研究机构的正面评级与风险提示，附带核心论据

基于腾讯云智能体开发平台，本次重点调用了三项核心能力：投资理论注入（通过知识库实现）、多智能体协同调度（Multi-Agent模式）、以及网页报告自动生成（调用EdgeOne MCP服务）。

实际效果演示

输入目标个股名称后，系统实时抓取数据并完成推理，最终按照巴菲特的投资框架输出结构化的分析报告。用户只需提供股票名称，即可触发全链路分析流程。

分析任务完成后，系统自动生成可公开访问的网页报告。

完整实操步骤拆解

本次案例选用的平台是腾讯云智能体开发平台（ADP）。具备工程能力的同学，也可以参照相同的设计思路，使用Dify或其他Agent编排工具进行复现。

整体开发流程包括：应用定义 → 架构设计 → Agent搭建 → 工作流编排 → 联调验证。

第一步：定义应用——建立用户信任与明确服务边界

本阶段的目标是明确应用的职能范围，让用户一眼理解智能体所能交付的价值。首先配置欢迎语，帮助用户快速建立使用预期。

配置欢迎语

您好！我是您的专属「股票分析小助理」?，基于公开金融数据与经典投资逻辑，为您提供「公司基本面-技术面-资金面-机构观点」的全维度分析服务。为了给您更精准的报告，请您告诉我：① 您想分析哪只股票？（可直接回复股票名称如“贵州茅台”，或股票代码如“600519”）② 您更关注哪些方面？（可选填，如“短期交易机会”“长期投资价值”“行业对比”等，不填则默认全面分析）

操作步骤

1. 新建Multi-agent应用

登录ADP控制台，创建新应用，选择multi-agent模式。

2. 配置提示词与欢迎语

主Agent的系统提示词需要精准定义角色定位和任务执行流程：

#角色定义 你是一个「股票分析小助理」?，基于公开金融数据与经典投资逻辑，为用户提供「公司基本面-技术面-资金面-机构观点-投资建议」的全维度分析服务。 #工作流程 1. 欢迎语：介绍自己，询问用户需求； 2. 理解用户意图：解析股票信息，输出股票代码； 3. 搜索公司介绍，主营业务，行业情况，收入构成，进行总结； 4. 查询股价成交数据（5天的成交MACD KDJ），进行指标和技术分析； 5. 搜索股票其他信息，进行分析，包括北向资金、公募基金、主力资金、产业资本流向，市盈率、市净率，企业盈利能力、成长能力、运营水平、行业行情，以及市场主流机构的评价； 6. 将以上分析结论，结合巴菲特的投资逻辑，给出是否建议投资的结论； 7. 生成一份报告。

接下来绑定工具——选用水滴上市公司插件，用于解析用户输入并获取股票信息及代码。

完成欢迎语及示例问题配置后，前端展示效果如下：

第二步：设置提示词，拆分Agent结构与职能

本阶段的目标是根据用户输入的目标股票，完成对应维度的信息检索。需拆分的分析维度包括：基础信息、交易数据、资金流向、估值评估、机构观点。

添加Agent

选择新建或复用已有Agent，集成到multi-agent应用中。这里需要创建2个Agent。

Agent1：负责搜索公司介绍、主营业务、行业背景、收入结构并输出摘要

配置内容包括系统提示词和插件绑定。

提示词需明确任务流程和约束条件，涵盖问题理解、关键词改写、联网检索、结果归纳等环节，并确保输出内容的专业性与准确性。MCP工具部分绑定混元AI搜索插件即可。

Agent2：负责其他信息维度搜索与汇总

Agent2的系统提示词需要覆盖交易数据、资金流向、估值指标、企业基本面及行业分析、机构评价六大维度。输出格式按一级标题、二级标题、正文内容的结构呈现，总字数控制在500字以内。

第三步：设置Agent协同模式——工作流编排

通过工作流编排，可以稳定地调度多个Agent协同执行任务，确保最终产出符合预期。整体链路如下：

添加Agent节点：在开始节点之后，依次添加两个Agent节点，分别绑定之前定义好的Agent1和Agent2。

投资体系检索：配置知识库

首先在知识管理模块中创建知识库，提前导入巴菲特投资框架的相关资料。ADP支持直接上传整本电子书的PDF文件并完成向量化初始化，这一点相比很多开源平台更为便捷。

接着在工作流中添加大模型知识问答节点，绑定知识库并设置检索提示词。

TIPS：选择已导入的知识库，确保AI在分析过程中能够实时参考巴菲特的投资原则。

添加大模型节点进行汇总与改写

配置输入变量，引用前两个Agent节点的输出结果。数据来源选择“引用”即可，操作路径非常直观。

选定模型后，配置系统提示词（定义角色与任务）和用户提示词（引入前序步骤定义的三个输入变量）。

设计网页模板

目标是将分析报告渲染为网页格式，便于通过EdgeOne MCP进行部署。再次添加一个大模型节点，输入变量引用前一步汇总生成的内容。系统提示词中明确定义角色，并将DeepSeek生成的网页设计框架注入给该节点。

输出报告与等待提示

选择返回节点完成配置。

生成网页报告

输入为一个HTML文件，输出为一个可访问的网页链接。选用插件，搜索EO，添加“deploy-html”插件。配置插件时，body内填写value变量，选择引用“设计网页html”节点的输出Content字段。

打印生成的报告链接

选择返回节点，完成输入配置，引用EdgeOne MCP生成的网页报告。值得说明的是，这里引用前序节点输出的结果时，可以快速选取到输出内容中不同层级的数据字段，交互体验相当流畅。

至此，整个智能体的主体搭建工作基本完成。

踩坑与解决方案

开发过程中自然遇到了一些技术障碍，以下经验供大家参考：

• 初次接触ADP，对应用模式选择不清晰：最终采用multi-agent模式 + 工作流编排来调度多个Agent协同完成目标。这需要一定的实践经验来判断哪种架构最为匹配当前需求。

• 生成报告内容过于泛化，缺乏投资决策参考价值：解决方案是引入知识库，在工作流中增加大模型知识检索节点，并将检索结果作为后续大模型进行综合判断的参考依据。

• 调用EdgeOne生成网页时报错：根因在于MCP插件的输入要求是一个完整的网页文件。因此额外增加了一个节点先生成纯HTML内容，再将其作为输入传递给EO插件。

• 用户体验问题：报告生成等待时间过长：最初的版本中，“大模型汇总生成报告”节点和“设计网页”节点串行执行，用户需要等待全部流程走完才能看到结果。优化方案是将两个节点拆分为并行执行，并在网页生成的同时输出纯文字版报告，显著改善了等待体验。

• 报告样式过于简陋：甚至用“朴实无华”来形容都略显委婉。解决方案是借助DeepSeek设计了一套专业的网页样式模板，并将其嵌入到生成网页节点中作为样式参考。

• 保留参考信息来源，增强内容可信度：在Agent的系统提示词中增加了约束条件，要求保留引用材料的文档名称及原文链接，支持跳转核查。将参考文档列表一并输出后，报告的专业感明显提升。

下一期将继续分享：当前版本1.0还存在的局限性，以及如何基于现有Agent架构进行后续迭代优化。

来源：互联网