基于 MCP 的智能投资顾问应用，附代码实现，大模型入门到精通，收藏这篇就足够了！-优快云博客

本文将征询（Elicitation）、采样（Sampling）结合，应用到智能投资顾问场景。

基于 MCP 的智能投资顾问应用，主要实现以下功能：

通过 MCP 的征询机制，向用户征询获取具体的个人投资信息
通过 MCP 的采样机制，根据用户的投资信息，LLM 返回适用于用户的投资建议书

通过阅读本文，你将对 MCP 的征询、采样机制有更深入的理解，并具备一定的编程实战能力。

智能投资顾问应用

🚀从传统咨询到智能化服务的跨越

传统的金融投资咨询模式存在诸多痛点：

⏳排队等待时间长
💰人工成本高
📏服务标准化程度低
🌙24小时服务难以实现。

结合 LLM 大模型的推理能力和 MCP 协议（连接外部世界、人机交互），高效地实现智能投顾服务，或许可解决上述痛点。

LLM 的推理能力：LLM 大模型具备强大的语言理解、逻辑推理和多轮对话能力，可实现个性化的投资建议自动生成，减少客户等待时间并降低对人工顾问的依赖。
通过 MCP 连接外部世界：MCP 使系统能够实时接入金融市场数据、新闻事件和合规资料。同时，可通过 MCP 的征询机制，实现 LLM 与客户的人机交互。

主要实体关系

用户与 MCP 客户端交互
MCP 客户端连接到 MCP 服务端，请求调用工具
MCP 客户端持有征询（Elicitation）、采样（Sampling）相关的 handler 函数
采样（Sampling）handler 函数与 LLM 交互

投资顾问建议生成流程

下面的时序图展示了投资顾问建议生成的核心交互流程：

用户选择服务：用户在客户端选择获取个性化投资建议
工具调用：客户端调用服务端的 collect_investment_info（投资建议工具）
信息征询：服务端通过 elicitation 机制向客户端征询用户投资信息
用户交互：客户端显示表单，用户填写投资相关信息
LLM 调用：服务端使用 sample 机制，通过客户端调用 Qwen-Plus 模型生成投资建议
结果返回：服务端格式化建议并返回给用户

编码实现示例

以下是基于 FastMCP 的智能投资顾问建议生成实现的主要代码。关于 FastMCP 介绍与安装，可以阅读前文：FastMCP，构建 MCP 的 python 框架，比官方 SDK 更好用！

MCP 服务端

1、用户投资信息类定义

@dataclass
classInvestmentInfo:
"""用户投资信息数据类"""
    name: str
    age: int
    income_level: str  # 收入水平: low, medium, high
    risk_tolerance: str  # 风险承受能力: conservative, moderate, aggressive
    investment_period: str  # 投资期限: short_term, medium_term, long_term
    investment_amount: float  # 投资金额
    investment_goals: str  # 投资目标（逗号分隔）: retirement,education,house,emergency_fund,wealth_growth
    market_knowledge: str = "beginner"# 市场知识水平: beginner, intermediate, advanced
    current_investments: str = ""# 当前投资情况

2、投资建议生成工具

ctx.elicit：通过征询机制，获取用户投资信息
ctx.sample：通过采样机制（提示词是用户的投资信息），向 LLM 请求返回适用于该用户的投资建议。

@mcp.tool
asyncdefcollect_investment_info(ctx: Context) -> str:
"""收集用户投资信息并生成投资建议"""

# 第一步：通过 elicitation 收集用户信息
    result = await ctx.elicit(
        message="请提供您的投资相关信息，我们将为您生成个性化的投资建议",
        response_type=InvestmentInfo
    )

if result.action == "decline":
return"用户拒绝提供投资信息，无法生成投资建议"
elif result.action == "cancel":
return"用户取消了投资咨询"

# 获取用户投资信息
    user_info = result.data

# 第二步：构建 LLM 提示词
    invest_prompt = _build_investment_prompt(user_info)

# 第三步：使用 sample 机制请求 LLM 生成投资建议
try:
        system_prompt = ('你是一位专业的投资顾问，请基于用户提供的信息生成详细、实用的投资建议。建议应该包括资产配置、具体投资产品推荐、风险提示等内容。')
        llm_response = await ctx.sample(
            system_prompt=system_prompt,
            messages= invest_prompt
        )

# 格式化最终回复
# 正确处理TextContent对象
        llm_text = llm_response.text if hasattr(llm_response, 'text') else str(llm_response)
        investment_advice = _format_investment_advice(user_info, llm_text)
return investment_advice

except Exception as e:
returnf"生成投资建议时出现错误: {str(e)}"

3、投资小贴士工具

一个简单的 MCP 工具方法，直接返回关于投资的小贴士

@mcp.tool
asyncdefget_investment_tips(ctx: Context) -> str:
"""获取通用投资小贴士"""
    tips = [
"分散投资，不要把鸡蛋放在一个篮子里",
"定期定额投资，平摊成本风险",
"长期投资通常比短期投机更稳健",
"了解自己的风险承受能力，理性投资",
"保持适当的现金储备以应对紧急情况",
"定期回顾和调整投资组合",
"学习基本的投资知识，提高投资素养"
    ]

return"💡 投资小贴士：\n" + "\n".join([f"• {tip}"for tip in tips])

MCP 客户端

1、征询 handler 函数

征询用户（与用户直接交互），获取用户具体投资信息的处理函数

asyncdefinvestment_elicitation_handler(message: str, response_type: type, params, context):
"""处理投资信息征询的处理器"""
    print(f"\n🏦 {message}")
    print("\n请填写以下投资相关信息：")

try:
# 收集基本信息
        print("\n=== 基本信息 ===")
        name = input("姓名: ").strip()
ifnot name:
return ElicitResult(action="decline")

        age_input = input("年龄: ").strip()
ifnot age_input.isdigit():
            print("年龄必须是数字")
return ElicitResult(action="decline")
        age = int(age_input)

# 此处代码省略...
# 收集收入水平
# 收集风险承受能力
# 收集投资期限
# 收集投资金额
# 收集投资目标
# 收集市场知识水平
# 收集当前投资情况

# 确认信息
        print(f"\n=== 信息确认 ===")
        print(f"姓名: {name}")
        print(f"年龄: {age}")
        print(f"收入水平: {income_level}")
        print(f"风险承受能力: {risk_tolerance}")
        print(f"投资期限: {investment_period}")
        print(f"投资金额: {investment_amount}元")
        print(f"投资目标: {', '.join(investment_goals)}")
        print(f"市场知识水平: {market_knowledge}")
if current_investments:
            print(f"当前投资: {current_investments}")

        confirm = input("\n信息是否正确？(y/n): ").strip().lower()
if confirm != 'y'and confirm != 'yes':
return ElicitResult(action="decline")

# 创建投资信息对象
        user_response = response_type(
            name=name,
            age=age,
            income_level=income_level,
            risk_tolerance=risk_tolerance,
            investment_period=investment_period,
            investment_amount=investment_amount,
            investment_goals=','.join(investment_goals),  # 转换为逗号分隔的字符串
            current_investments=current_investments,
            market_knowledge=market_knowledge
        )

return user_response

except KeyboardInterrupt:
        print("\n用户取消输入")
return ElicitResult(action="cancel")
except Exception as e:
        print(f"\n输入处理出错: {e}")
return ElicitResult(action="decline")

2、投资建议生成 handler 函数

根据用户投资信息（用户投资要求），向 LLM 请求获取投资建议。这里调用阿里云的 qwen 模型。

# 初始化阿里云API客户端
client = OpenAI(
# 若没有配置环境变量，请用百炼API Key将下行替换为：api_key="sk-xxx",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

asyncdefinvestment_sampling_handler(
    messages: list[SamplingMessage],
    params: SamplingParams,
    ctx: RequestContext,
) -> str:
"""
    处理投资顾问的LLM采样请求
    Args:
        messages: 消息列表
        params: 采样参数
        ctx: 请求上下文

    Returns:
        LLM的响应文本
    """
try:
        api_messages = []

# 添加系统提示
if params.systemPrompt:
            api_messages.append({
"role": "system",
"content": params.systemPrompt
            })

# 添加用户消息
for msg in messages:
            api_messages.append({
"role": "user",
"content": msg.content.text
            })

# 调用阿里云API
        response = client.chat.completions.create(
            model="qwen-plus-2025-09-11",  # 使用阿里云的qwen-plus模型
            messages=api_messages
        )

return response.choices[0].message.content

except Exception as e:
        print(f"LLM采样处理出错: {e}")
returnf"抱歉，生成投资建议时出现错误: {str(e)}"

3、客户端 main 函数

客户端 main 函数，负责实现与用户交互的主流程

asyncdefmain():
"""主函数：演示投资顾问系统的使用"""
try:
asyncwith Client("http://127.0.0.1:8003/mcp",
                          elicitation_handler=investment_elicitation_handler,
                          sampling_handler=investment_sampling_handler) as mcp_client:
# 连接服务器
await mcp_client.ping()
            print("✅ 已连接到投资顾问服务器 (HTTP模式)")

# 列出可用工具
            tools = await mcp_client.list_tools()
            print(f"\n📋 可用功能: {len(tools)} 个")
for tool in tools:
                print(f"  • {tool.name}: {tool.description}")

            print("\n" + "=" * 50)

whileTrue:
                print("\n🎯 请选择服务：")
                print("1. 获取个性化投资建议")
                print("2. 查看投资小贴士")
                print("3. 退出")

                choice = input("\n请输入选择 (1-3): ").strip()

if choice == "1":
                    print("\n🔄 开始收集投资信息...")
                    result = await mcp_client.call_tool("collect_investment_info")
                    print("\n" + "=" * 50)
                    print("📊 投资建议结果：")
                    print(result.content[0].text)
                    print("=" * 50)

elif choice == "2":
                    print("\n💡 获取投资小贴士...")
                    tips_result = await mcp_client.call_tool("get_investment_tips")
# 根据项目规范，处理CallToolResult对象
try:
if isinstance(tips_result.content, list) and len(tips_result.content) > 0:
# 如果是列表，获取第一个元素的文本
                            print("\n" + tips_result.content[0].text)
elif isinstance(tips_result.content, str):
# 如果是字符串，直接输出
                            print("\n" + tips_result.content)
else:
# 其他情况，转换为字符串
                            print("\n" + str(tips_result.content))
except (AttributeError, IndexError) as e:
                        print(f"\n获取投资小贴士时出错: {e}")
                        print("\n请检查服务器状态")

elif choice == "3":
                    print("\n👋 感谢使用投资顾问系统，祝您投资顺利！")
break

else:
                    print("❌ 无效选择，请重新输入")

# 询问是否继续
if choice in ["1", "2"]:
                    continue_choice = input("\n是否继续使用其他功能？(y/n): ").strip().lower()
if continue_choice != 'y'and continue_choice != 'yes':
                        print("\n👋 感谢使用投资顾问系统，祝您投资顺利！")
break

except Exception as e:
        print(f"❌ 连接错误: {e}")
        print("请检查服务器是否正常运行")

运行测试

1、服务端运行

在终端执行命令：python investment_advisor_server.py，启动服务端

2、客户端 main 函数运行

下面是笔者运行的测试示例。可见，LLM 可以根据用户的投资信息，返回详细的投资建议：

✅ 已连接到投资顾问服务器 (HTTP模式)

📋 可用功能: 2 个
  • collect_investment_info: 收集用户投资信息并生成投资建议
  • get_investment_tips: 获取通用投资小贴士

==================================================

🎯 请选择服务：
1. 获取个性化投资建议
2. 查看投资小贴士
3. 退出

请输入选择 (1-3): 1

🔄 开始收集投资信息...

🏦 请提供您的投资相关信息，我们将为您生成个性化的投资建议

请填写以下投资相关信息：

=== 基本信息 ===
姓名: yuan
年龄: 35

=== 财务状况 ===
收入水平选项：
1. low - 低收入（月收入5000以下）
2. medium - 中等收入（月收入5000-20000）
3. high - 高收入（月收入20000以上）
请选择收入水平 (1-3): 2

=== 风险偏好 ===
风险承受能力选项：
1. conservative - 保守型（优先保本，接受较低收益）
2. moderate - 稳健型（追求稳定收益，承受适度风险）
3. aggressive - 进取型（追求高收益，承受较高风险）
请选择风险承受能力 (1-3): 3

=== 投资计划 ===
投资期限选项：
1. short_term - 短期（1-2年）
2. medium_term - 中期（3-5年）
3. long_term - 长期（5年以上）
请选择投资期限 (1-3): 2
投资金额（元）: 20000

=== 投资目标 ===
投资目标选项（可多选，用逗号分隔）：
1. retirement - 退休养老
2. education - 子女教育
3. house - 购房置业
4. emergency_fund - 应急储备
5. wealth_growth - 财富增长
请选择投资目标 (例如: 1,3,5): 5

=== 投资经验 ===
市场知识水平选项：
1. beginner - 初学者
2. intermediate - 中级
3. advanced - 高级
请选择市场知识水平 (1-3): 3
当前投资情况（可选，直接回车跳过）:

=== 信息确认 ===
姓名: yuan
年龄: 35
收入水平: medium
风险承受能力: aggressive
投资期限: medium_term
投资金额: 20000.0元
投资目标: wealth_growth
市场知识水平: advanced
当前投资: 无

信息是否正确？(y/n): y

==================================================
📊 投资建议结果：

=== 投资建议报告 ===
客户：yuan
生成时间：2025-09-1818:38:23
投资金额：20000.0元
投资期限：medium_term
风险偏好：aggressive

=== 个性化投资建议 ===
当然可以，yuan。根据您提供的详细信息（35岁、中等收入、进取型风险偏好、中期投资期限3–5年、20,000元本金、无现有投资、目标为财富增长、市场知识advanced），我为您量身定制一份**高效率、高成长性、风控严谨**的中期投资方案。

---

## **1. 资产配置建议（总金额：¥20,000）**

| 资产类别 | 配置比例 | 金额（元） | 理由 |
|----------|----------|------------|------|
| **全球股票型ETF / 成长型主动基金** | 60% | ¥12,000 | 进取型核心持仓，长期资本增值主力。聚焦科技、新能源、AI、生物科技等高增长赛道。 |
| **行业主题基金（高弹性）** | 20% | ¥4,000 | 捕捉结构性机会，如半导体、AI算力、机器人、创新药等，增强收益弹性。 |
| **黄金/大宗商品ETF（对冲+避险）** | 10% | ¥2,000 | 对冲通胀与地缘政治风险，提升组合韧性。 |
| **现金及货币基金（流动性储备）** | 10% | ¥2,000 | 用于定投补仓、应对波动或突发机会，不参与短期投机。 |

> ✅ **配置逻辑说明**：
> - 您具备**advanced市场知识**，可主动管理，因此我们采用“核心+卫星”策略：
>   - **核心（60%）**：低费率、高流动性、长期复利强的宽基ETF；
>   - **卫星（30%）**：高beta行业基金捕捉超额收益；
>   - **避险（10%）**：非相关性资产降低整体波动，避免“黑天鹅”重创。
> - **不配置债券**：因您追求高增长且期限仅3–5年，债券收益率过低（当前国债<3%），无法匹配您的收益目标，反而拖累回报率。

---

## **2. 具体投资产品推荐（中国内地市场可交易）**

### **(1) 核心持仓（¥12,000）**
| 产品 | 代码 | 类型 | 推荐理由 |
|------|------|------|----------|
| **华夏国证半导体芯片ETF** | 159813 | 行业ETF | 中国半导体国产替代核心标的，长期成长确定性高，波动大但符合进取型偏好。近5年年化波动率约35%，适合中期持有。 |
| **易方达纳斯达克100ETF联接（QDII）** | 161131 | QDII基金 | 投资美国科技巨头（苹果、英伟达、微软等），分散地域风险，享受全球科技红利。历史年化回报超18%（2019–2023）。 |

> ✅ **分配建议**：
> - 半导体ETF：¥7,000（占核心58%）
> - 纳斯达克ETF联接：¥5,000（占核心42%）

> 💡 *为何不选沪深300？* 因其偏大盘蓝筹，成长性弱于科技赛道。您追求“财富增长”，而非“稳健收益”。

### **(2) 卫星持仓（¥4,000）**
| 产品 | 代码 | 类型 | 推荐理由 |
|------|------|------|----------|
| **广发高端制造股票A** | 004868 | 主动型股票基金 | 基金经理刘格菘管理，专注新能源、高端装备、智能制造，历史最大回撤-40%，但3年回报超120%（2020–2023）。 |
| **天弘中证人工智能主题ETF联接C** | 008282 | ETF联接 | AI是未来5年最大产业趋势之一，该基金覆盖AI全链条（算力、算法、应用），费率低，适合波段操作。 |

> ✅ **分配建议**：
> - 高端制造：¥2,500
> - 人工智能ETF：¥1,500

### **(3) 避险对冲（¥2,000）**
| 产品 | 代码 | 类型 | 推荐理由 |
|------|------|------|----------|
| **华安黄金ETF** | 518880 | 黄金ETF | 流动性好，跟踪国际金价，每单位≈0.01克黄金。在美元走弱、地缘冲突时表现优异，是绝佳的非相关性资产。 |

### **(4) 现金储备（¥2,000）**
| 产品 | 名称 | 推荐理由 |
|------|------|----------|
| **余额宝 / 微众银行活期+** | 货币基金 | 收益略高于银行活期（约1.8%~2.2%），T+0赎回，随时用于定投加仓或抄底。 |

---

## **3. 投资策略和时间安排**

### **📌 总体策略：分批建仓 + 动态再平衡 + 定投增强**

| 时间节点 | 操作内容 | 目的 |
|----------|----------|------|
| **第1个月** | 建仓60%：买入¥7,200半导体ETF + ¥4,800纳斯达克ETF | 快速建立核心仓位，抓住市场底部震荡机会（当前全球科技股估值处于历史中低位） |
| **第2–4个月** | 每月定投¥500（共¥1,500） | 分摊择时风险，平滑成本。优先补仓表现落后的资产（如纳斯达克若回调>8%则加倍定投） |
| **第6个月** | 评估表现，进行首次再平衡 | 若某资产上涨超30%（如半导体），卖出部分获利，转投跌幅>15%的资产（如AI或高端制造）→ 实现“高抛低吸” |
| **第12–18个月** | 将现金储备¥2,000按“下跌15%以上”原则分3次投入 | 利用波动做“网格补仓”，提升长期平均成本优势 |
| **第36–60个月（到期前）** | 开始逐步止盈 | 每半年减持10%–15%高涨幅资产（如纳斯达克若累计涨超80%），锁定利润，转入货币基金，等待更佳退出时机 |

> ✅ **关键理念**：
> - **不预测顶部，只响应信号**（技术面+基本面双重验证）
> - **利用波动赚钱，而非赌博**：您有advanced知识，应主动运用“均值回归”思维

---

## **4. 风险控制措施**

| 措施 | 说明 |
|------|------|
| **最大单笔亏损限制** | 任何单只基金亏损超过25%时，强制暂停新增投入，分析原因（是否基本面恶化？行业政策突变？） |
| **组合最大回撤容忍度** | 整体组合允许最大回撤≤35%（历史测算：该配置组合在2022年最大回撤约32%） |
| **止损机制** | 若某行业基金连续6个月跑输同类指数中位数，且无基本面改善迹象，则清仓换入新赛道（如从AI转向量子计算或生物合成） |
| **杠杆禁止** | 绝不使用融资、期权、期货等杠杆工具，避免爆仓风险（即使您有能力操作） |
| **情绪管理** | 设置每月“冷静日”：每周查看一次净值，每月写一篇投资日记，避免追涨杀跌 |

---

## **5. 注意事项和建议**

### ✅ **必须遵守的原则**
1. **不碰个股**：尽管您有advanced知识，但20,000元规模较小，个股集中度风险极高（如一只股票跌50%即损失万元）。ETF/基金才是理性选择。
2. **拒绝“高收益理财”陷阱**：任何承诺“保本+年化10%以上”的非持牌机构产品（如P2P、虚拟货币合约、代销私募）一律远离。
3. **税务优化**：
   - 持有ETF满1年免征资本利得税（中国目前对个人证券买卖差价暂免个税）；
   - 基金分红可选择“现金分红”以增加现金流，但建议选择“红利再投”实现复利。
4. **持续学习**：
   - 每月阅读《

=== 重要提示 ===
1. 投资有风险，入市需谨慎
2. 本建议仅供参考，不构成投资承诺
3. 请根据市场变化和个人情况及时调整投资策略
4. 建议定期回顾和评估投资组合表现

如有疑问，请咨询专业投资顾问。

==================================================

是否继续使用其他功能？(y/n): n

👋 感谢使用投资顾问系统，祝您投资顺利！

以上是基于 MCP 的智能投资顾问应用的介绍，并给出了一个编码示例。该编码示例，还可以进一步优化，如，结合具体的场景（合规要求、投资标的品种范围等），优化给到 LLM 的上下文，实现更符合场景要求的投资建议生成。

欢迎关注我，后续介绍更多关于 MCP 相关的内容。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇