让AI代理读懂财报电话会：MCP工具链实战

财报电话会是投资者获取管理层表态的关键渠道，但把这份非结构化文本交给AI代理，往往会遇到上下文过载、说话人归属混乱、财季错配和引用无法溯源等问题。本文基于Equibles平台（作者自建）在2026年10月18日实际运行的工具调用，展示如何通过MCP（Model Context Protocol）把摩根大通Q3 2026电话会拆解为AI代理可操作的结构化数据流。

MCP财报电话会工具链示意

为什么电话会文本对AI代理并不友好

一段电话会转录看起来只是纯文本，但代理处理时会踩中四个坑。

长度陷阱：摩根大通本次电话会有99个发言回合，全部塞进上下文不仅消耗大量token，还会把真正关键的回答淹没。

说话人归属：「CFO说了什么」只有在发言被正确关联到当天担任该角色的人时才有意义。如果代理不清楚是谁在说话，引用就会失真。

财季错位：财年日历与自然年并不总是一致。英伟达2026年5月的电话会实际属于FY2027 Q1，代理若按「2026 Q1」去查，拿到的会是错误的会议。

可验证性：如果代理只做转述，读者需要一条能跳回原文精确位置的链接。原文作者也强调，转录来自音频，偶有偏差，公开引用前应结合时间戳核对录音。

正因如此，工具被拆成四类：一个负责找会议，一个负责概括基调与主题，一个负责在文档内搜索，一个负责分页读取发言。

MCP（Model Context Protocol） 是由 Anthropic 于 2024 年底提出并开源的标准化协议，用于让大语言模型应用以统一方式连接外部数据源与工具。它采用客户端-服务器架构：Claude、ChatGPT、Cursor 等宿主作为客户端，通过 JSON-RPC 与声明了工具清单（tools/list）和调用接口（tools/call）的 MCP 服务器通信。相比为每个数据源单独编写函数调用，MCP 让同一套工具可以被不同模型客户端复用，也让工具的输入模式、返回结构与错误信息具备可发现性。本文中的 Equibles 服务器正是以 MCP 形式暴露财报电话会工具，因此开发者无需自建中间层，只要在客户端添加连接器并登录，模型即可按需调用 GetEarningsCallEvent 等工具。

Step 1：先定位到正确的电话会

GetEarningsCallEvent 接收股票代码和可选的财年、财季，返回该次会议的全部档案。对JPM的调用结果显示：会议日期为2026年10月13日，财季为FY2026 Q3，音频、转录文本和8-K财报均已就绪，并返回了转录文档ID。

这一步的价值在于把「哪一场会」确定下来，避免代理在错误的财季上浪费后续所有工具调用。

Step 2：先看基调与主题，再决定读哪里

GetEarningsCallToneAndThemes 会为每次电话会打出基调分（-100偏谨慎到+100偏乐观）和对冲分（0到100），并列出主题。对比最近两次会议，变化非常直接：FY2026 Q2（7月14日）基调62、对冲38；FY2026 Q3（10月13日）基调降至32、对冲升至48。

更关键的是新出现的主题——「Agentic AI disruption risk」，带有risk标签，提及13次，统计关键词包括agentic、rogue agents、smart cash solution、personal agents、credential sharing。原文特别指出，提及次数是由代码根据关键词计算得出，而非模型断言，因此可以核查统计口径。

这一步相当于告诉代理：这通电话里，AI代理风险是管理层主动讨论的议题，值得深入。

基调分与对冲分是量化文本情绪的常见做法：基调分通常基于词典或分类器对管理层措辞的正负面极性打分，再归一化到 -100 至 +100；对冲分则统计不确定性、条件式与模糊限定词（如 may、could、approximately）的密度，映射到 0 至 100。两个分数需结合看：基调下降而对冲上升，往往意味着管理层对前景更谨慎但不愿给出明确指引。这类分数是相对指标而非绝对判断，更适合在同一公司的时间序列上比较（如本文 Q2 与 Q3 的 62→32、38→48），跨公司对比则需注意行业与话术差异。

Step 3：在文档内部精准跳转

SearchDocument 在指定文档内搜索。用第一步拿到的转录ID检索「agentic AI rogue agents」，返回的摘录直接指向Q&A环节，并附带精确到行号的链接。

CFO Jeremy Barnum将个人代理描述为两种旧有竞争压力的「交汇点」——追求收益的资金流与金融科技公司，同时表示「这不意味着我们对此自满」。Jamie Dimon则更直接：

「我们不会允许任何代理，你知道，外部代理进入公司内部，因为这对客户来说风险太高。」

他还提到「你不会想要失控的代理，而这样的代理可能有成千上万个」。每条摘录都返回类似 #fromLine=21&toLine=49 的链接，读者可以打开原文核对该段落。

Step 4：分页读取完整Q&A

当代理确实需要完整问答时，GetEarningsCallTranscript 返回带说话人标签的发言回合，支持 limit 和 offset，并提示剩余数量（如「Turns: 1-40 of 99」）。只有当身份可信时，发言才会被归属到具体人名和角色；否则显示Operator或中立的发言人编号，而不是猜测。

说话人归属（speaker attribution） 是转录处理中的关键环节。电话会转录通常先由 ASR 生成带时间戳的文本流，再通过声纹聚类或人工标注区分不同发言者，并与会议参与者名单匹配角色。当声纹置信度不足或出现未登记的发声者时，系统若强行猜测姓名，就会制造看似可信实则错误的引用。本文工具选择在身份不可信时降级为 Operator 或中性编号，是一种保守但可审计的设计：读者能明确知道该段归属未经确认，而非被误导。对金融分析代理而言，宁可缺失归属也不可伪造归属，因为错误归属会直接污染「CFO 说了什么」这类结论。

同一份数据的REST接口

如果开发者是在写代码而非对话，同样的数据可以通过一次GET请求获取。例如请求JPM 2026财年Q3的发言记录（limit=3），返回JSON中包含说话人姓名、角色、文本内容以及 startSeconds 和 endSeconds。作者提醒，这两个时间戳字段很重要——音频转录难免有偏差，任何公开引用前都应回到对应时间点核对录音，代理也应被要求这样做。

如何上手

在Claude中添加自定义连接器 https://mcp.equibles.com/mcp 并登录账户即可，无需创建API Key；ChatGPT、Cursor等客户端有对应的设置指南。随后提问：「使用Equibles，摩根大通管理层在Q3 2026电话会上如何谈论AI代理？引用发言者并链接到原文段落。」在提示中明确服务器名称，可以促使模型调用工具而非凭记忆作答。免费计划每天100次请求，MCP与REST共享额度。

整个闭环可以概括为：按财季找到会议、读取基调与主题、在文档内搜索、带链接和时间戳引用。对构建金融分析代理的开发者而言，这套拆解思路的核心启示是：不要指望代理自己从长文本里「悟」出答案，而是把查找、定位、验证拆成可审计的独立步骤。