手把手教你用n8n搭建AI股票研究Agent

输入一个股票代码，几秒钟后系统就给出买卖建议、信心评分和技术图表——这不是券商研报，而是一个由个人搭建的AI交易研究Agent。海外博主Data Doc在其频道「Inside the AI」中，用n8n工作流平台，从零演示了如何组装这样一套自动化股票分析系统。整个流程可在10分钟内跑通，且大部分依赖免费API。

本文梳理这套Agent的完整架构与关键节点设计，帮助你理解它究竟是如何把「一个股票代码」变成「一份类对冲基金研报」的。

系统能做什么

演示中，用户只需在对话窗口粘贴一个股票代码（如Tesla），系统便会自动调用API拉取行情数据、聚合多周期趋势、抓取新闻情绪，最终由AI Agent综合输出一份分析报告。

报告包含几个核心字段：对特斯拉的预分析、明确的交易判定（verdict）（演示中给出的是「Hold/持有」）、一个信心评分（confidence score，演示为6分），以及支撑该结论的要点列表和一张交易走势图。

博主强调，这套系统的JSON工作流文件已开源在GitHub，观众可直接导入使用，无需从头搭建。这也是这类n8n教程的典型模式——先讲清逻辑，再提供可复用的模板。

从触发器到符号识别

任何AI Agent工作流都始于一个触发器（trigger）。这里选用的是Chat Trigger，它会在界面下方生成一个对话窗口，方便与系统实时交互。开发调试时，博主建议用「pin（固定）」功能冻结数据，避免反复调用API浪费额度——不过他也提醒，固定的节点后续需要手动解除，否则容易出错。

紧接着是第一个AI模型节点，任务极其简单：把用户输入的公司名转换成标准股票代码。系统提示词直白到只有一句——「我给你一个股票名，只返回代码，别的什么都不要」。

博主在这里给出了一个实用的成本建议：这种轻量任务完全没必要用大模型，用GPT-4o mini这类小模型即可，「用大模型只是白白浪费token」。这是搭建Agent时容易被忽视的优化点——按任务复杂度匹配模型规格。

n8n是一款开源的低代码/无代码工作流自动化平台，允许用户通过可视化拖拽方式将各类API和服务串联成自动化流程，无需编写大量代码。与Zapier、Make（原Integromat）类似，但n8n支持本地部署，数据不必经过第三方服务器，对需要处理敏感信息（如API Key、金融数据）的场景更友好。其节点（node）概念是核心抽象——每个节点负责一项独立任务，节点之间通过连线传递JSON格式的数据。Chat Trigger节点是n8n内置的交互入口，激活后会在工作流界面生成一个对话窗口，每次用户发送消息都会触发整条工作流执行，非常适合构建对话驱动的AI Agent原型。

三路趋势分析与数据聚合

系统的核心是三个并行的市场研究节点，分别拉取4小时、1天（原文中一处提及1小时）、1周三个周期的趋势数据。所有行情数据来自 Twelve Data（12 Data） 的API。

博主特别指出这一步的成本优势：Twelve Data提供免费额度，只要不超限就能100%免费使用，对于非高频用户完全够用。接入方式也简单——注册后在后台获取API Key，在n8n的HTTP节点header中新建一个key，填入Authorization并粘贴密钥即可。

三路数据拉取后会汇入一个Merge（合并）节点。但合并并不等于可用——此时数据仍是三份独立结构。因此还需一个Aggregate（聚合）节点，把三份数据整合进同一个数据源，才能让后续AI一次性处理。博主用「三份缩进数据合并成一份」的可视化演示，直观说明了merge与aggregate的区别，这是新手常混淆的概念。

流程中还加入了一个Check 12 Data API校验节点，用于确认数据成功返回，避免在数据缺失的情况下继续调用AI而浪费token——成本控制的思路贯穿整个设计。

在n8n中，Merge节点和Aggregate节点承担不同职责，初学者容易混淆。Merge节点的作用是将多条并行执行路径的数据「拼在一起」，但结果通常是多组独立的数据条目（item），各自保持原有结构。Aggregate节点则进一步将这些分散的条目「压缩」成单一条目，把多份数据收纳进同一个字段或数组中。对于AI节点而言，它每次处理一个item，若数据仍是三份独立item，模型只能逐一处理而无法跨周期综合判断；Aggregate之后变成一份，模型才能「看全」所有周期数据并做整体分析。这一差异直接影响AI输出的质量与准确性。

新闻情绪分析

光有价格数据还不够。博主强调，「有时候比行情更重要的是新闻、是市场情绪、是外界怎么看这只股票」，因为舆论环境会实质影响股价。

为此系统单独设计了一条Get News（获取新闻）支线，拉取相关新闻后交给一个情绪分析Agent处理。这个Agent的角色被设定为「金融市场影响分析师」，任务不只是判断情绪的正负，还要预测短期对股价的冲击概率，并输出结构化的JSON。

这一支线同样配有错误处理机制：数据先进入Code节点转换格式，若出错则触发「respond with error」节点直接中止，之后再通过Merge News节点汇入主流程。可以看出，博主在多个环节都布置了容错与止损逻辑。

最终AI Agent与工具调用

所有数据最终汇入核心的AI Agent节点（博主称其为「七个节点」构成的部分）。这个Agent接收技术数据、新闻情绪等全部信息，用户提示词（user prompt）通过n8n的拖拽功能直接引用前序节点的数据——这也是博主最欣赏n8n的地方。

系统提示词把模型定位为「顶级对冲基金的资深量化策略师」，要求它综合所有数据给出判断。围绕这个Agent还挂载了几个必备组件：

• Brain（大脑）：OpenAI模型，负责决策并调度工具；
• Memory（记忆）：让多轮对话中Agent能记住上下文；
• Perplexity：作为额外的研究/情绪查询工具；
• 图表工具：接入chart.com，生成报告中的交易走势图。

整套系统运行后，几秒内即返回完整响应，包含判定、评分、理由与图表。

现代LLM的「工具调用（Tool Use / Function Calling）」能力允许模型在推理过程中主动决定何时调用外部工具，并将工具返回的结果纳入最终答案。在这套Agent中，模型并非一次性收到所有数据后静态输出——它可以动态决定是否需要通过Perplexity查询额外资讯，或调用图表工具生成可视化内容。Memory组件则通过在每轮对话中将历史消息注入上下文，使Agent能记住之前分析过的股票或用户偏好，实现多轮连贯交互，而非每次从零开始。这种「大脑+记忆+工具」的三层结构，是当前主流AI Agent架构的基本范式，也是该案例作为入门学习项目的核心教学价值所在。

一点现实的评估

博主在结尾抛出了变现设想：把这套系统改造成自动邮件报告，帮人分析持仓股票，「像对冲基金一样生成报告」，再按每份四五美元卖出。

从技术教学角度，这是一份结构清晰的n8n Agent入门案例——涵盖触发器、模型选型、并行数据拉取、合并聚合、容错处理和工具调用，几乎复现了一个完整Agent应有的骨架。对想学习工作流编排的人很有参考价值。

但需要清醒看待其投资价值。系统的分析质量完全取决于底层数据源（Twelve Data免费额度）和大模型的判断，所谓「信心评分」和「买卖建议」本质是LLM基于有限技术指标与新闻情绪的推测，并不构成任何专业投资依据。把它当作学习AI Agent编排的实战项目远比当作交易信号来用更合适。金融决策仍需谨慎，切勿盲目跟随AI生成的建议。