用AI智能体分析股票组合：Zerodha Kite MCP + NSE MCP实战

手动分析股票有多累？打开Kite看持仓、切换Coin查基金、上NSE网站翻历史价格、再开Excel套公式、跑筛选器、刷好几个新闻站——一圈下来时间全耗在“找数据”上，真正该做的判断反而没精力做了。本文基于一位YouTube创作者在Google Antigravity中接入Zerodha Kite MCP与NSE MCP的完整演示，梳理这套把券商账户和市场数据接进AI智能体的做法。

MCP服务器管理界面

为什么要把券商账户接进AI智能体

创作者打的比方很直白：口袋里明明有计算器，你还在纸上手算大数。AI就是今天处理复杂任务的“计算器”，问题在于它默认拿不到你的持仓、你的基金、你的交易账户。MCP（Model Context Protocol）解决的正是这个连接问题——它让AI客户端以标准化的方式调用外部工具，券商账户和市场数据源因此变成智能体可以直接调用的“工具”。

有意思的是，MCP并非Antigravity专属。创作者在结尾特别说明，同样的两个MCP服务器也可以接到Claude Code、ChatGPT等支持MCP的客户端上，本文演示只是选了Antigravity作为宿主。

MCP 由 Anthropic 于 2024 年底提出并开源，采用客户端—服务器架构：AI 应用作为 Host，通过 MCP Client 与一个或多个 MCP Server 建立连接，Server 则以结构化方式暴露三类能力——Tools（可被模型调用的函数）、Resources（可读取的数据）、Prompts（预设提示模板）。通信层基于 JSON-RPC 2.0，并支持 stdio 与 HTTP+SSE 等传输方式，因此本地进程和远程服务都能接入。相较此前每个 AI 应用都要为每个外部服务单独写插件，MCP 的价值在于把“模型如何发现并调用外部能力”标准化，一次实现即可被多个兼容客户端复用，这正是文中两个服务器能同时挂到 Antigravity、Claude Code、ChatGPT 上的原因。

两个MCP服务器各管什么

Kite MCP面对的是个人账户。工具覆盖登录Kite、搜索交易标的、读取个人资料、查询持仓、查询最新基金等。创作者把它称为“guidance server”，因为它能看到你账户里真实的东西。

NSE MCP面对的是公开市场，而且是两个子服务器：CM Market提供约15个工具，包括实时行情、个股数据、跌幅榜等；Bow Copy则偏向聚合排行类工具，比如成交量榜、涨幅榜、标的查询等。两者合起来，覆盖了“我的持仓”和“市场长什么样”这两块拼图。

接入Antigravity的实际步骤

Antigravity内置了MCP服务器市场，Google Cloud、PostHog、Lovable、Splunk等可以直接点装。Zerodha和NSE这两个不在列表里，需要手动添加：进入MCP Servers，点击Manage MCP Server，然后在原始配置文件中写入对应条目。URL和配置块可以在Kite MCP的官方文档里找到，NSE的两个服务器同理。

配置里有一个安全细节值得单独拎出来：创作者把下单、改单、加仓、撤单这几类工具直接禁用了，智能体只能读、不能交易。这个“默认只读”的设定，是后面所有分析能够放心跑起来的前提。

“原始配置文件”通常指客户端用于声明 MCP 服务器的 JSON 配置，一般包含服务器名称、启动命令或远程 URL、传输类型以及环境变量（如 API Key）。敏感凭据应通过环境变量注入而非硬编码在配置里，避免配置文件被分享或提交到版本库时泄露。此外，禁用工具一般在服务器配置中通过工具白名单或禁用列表声明，也可以在客户端侧限制可调用范围；这类限制属于客户端约束，并不能替代券商账户本身的风控设置，因此仍建议在 Zerodha 侧使用独立的只读 API 权限或受限会话。

从持仓查询到风险诊断

连接验证的方式很朴素——先用纯英文提问“展示我的持仓”，首次使用会弹出Kite登录链接，走完两步验证后会话即建立。持仓为空时如实返回空结果，基金持仓则能正常列出。

接下来是一连串自然语言提问。让AI按利润百分比给基金排序、按行业看分散度时，MCP里没有行业分类数据，智能体会自己去网上搜索这些知名基金的信息来补全，再给出各基金的投资额、当前市值和利润情况，以及金融、医疗等行业的权重分布。

进一步的分散度检查发现，创作者持有的基金全部是股票型，没有债券型或混合型。AI据此给出的判断是：收益表现不错，但风险来源单一。

基金行业分散度分析

风险分析会输出执行摘要和整体风险评分，并列出标准差、市场敏感度等具体依据。随后向AI索要基金和个股建议时，它会先声明不构成投资建议，再结合当前市场状况、技术指标和新闻给出配置思路。

文中提到的标准差、市场敏感度、最大回撤、年化波动率等属于常见的量化风险指标：标准差衡量收益的波动幅度；市场敏感度即 Beta，刻画标的相对基准指数的系统性风险敞口；最大回撤指区间内从峰值到谷底的最大跌幅，反映极端情况下的潜在损失；年化波动率则把不同周期的波动折算为年度口径以便横向比较。这些指标只能描述历史风险特征，无法预测未来，也不涵盖流动性与集中度等结构性风险，因此 AI 给出的风险评分更适合作为排查线索，而非最终结论。

个股、指数与行业的三层下钻

问某只个股近六个月表现时，工作流是这样跑的：先用Kite MCP的搜索工具拿到交易代码，再通过NSE Bow Copy取行情历史。输出包括起点价、区间回报（演示中该股为负收益）、均线等指标，以及即时支撑位、主要支撑与主要阻力。结论层面给出的是原则性表述——长期投资者在深度回撤区间可分批建仓，而不是一次性买入。

个股技术分析输出

指数对比环节，创作者要求比较Nifty 50、Nifty Midcap 150、Nifty Smallcap 250以及与其主题基金匹配的行业指数在24个月内的表现。AI调用NSE Bow Copy输出两年期快照，涵盖回报、年化波动率、最大回撤、市盈率、市净率和股息率，并回扣到持仓：哪个指数下跌最多，就对应提示哪块持仓是最大风险贡献者。

行业分析则按一个月和三个月两个时间窗口，分别列出领涨和落后的行业指数，并回答“我持有的行业基金处在领涨还是落后阵营”。

让分析结果落成文件

演示中一个实用操作是：直接要求AI把分析结果和风险分析写成Markdown文件存到工作区。智能体生成了独立的分析文件和风险文件，后续的行业分析还会追加进同一份报告。这解决了AI对话“聊完就散”的问题，让分析沉淀为可复用的资料。

投资计划文档生成

最后，创作者给出月度预算，要求生成未来六个月的投资计划。AI输出了总投放金额、各基金与蓝筹股的分配比例、按月执行的定投与个股买入节奏、组合层面的覆盖度与安全缓冲安排，以及按此执行的组合预测，末尾附带免责声明。

这套方法的价值与边界

多源信息交叉验证下，这个案例的核心结论是一致的：MCP让AI从“会聊天”变成“能查账”。但边界同样清楚——

数据完整性依赖MCP工具集：行业分类、基金底层持仓这类信息MCP里没有，AI只能联网补，准确性不由MCP保证。
交易权限必须主动收紧：创作者的做法是默认禁用所有下单类工具，把“能读”和“能买”彻底分开，这是可以照搬的安全实践。
输出不等于建议：无论是风险评分还是配置方案，AI都会附上免责声明，最终的策略判断仍需自己负责。

创作者在结尾的定位也很克制：这个演示展示的是Antigravity配合MCP做股票分析的能力，重点是省掉查找和搬运数据的时间，而不是替代你自己的投资逻辑。