Before 和 After
要理解 Model Context Protocol 为什么对投研重要，考虑一个跨境分析在 MCP 之前和之后如何进行。
之前。 一个研究员想比较一家在上海证券交易所上市的中国铜冶炼厂和其最接近的美国同行的估值。工作流：打开 AKShare 或 Wind 拉 A 股公司的财务数据。打开一个全球金融终端查美国同行。两者导出到 Excel。手动对齐财年（中国公司经常按不同的历法惯例报告）。为中国会计准则和 US GAAP 之间的会计差异做标准化。构建对比表。把表格复制到文档中。写分析。一个合格研究员的耗时：2-4 小时。认知开销：分散在五个工具和三个标签页中，持续的上下文切换降低了分析质量。
之后。 研究员在对话里直接问 Claude：“比较江西铜业和 Freeport-McMoRan 的 TTM EV/EBITDA。” Claude 通过 MCP 同时向两个 server 发请求——AKShare 拉 A 股数据，全球数据源拉美股数据——两个查询并行执行，结果在同一次对话里返回。数据怎么标准化、会计准则差异怎么调整，那是数据层的工作。MCP 的角色是让模型能同时够到这两个数据源，而不是让研究员手动搬运。两分钟，认知流不中断。
这不是假设。这就是 KSINQ 研究工作流今天的运作方式。
MCP 实际上是什么
MCP——Model Context Protocol——是 Anthropic 于 2024 年 11 月推出的开放标准，现由 Linux Foundation 旗下的 Agentic AI Foundation 治理。它已被每个主要 AI 提供商采纳。截至 2026 年 3 月，MCP SDK 下载量跨 Python 和 TypeScript 超过 9700 万次，成为历史上采用最快的 AI 基础设施标准。
技术描述很直接：MCP 定义了一个标准化接口，AI 模型通过它可以连接外部数据源和工具。开发者不需要为每个数据源构建自定义连接器（“N×M 问题”），而是为每个数据源构建一个 MCP server，任何兼容 MCP 的 AI 客户端都可连接到它。
在开发者社区流传的类比是”AI 的 USB-C”——一个替代满抽屉专有线缆的通用接口。这个类比是准确的，其对投研的含义是重大的。
为什么 MCP 改变投资研究
传统的金融数据模型是终端。你付费获取访问权，坐在屏幕前，手动查询，手动综合。AI 时代的第一次迭代是”复制粘贴到 ChatGPT”——一种边际改善，保留了人工数据检索的瓶颈。
MCP 消除了这个瓶颈。 有了 MCP，AI 不等你喂它数据。它直接联系数据源，实时查询它们，并在单次分析传递中跨源综合。研究员的角色从数据检索转向分析判断——这正是人类价值真正所在的地方。
跨境投研受益最大，因为数据碎片化最严重。跨境研究员的数据散落在五六个互不相通的系统里（具体哪些数据源、为什么这么选 → 数据层）。MCP 之前，研究员花在组装数据上的时间多于分析。MCP 之后，组装自动化，研究员的全部认知预算用于分析。
KSINQ 的 MCP 架构
我们运营四个 MCP server，每个封装一类数据源：
| MCP Server | 接入的数据 | 详细说明 |
|---|---|---|
| 中国市场数据 | AKShare（A 股、港股、期货、基金、宏观） | → 数据层 |
| 全球金融数据 | 授权跨境数据提供商（美股、固收、衍生品、ESG） | → 数据层 |
| 研究内容 | Readwise（卖方报告、学术论文、新闻） | 见下文 |
| 工作流编排 | Dify（管道调度、晨间简报） | → 研究工作流 |
数据源本身的选型理由、清洗和标准化逻辑不在这篇展开——那是数据层的事。这里关注的是 MCP 接口层：怎么把这些数据源统一暴露给模型。
关键设计决策：每个数据源一个 MCP server，不是一个大 server 包全部。 原因是隔离。AKShare 的 API 偶尔不稳定，如果它和全球数据源共用一个 server，一个挂了另一个也跟着挂。分开之后，Claude 在 AKShare 超时时仍然能用全球数据继续分析，降级而不是中断。
Readwise：定性数据的 MCP 接入
量化数据（行情、财报）通过 AKShare 和全球数据源进来。但投研不只是数字——卖方怎么看、学术界怎么说、新闻在报什么，这些定性信息同样影响判断。
Readwise 是我们的定性信息摄取层。它自动收集和索引我们订阅的卖方报告、学术论文、长文和新闻。通过 MCP 接入后，Claude 可以直接查询这个库：
- “卖方对 2026 年铜需求增长的共识是什么？”
- “有分析师注意到我在数据中看到的利润率分歧吗？”
- “过去两周关于这家公司的监管动态有什么？”
Readwise MCP server 做的事很简单：接收查询、在索引中检索、返回匹配的高亮和文档摘要。它不做分析——分析是模型的活。但它把”翻阅三个月的阅读笔记找相关段落”这件事从 30 分钟压缩到 5 秒。
一个实际的使用场景：在做跨境估值比较时，Claude 从 AKShare 拉了中国公司的财报数据，从全球数据源拉了美国同行的数据，发现毛利率走势分歧。它接着查 Readwise，发现三份卖方报告都提到了同一个解释——中国政府对该行业的补贴政策变化。模型把这三条信息合在一起，形成一个有数据支撑、有定性验证的分析。整个过程在一次对话里完成。
MCP 不做什么
MCP 是管道，不是智能。它把数据交付给模型；它不告诉模型如何处理该数据。分析的质量仍然完全取决于模型的推理能力（这就是为什么我们的 Claude 选择很重要）和人类研究员的判断力（这就是为什么我们的三重视角框架很重要）。
MCP 也不解决数据质量问题。如果 AKShare 返回过时数据，或全球数据源返回的财务报表有错误，MCP 会忠实地把那个错误交付给模型。我们的工作流包含数据验证检查，但这些是 MCP 的下游——它们是研究流程的一部分，不是连接层。
理解这个区别很重要：MCP 是基础设施。你在它上面构建什么，才创造研究价值。