MCP协议实战：TradingView+Notion构建AI投资分析Agent

MCP协议与Skill的本质区别

很多开发者初次接触Claude的MCP协议时会困惑：这和Skill有什么区别？两者都能调用外部工具、获取外部数据，但核心差异在于调用方式和处理逻辑。

MCP使用JSON RPC格式发起请求，参数和调用方式是强固定的；而Skill的输入参数是灵活可变的，处理逻辑也更复杂，可能涉及多次外部调用。JSON RPC是一种轻量级的远程过程调用协议，使用JSON作为数据格式，请求体包含method（方法名）、params（参数）和id（请求标识）三个固定字段。这种严格的格式约束正是MCP选择它作为通信协议的原因——任何语言、任何平台只要能解析JSON就能实现MCP客户端或服务端，极大降低了互操作的门槛。

那MCP的优势在哪？答案是通用性和可组合性。MCP就像Redis这样的中间件——执行固定调用、返回固定结果，在任何机器上都能调通。这个类比揭示了一个重要的架构设计理念：解耦。Redis作为缓存中间件，无论上层是Python、Java还是Go应用，都通过统一的命令协议（如GET、SET）交互。MCP同理，它将AI Agent与外部工具之间的交互标准化，使得工具提供方只需实现一次MCP接口，就能被任何支持MCP协议的AI系统调用，避免了为每个AI平台单独开发适配层的重复劳动。不同MCP之间的整合非常容易，而不同Skill要整合可能需要重写。

MCP的安装与作用范围配置

通过claude mcp add命令添加MCP，scope参数决定作用范围：

• local（默认）：添加到.claude.json，仅当前项目生效
• user：全局生效，所有Claude Code工程都能检测到
• project：添加到当前目录的.mcp.json文件

这种分层配置设计借鉴了Git的配置管理思路（local/global/system），让开发者可以精确控制工具的可见范围。例如，一个通用的文件搜索MCP适合设为user级别全局可用，而特定项目的数据库查询MCP则应限制在local范围内，避免在不相关的项目中误触发。

MCP的两种通信方式：HTTP与stdio

MCP支持三种通信格式，实际常用两种：

HTTP模式（远程服务）

适用于远程MCP服务器。配置时需指定type: http和url字段。服务端启动后，Claude连接时会自动发送session请求并列出可用工具。HTTP模式的典型应用场景包括：团队共享的MCP服务（如公司内部的知识库查询）、需要持久化状态的服务（如数据库连接池）、以及部署在云端的第三方API网关。它支持SSE（Server-Sent Events）实现服务端主动推送，适合需要流式返回结果的长时间任务。

stdio模式（本地进程）

不需要启动独立服务，以本地脚本形式运行。配置时指定command和args参数。例如一个图像处理MCP，可以直接通过进程通信完成图片灰度转换、缩放等操作。

stdio（标准输入输出）是操作系统中最基础的进程间通信方式。在MCP的stdio模式下，Claude Code会启动一个子进程运行指定脚本，通过stdin向其发送JSON RPC请求，再从stdout读取响应结果。这种方式的优势在于零网络开销、无需端口管理、部署极简——本质上就是一个命令行程序。对于不需要持久化运行的轻量工具（如文件处理、格式转换），stdio模式比启动HTTP服务更高效且安全，因为通信完全在本地进程间完成，不暴露任何网络端口。

实战：构建TradingView+Notion投资分析Agent

整合两个MCP构建投资分析大脑：

• TradingView MCP：提供27个工具，包括市场快照、聪明钱追踪、单币分析、回测策略等
• Notion MCP：将生成的分析报告自动推送到Notion数据库

这种多MCP组合的架构体现了MCP协议的核心价值：每个MCP专注于单一领域的能力输出，通过AI Agent作为编排层将它们串联成完整的工作流。开发者无需编写任何胶水代码来连接TradingView和Notion，Agent会根据任务需求自动决定调用顺序和数据传递方式。

Agent完整工作流程

1. 市场扫描：获取实时交易信息、新闻、社交媒体情绪
2. 资产筛选：基于价格走势、成交量、技术指标（MACD、RSI、布林带）综合评分
3. 策略生成：根据风险偏好（保守/稳健/激进）分配仓位
4. 历史回测：验证策略的收益率、最大回撤、夏普比率、胜率
5. 报告输出：生成Markdown格式报告并推送到Notion

在资产筛选阶段使用的三个核心技术指标各有侧重：MACD（移动平均收敛散度）通过计算短期与长期指数移动平均线的差值来判断趋势方向和动量强弱；RSI（相对强弱指数）衡量价格变动的速度和幅度，数值超过70通常被视为超买，低于30为超卖；布林带由中轨（20日均线）和上下两条标准差轨道组成，价格触及上轨可能回调，触及下轨可能反弹。这三个指标分别从趋势、动量和波动率三个维度提供交易信号，组合使用可以显著提高判断准确性。

在历史回测阶段，几个关键评估指标的含义值得理解：夏普比率（Sharpe Ratio）衡量的是每承受一单位风险所获得的超额收益，数值越高说明风险调整后的回报越好，通常大于1被认为是可接受的，大于2则优秀。最大回撤（Maximum Drawdown）指从历史最高点到最低点的最大跌幅，反映了投资者可能面临的最坏情况。胜率则是盈利交易占总交易次数的比例。这三个指标共同构成了量化策略评估的核心框架，单看收益率而忽略风险指标是投资分析中最常见的认知偏差。

实际输出示例

以15000美元为例，Agent建议：Coherent Corp 30%（$4500）、IonQ 20%（$3000）、比特币 20%（$3000）、标普500 20%（$3000），预留$1500。回测显示COHR收益115.79%，IONQ正6.02%，BTC亏损6.28%。

这种组合体现了经典的资产配置理论——通过分散投资于不同相关性的资产类别（个股、加密货币、指数基金）来降低整体组合波动。预留10%现金仓位则是应对市场突发下跌时的补仓机会，属于典型的风险管理手段。

当前局限与改进方向

尽管Claude Opus推理能力很强，但单Agent执行复杂任务时仍存在问题：

• 选择性忽略prompt中的指令（如未用中文生成报告）
• 不按预期步骤执行
• 免费API稳定性不足

这些问题在学术界被归类为"指令遵循"（Instruction Following）挑战，即使是最先进的大语言模型，在面对长上下文、多约束条件时，也会出现注意力分散导致的指令遗漏。这不是模型"不够聪明"，而是当前Transformer架构在处理复杂约束组合时的固有局限。

解决方案是引入**Harness（多重校验）**机制，通过多Agent交叉验证确保输出符合预期。Harness机制借鉴了软件工程中的测试框架思想：在多Agent架构中，一个Agent负责执行任务，另一个Agent负责校验输出是否符合预期格式和内容要求，还可能有第三个Agent负责在校验失败时进行修正和重试。这种模式类似于编译器中的多遍扫描（multi-pass），每一遍处理不同层面的问题。业界将这种方法称为"AI对齐的工程化实践"——不依赖单一模型的完美输出，而是通过系统架构来保障最终结果的可靠性。

AI的核心瓶颈已不在推理能力，而在于如何约束其按照既定流程可靠执行。这一认知正在推动行业从"追求更强的单模型"转向"构建更可靠的多Agent系统"，工程化能力而非模型能力，正在成为AI应用落地的关键差异化因素。

核心要点

• MCP与Skill的核心区别在于通用性和可组合性，MCP像中间件可跨环境复用
• MCP支持HTTP和stdio两种通信方式，分别适用于远程服务和本地脚本场景
• 通过整合TradingView和Notion的MCP，可快速构建包含市场分析、回测、报告生成的投资Agent
• 当前AI Agent的主要挑战不在推理能力，而在于确保按既定流程可靠执行