【DeepSeek实战】30、LangGraph+AKShare实战：自然语言股票查询系统从入门到精通

引言：为什么自然语言股票查询是量化分析的“刚需”？

在金融投资中，“快速获取股票信息”是最基础的需求。无论是资深分析师还是普通投资者，都曾遇到过这样的场景：

• 听到“宁德时代”想查询其代码，却要在行情软件中手动输入拼音首字母搜索；
• 看到代码“600519”想知道对应公司名称，却要记忆“沪市6开头、深市0/3开头”的规则；
• 想了解“新能源板块的龙头股票有哪些”，却要逐个筛选几十支股票的行业标签。

这些问题的核心在于：传统查询方式需要用户适应机器的“语法规则”（如代码格式、精确名称），而非机器理解人类的自然语言。

本文将系统讲解如何用LangGraph Agent（自然语言理解框架）+ AKShare（金融数据工具）构建一套自然语言股票查询系统，实现“说句话就能查股票”的体验。从数据获取到Agent决策，从代码实战到部署优化，全方位覆盖技术细节与最佳实践。

一、核心技术栈解析：从“数据”到“理解”的全链路

构建自然语言股票查询系统需要四大技术模块协同工作，形成完整的“输入-处理-输出”链路：

graph TD
    A[用户自然语言输入] --> B[LangGraph Agent（理解与决策）]
    B --> C[工具函数（查询逻辑）]
    C --> D[AKShare（数据来源）]
    D --> C
    C --> B
    B --> E[自然语言输出结果]

1. 数据层：AKShare——免费实时的金融数据源

AKShare是Python生态中最成熟的免费金融数据接口库，支持沪深A股、港股、美股等全球市场的实时行情数据。其核心优势在于：

• 实时性：能获取当日最新股价、涨跌幅等动态数据；
• 结构化：返回pandas DataFrame格式，便于筛选和处理；
• 覆盖广：包含股票代码、名称、行业分类等元数据，满足查询需求。

基础代码示例：获取创业板实时数据

import akshare as ak

# 获取创业板所有股票的实时数据（代码、名称、最新价等）
df = ak.stock_cy_a_spot_em()  # em代表东方财富数据源
print(df[["代码", "名称", "最新价", "涨跌幅"]].head())

输出结果示例：

2. 工具层：函数封装——将查询逻辑转化为“可调用工具”

需要将股票查询逻辑封装为标准化函数，供Agent调用。工具函数需满足：

• 明确的输入参数（如code或name）；
• 结构化的输出（如字典或列表，便于LLM解析）；
• 完善的异常处理（如未找到股票时返回友好提示）。

工具函数封装示例：

from langchain_core.tools import tool
import pandas as pd

# 全局存储股票数据（避免重复调用AKShare，提升效率）
stock_data = ak.stock_cy_a_spot_em()  # 初始化时加载一次

@tool
def get_stock_info(code: str = None, name: str = None) -> str:
    """
    根据股票代码或名称查询详细信息（支持模糊搜索）
    
    参数:
        code: 股票代码（如"300750"）
        name: 股票名称（如"宁德时代"）
    
    返回:
        股票信息字典列表，包含代码、名称、最新价等
    """
    global stock_data
    result = None
    
    try:
        # 优先按代码查询（精确匹配）
        if code:
            result = stock_data[stock_data["代码"].str.contains(code.strip())]
        # 按名称查询（模糊匹配）
        elif name:
            result = stock_data[stock_data["名称"].str.contains(name.strip())]
        # 处理无结果的情况
        if result.empty:
            return f"未找到代码为{
     code}或名称含{
     name}的股票"
        # 转换为字典列表，便于LLM解析
        return result[["代码", "名称", "最新价", "涨跌幅", "所属行业"]].to_dict(orient="records")
    except Exception as e:
        return f"查询出错：{
     str(e)}"

关键设计点：

• 使用@tool装饰器：这是LangChain/LangGraph的标准写法，能自动生成工具描述，供LLM理解其功能；
• 支持模糊搜索：通过str.contains()实现“输入部分名称/代码即可查询”（如输入“宁德”可匹配“宁德时代”）；
• 全局数据缓存：初始化时加载一次数据，避免重复调用AKShare导致的延迟和限频。

3. 理解层：LLM大模型——实现自然语言到指令的转换

大模型是系统的“大脑”，负责将用户的自然语言（如“宁德时代的代码是多少”）解析为工具函数的调用参数（如name="宁德时代"）。核心要求是：支持Function Calling功能（即能识别何时需要调用工具，并生成规范的调用格式）。

推荐模型：

• DeepSeek-Chat（V3）：国产模型中Function Calling支持较好，对中文处理更精准；
• GPT-3.5-turbo/GPT-4：生态成熟，但中文金融术语理解略逊于国产模型；
• 禁止使用：DeepSeek-R1、LLaMA等纯推理模型（无Function Calling能力，无法调用工具）。

4. 决策层：LangGraph——控制工具调用的工作流

LangGraph是构建Agent的框架，负责协调“大模型理解→工具调用→结果整理”的全流程。其核心价值在于：

• 支持循环工作流：复杂查询可多轮调用工具（如“先查宁德时代代码，再查其最新价”）；
• 状态管理：保存对话历史，支持上下文关联查询（如“它的涨跌幅是多少”中的“它”指代前文的股票）；
• 条件分支：根据工具返回结果决定下一步操作（继续调用工具或直接回答）。

二、LangGraph Agent实战：两种实现方式对比

LangGraph提供了两种构建Agent的模式，分别适合不同场景：手动实现（灵活度高）和预构建Agent（快速开发）。

1. 方式一：手动实现Function Calling（适合深度定制）

手动构建工作流，需定义节点函数和条件分支，步骤更繁琐但可精确控制每一步逻辑。

步骤1：定义状态结构

状态用于存储对话历史和中间结果，是Agent决策的依据：

from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langchain_core.messages import HumanMessage, AIMessage, ToolMessage
from pydantic import BaseModel, Field
from typing import List, Annotated

# 定义状态结构：存储消息列表
class AgentState(BaseModel):
    messages: Annotated[List, add_messages] = Field(default_factory=list)

步骤2：绑定工具到LLM

将大模型与工具函数关联，使LLM知道“可以调用哪些工具”：

from langchain_community.chat_models import ChatDeepSeek
import os

# 初始化DeepSeek模型（需设置API密钥）
os.environ["DEEPSEEK_API_KEY"] = "你的API密钥"
llm = ChatDeepSeek(model="deepseek-chat", temperature=0)  # temperature=0确保输出稳定

# 将工具绑定到LLM（大模型将知道如何调用这些工具）
llm_with_tools = llm.bind_tools([get_stock_info])

步骤3：定义节点函数

节点是工作流的“步骤”，包括“LLM决策节点”和“工具调用节点”：

# 节点1：LLM决策节点（判断是否需要调用工具）
def llm_decide_node(state: AgentState):
    # 调用绑定工具的LLM，传入对话历史
    response = llm_with_tools.invoke(state["messages"])
    # 将LLM的响应添加到状态中
    return {
   "messages": [response]}

# 节点2：工具调用节点（执行工具并获取结果）
def tool_call_node(state: AgentState):
    # 获取LLM最新的响应（包含工具调用指令）
    last_message = state["messages"][-1]
    tool_results = []
    
    # 遍历所有工具调用指令
    for tool_call in last_message.tool_calls:
        # 调用对应的工具函数（此处仅get_stock_info一个工具）
        if tool_call["name"] == "get_stock_info":
            result = get_stock_info.invoke(tool_call["args"])
            # 将工具结果包装为ToolMessage
            tool_results.append(ToolMessage(
                content=str(result),
                tool_call_id=tool_call["id"]
            ))
    
    # 将工具结果添加到状态中
    return {
   "messages": tool_results}

步骤4：构建工作流

通过状态图定义节点之间的连接关系，实现“LLM决策→工具调用→结果整理”的循环：

# 创建状态图
graph = StateGraph(AgentState)

# 添加节点
graph.add_node("llm_decide", llm_decide_node)  # LLM决策节点
graph.add_node("tool_call", tool_call_node)    # 工具调用节点

# 定义流程：从START开始，先进入LLM决策节点
graph.add_edge(START, "llm_decide")

# 条件分支：LLM决策后，若需要调用工具则进入tool_call节点，否则直接结束
def should_call_tool(state: AgentState):
    last_message = state["messages"][-1]
    # 检查LLM的响应中是否包含工具调用指令
    if last_message.tool_calls:
        return "tool_call"  # 需要调用工具
    else:
        return END          # 无需调用工具，流程结束

graph.add_conditional_edges(
    "llm_decide",       # 源节点
    should_call_tool,   # 条件判断函数
    {
   "tool_call": "tool_call", END: END}  # 分支目标
)

# 工具调用后，返回LLM决策节点继续处理结果
graph.add_edge("tool_call", "llm_decide")

# 编译为可运行的Agent
agent = graph.compile()

步骤5：测试手动构建的Agent

# 测试查询："宁德时代的股票代码是什么？"
messages = [HumanMessage(content="宁德时代的股票代码是什么？")]
result = agent.invoke({
   "messages": messages})

# 输出最终回复（从状态的消息列表中获取）
for msg in result["messages"]:
    if isinstance(msg, AIMessage):
        print("Agent回复：", msg.content)

输出结果：

Agent回复：宁德时代的股票代码是300750。其最新价为210.50元，涨跌幅为+1.20%，所属行业为电力设备。

2. 方式二：预构建Agent（适合快速开发）

LangGraph提供create_react_agent函数，封装了上述工作流，一行代码即可创建Agent，适合追求效率的场景。

代码示例：

from langgraph.prebuilt import create_react_agent

# 一行代码创建Agent（自动包含LLM决策、工具调用、结果整理逻辑）
agent = create_react_agent(llm, tools=[get_stock_info])

# 测试查询："代码300750对应的股票名称是什么？"
response = agent.invoke({
   
    "messages": [HumanMessage(content="代码300750对应的股票名称是什么？")]
})

# 提取并打印回复
print("Agent回复：", response["messages"][-1].content)

输出结果：

Agent回复：代码300750对应的股票名称是宁德时代，其最新价为210.50元，涨跌幅为+1.20%，所属行业为电力设备。

3. 两种实现方式的对比