如何用自然语言查询股票信息？——基于 LangGraph Agent 的实战开发

在当今数字化时代，自然语言处理（NLP）技术已经被广泛应用于金融领域，帮助用户更便捷地获取信息。今天，我们将通过一个实战项目，介绍如何利用 LangGraph Agent 实现股票信息的自然语言查询。我们将从股票信息的获取、工具的设计，到最终的代码实现，一步步展开。

一、股票信息的获取

在金融领域，获取实时股票信息是开发相关应用的基础。我们可以通过调用第三方数据接口来实现这一目标。在本实战中，我们选择了东方财富网提供的接口，用于获取创业板的实时股票数据。

1.1 数据接口介绍

东方财富网提供了丰富的股票数据接口，其中 stock_cy_a_spot_em 接口可以抓取创业板的实时数据。通过调用该接口，我们可以获取包括股票代码、名称、当前价格、涨跌幅等在内的详细信息。以下是接口返回的数据示例：

1.2 数据获取代码

为了获取数据，我们需要使用 Python 的 akshare 库。以下是获取创业板实时数据的代码：

import akshare as ak

def get_stock_data():
    # 调用东方财富网接口获取创业板实时数据
    data = ak.stock_cy_a_spot_em()
    return data

运行上述代码后， data 将是一个包含实时股票信息的 DataFrame，如下图所示：

二、股票信息查询工具的设计

获取到股票数据后，我们需要设计一个工具，用于根据用户输入的股票代码或名称查询相关信息。这个工具将作为 LangGraph Agent 的一部分，实现自然语言查询的功能。

2.1 工具设计思路

我们的工具需要实现以下功能：

1. 接收用户输入的股票代码或名称。
2. 在获取到的股票数据中筛选匹配的记录。
3. 返回查询结果。

2.2 查询工具代码实现

以下是查询工具的代码实现：

from langchain_core.tools import tool
from llm import DeepSeek

@tool
def get_stock_info(code: str, name: str) -> str:
    """
    根据传入的股票代码或股票名称获取股票信息
    Args:
        code: 股票代码
        name: 股票名称
    """
    # 检查输入是否为空或过短
    code_is_empty = (code == "" or len(code) <= 2)
    name_is_empty = (name == "" or len(name) <= 2)

    if code_is_empty and name_is_empty:
        return []

    # 获取创业板实时数据
    df = ak.stock_cy_a_spot_em()

    # 根据输入条件筛选数据
    if code_is_empty and not name_is_empty:
        ret = df[df['名称'].str.contains(name)]
    elif not code_is_empty and name_is_empty:
        ret = df[df['代码'].str.contains(code)]
    else:
        ret = df[df['代码'].str.contains(code) & df['名称'].str.contains(name)]

    # 返回查询结果
    return ret.to_dict(orient='records')

2.3 查询工具的使用示例

假设用户输入股票代码“300059”或股票名称“东方财富”，调用 get_stock_info 函数后，将返回匹配的股票信息

三、LangGraph Agent 的实现

LangGraph Agent 是一个强大的自然语言处理框架，可以将普通方法转换为工具方法，并绑定到大模型中。通过 LangGraph Agent，我们可以实现自然语言查询股票信息的功能。

3.1 工具方法的绑定

我们将 get_stock_info 函数转换为工具方法，并绑定到 LangGraph Agent 中。以下是绑定代码：

from langchain_core.tools import tool
from llm import DeepSeek

# 绑定工具方法
agent = DeepSeek()
agent.bind_tool(get_stock_info)

3.2 查询流程设计

在 LangGraph Agent 中，我们需要设计查询流程，包括大模型选择工具和执行工具的节点。以下是查询流程的代码实现：

def query_stock_info(user_input: str):
    """
    根据用户输入的自然语言查询股票信息
    Args:
        user_input: 用户输入的自然语言
    """
    # 大模型解析用户输入
    parsed_input = agent.parse(user_input)

    # 根据解析结果选择工具
    if "股票代码" in parsed_input:
        code = parsed_input["股票代码"]
        result = agent.run_tool("get_stock_info", code=code, name="")
    elif "股票名称" in parsed_input:
        name = parsed_input["股票名称"]
        result = agent.run_tool("get_stock_info", code="", name=name)
    else:
        result = "无法识别的输入"

    return result

3.3 测试查询流程

假设用户输入“查询股票代码为 300059 的股票信息”，调用 query_stock_info 函数后，LangGraph Agent 将解析用户输入，调用 get_stock_info 工具方法，并返回查询结果。以下是测试代码：

user_input = "查询股票代码为 300059 的股票信息"
result = query_stock_info(user_input)
print(result)

四、总结

通过本实战项目，我们介绍了如何利用 LangGraph Agent 实现股票信息的自然语言查询。我们从股票数据的获取、查询工具的设计，到 LangGraph Agent 的实现，一步步完成了整个流程。希望本文能帮助你更好地理解和应用自然语言处理技术。

往期回顾

如何抓取金融市场数据：使用AKShare进行股票数据抓取
使用LangGraph定制编写Web后端项目：以生成Golang代码为例
API文档教程