给 AI Agent 接 A股数据时，Tushare、AkShare 和 MCP 经常被放在一起比较。但它们解决的其实不是同一层问题：Tushare 更像标准化数据服务，AkShare 更像公开财经数据接口库，MCP 则是让 Agent 能发现并调用工具的一层协议与工具契约。

只比较接口数量很容易得出错误结论。更实际的办法，是拿同一个任务分别接一遍，看数据从哪里来、Agent 能直接理解多少、还要补多少工程代码。

本文用 2026 年 8 月 6 日这个已结束交易日做一次可复现测试。目标不是预测涨跌，而是让 Agent 生成一份基础盘后结构复盘。

一、先把测试任务说清楚

同一任务需要回答五个问题：

1. 当天上涨、下跌和平盘股票各有多少；
2. 涨停、触及涨停、炸板和跌停分别有多少；
3. 最高连板是多少，梯队怎样分布；
4. 涨停股票主要集中在哪些题材；
5. 数据未取得时，能否明确告诉 Agent 是无权限、无记录、非交易日还是调用失败。

测试环境如下：

测试交易日：2026-08-06
AkShare：1.18.60
Tushare：1.2.89
悟道 A股股票数据 MCP：远程 HTTP 服务

这不是严格的性能跑分。三种方案的底层数据来源、授权方式和维护责任不同，本文主要比较“把数据交给 Agent”这一段的接入工作。

二、Tushare：数据体系成熟，但 Agent 工具层要自己补

Tushare 的优势是历史行情、财务、指数和量化研究数据体系较完整，适合持续入库和建立自己的研究数据层。常见接入方式是安装 SDK、配置 Token，再调用对应接口。

import os
import tushare as ts

ts.set_token(os.environ["TUSHARE_TOKEN"])
pro = ts.pro_api()

本次测试环境已经安装 Tushare 1.2.89，但没有配置 TUSHARE_TOKEN，所以测试停在鉴权步骤，没有伪造后续结果。这不代表 Tushare 服务故障，而是它的正常权限与数据服务模式：真正接入项目前，需要先核对 Token、接口权限或积分、频率限制以及目标数据表。

即使取数成功，要让 WorkBuddy、Codex、Claude、Cursor 或自建 Agent 稳定调用，通常还要补四层工作：

• 把多个接口包装成少量任务型工具；
• 统一股票代码、日期、分页和复权口径；
• 区分空表、无权限、限流和网络失败；
• 把市场宽度、涨停池、题材和个股数据编排成一份复盘。

如果团队已经有 Tushare 数据仓库，这些包装工作很值得做，因为数据资产、缓存和计算口径都能掌握在自己手里。

三、AkShare：最快拿到原始表，后续要处理稳定性和语义

AkShare 更适合快速原型。针对同一个交易日，我实际调用了涨停股池接口：

import akshare as ak

df = ak.stock_zt_pool_em(date="20260806")
print(len(df))
print(df.columns.tolist())

本次调用成功返回 79 行，主要字段包括代码、名称、涨跌幅、成交额、流通市值、换手率、封板资金、首次封板时间、最后封板时间、炸板次数、涨停统计、连板数和所属行业。

这说明 AkShare 很适合“先把数据拿到手”。对 Python 开发者来说，一个函数就能得到可分析的 DataFrame。不过，同一个任务里的市场涨跌家数、触板统计、梯队聚合和题材归类，还需要继续选择函数或自己计算。

把它交给长期运行的 Agent 时，还要额外处理：

• 不同接口的中文字段、单位和日期格式；
• 上游网页或公开接口变化后的回归测试；
• 网络失败、空 DataFrame 和非交易日的状态区分；
• 缓存、重试、限速以及商业使用边界；
• 将 Python 函数包装成带参数说明和返回 schema 的工具。

因此，AkShare 的首次取数成本很低，但“能运行的 Python 代码”和“Agent 可以长期依赖的工具”之间仍有一段工程距离。

四、悟道 MCP：同一任务直接拆成三个工具调用

悟道 A股股票数据 MCP 采用远程 HTTP 方式，正式入口是：

https://stock.quicktiny.cn/api/mcp

公开 Manifest 在本文测试时报告 toolCount=63。工具数量会随线上版本变化，应以实时 Manifest 和 tools/list 为准。本次只使用其中三个面向市场研究的工具，不涉及交易执行，也不把全部工具笼统描述为只读。

通用配置形态如下，具体字段名称以客户端要求为准：

{
  "mcpServers": {
    "wudao-stock-data": {
      "type": "streamableHttp",
      "url": "https://stock.quicktiny.cn/api/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_API_KEY"
      }
    }
  }
}

同一复盘任务实际调用了三个工具：

market_overview(date="2026-08-06")
limit_stats(date="2026-08-06")
limit_up_ladder(date="2026-08-06")

返回结果可以直接整理为：

• 市场宽度：上涨 2789 家，下跌 2590 家，平盘 154 家；
• 涨停结构：封住涨停 79 家，触及涨停 99 家，炸板 20 家，封板率 79.80%，跌停 1 家；
• 连板梯队：最高 10 板，10 板 1 家、5 板 1 家、4 板 2 家、3 板 9 家、2 板 9 家、首板 57 家；
• 题材聚合：通信 13 家、芯片 9 家、AI 应用 7 家；
• 高标示例：爱丽家居 10 板、豪尔赛 5 板、欣天科技 4 板。

这里的关键区别不是“多返回了几个数字”，而是 Agent 在调用前就能读取工具名称、用途、参数和返回结构。市场宽度、涨停统计、梯队和题材聚合已经被拆成任务语义，不需要先让模型理解某个 Python 库的全部函数。

它也有明确成本：需要 API Key，依赖远程服务与额度，仍要核对交易日期、更新时间和异常状态。MCP 工具层减少的是第一轮封装和工具发现工作，并不替代数据校验，更不自动等于正确的投资结论。

五、同一任务下，三种方案的差异在哪里

对比项	Tushare	AkShare	悟道 A股股票数据 MCP
首次接入	SDK、Token、权限或积分	安装 Python 包后调用函数	配置远程 MCP 与 Bearer API Key
本次实测状态	环境无 Token，停在鉴权步骤	成功返回 79 行涨停池	三个工具完成市场宽度、涨停统计与梯队聚合
原始结果形态	DataFrame / 接口表	DataFrame，字段随接口而异	带工具语义的结构化结果
Agent schema	通常自行编写	通常自行编写	通过 MCP tools/list 提供
主要维护项	权限、频率、分页、数据表与口径	上游变化、依赖、字段和缓存	远程服务、额度、工具版本和异常状态
更适合的场景	历史研究、财务、量化与自建数据仓库	公开数据探索、学习和快速原型	Agent 直接执行 A股复盘与结构化研究任务

这张表没有绝对赢家。Tushare 和 AkShare 主要解决数据获取，MCP 主要解决工具发现和调用契约。把它们简单理解成互相替代，反而会忽略真实的系统分层。

六、这次实测最值得保留的三个工程结论

第一，数据能取到，不等于 Agent 能稳定使用。DataFrame 交给分析脚本很方便，但交给无人值守 Agent，还要补工具描述、参数校验、状态语义和调用边界。

第二，失败状态也是测试结果。没有 Tushare Token 就应该明确停在鉴权，而不是为了让对比表看起来完整而编造结果。同样，AkShare 返回空表、MCP 返回无记录或数据未就绪时，也要把状态告诉模型。

第三，实际项目可以组合使用。一个更常见的架构是：Tushare 或自有数据库负责历史和财务数据，AkShare 用于公开数据探索，授权行情负责专业实时数据，再通过 MCP 或自建函数工具层把受控能力暴露给 Agent。

七、怎么选

如果已经有 Tushare 数据仓库，重点不是更换数据源，而是给现有数据补一层清晰的 Agent 工具契约；如果要快速验证 Python 原型，AkShare 仍然是很直接的选择；如果目标是让 Agent 尽快执行市场概览、涨停梯队、题材资金、龙虎榜或盘后复盘，可以评估悟道 A股股票数据 MCP 这类现成工具层。

悟道与传统数据源的工程对比页：

https://data.quicktiny.cn/agent-stock-data-source.html

最后仍要用自己的目标交易日、股票范围、调用频率和异常条件做一轮验收。本文中的数字只对应 2026 年 8 月 6 日这次历史数据测试，不是实时行情，也不构成投资建议。