企业官网建设流程全解析

最近在梳理大模型落地方案时，常被问到一句话：“大模型除了聊天，还能不能干点正事？”其实能干的场景很多，其中一个很适合练手、又能串联大模型部署、AI 编程、数据分析和 Web 服务的项目，就是“专属股票分析系统”。

这篇文章会围绕“大模型 + 股票分析”这个主题，从零搭建一套本地可运行的股票分析小系统。我们会先把系统拆解清楚，再完成本地大模型部署，接着用 Python 抓取股票数据，最后通过提示词工程让大模型输出结构化的分析报告。整个流程会尽量贴近真实工程，代码可以直接复制，能跑通，也方便你继续扩展。

本文适合以下几类读者：

• 想学习大模型本地部署和 API 调用的开发者。
• 想用 Python 构建数据分析工具，但不想只做数据展示的读者。
• 对 AI 编程感兴趣的开发者，可以对照本文流程理解“AI 辅助编码”的思想。
• 想给股票分析加一层“AI 解读”能力的量化爱好者。

需要提前说明的是，本文是技术教程，不是投资建议。最终系统输出的内容只能作为技术研究参考，不应直接作为交易决策依据。

1. 背景与核心概念

1.1 为什么用大模型做股票分析

传统股票分析通常分两步：第一步是拿到行情数据，第二步是根据指标计算或走势图做判断。人工分析消耗时间，机械规则又缺少对新闻、公告、市场情绪的解读能力。大模型的出现，恰好补上了“数据到结论”之间的解读环节。

我们可以让大模型完成这样几件事：

• 对给定股票的近期行情数据做摘要。
• 从技术指标层面判断趋势状态。
• 结合市盈率、市净率等基本面指标，输出多维度分析。
• 按固定格式生成包含“今日观点、关键指标、风险提示”的分析简报。

这些事情并不需要模型有“实时交易能力”，只需要我们提供结构化数据，并设计好提示词。因此，这是一个非常适合演示大模型工程化能力的场景。

1.2 FDE 与大模型部署的关系

FDE 这个词在最近讨论里出现频率很高。目前它并没有一个完全统一的官方定义，常见理解有两类：

• 一类是“Fast Development Engineer”，可以理解为“快速开发工程师”，核心是利用 AI 编程工具和自动化方式提升开发效率。
• 另一类是偏“前端开发”方向的称呼，在一些团队中也叫 Framework Developer Engineer。

在本文中，我们不纠结哪个定义更“正统”。重点是把 FDE 体现出来的工程思维用于项目落地：理解需求、拆分任务、用大模型辅助开发与部署、最后形成可运行系统。

换句话说，FDE 工程师的职责并不是“会写提示词就行”，而是要掌握如何把大模型集成进真实业务，包括环境配置、接口调用、提示词设计、异常处理和部署上线。本文的股票分析系统，就是一个典型的 FDE 实战练习。

1.3 系统技术选型

为了让项目尽量简单，同时保留真实工程结构，我选择了以下技术栈：

这个选型的好处是：所有组件都可以本地安装，不依赖商业密钥，数据源免费，模型可切换。如果后续希望升级为 GPT 或国内大模型 API，只需要改一行 base_url。

2. 整体方案设计

先看系统的整体工作流程。这部分很重要，决定了我们后续代码怎么写。

2.1 业务流程拆解

整个股票分析系统可以拆成 4 层：

1. 数据层：通过 AKShare 获取股票实时行情、历史行情和基本面数据。
2. 服务层：FastAPI 提供两个接口，一个用于查询原始数据，一个用于返回 AI 分析报告。
3. 模型层：Ollama 本地部署大模型，通过 OpenAI 兼容接口提供服务。
4. 展示层：浏览器页面输入股票代码，点击按钮后显示分析结果。

流程如下：

用户输入股票代码 ↓ FastAPI 接收请求 ↓ Python 调用 AKShare 获取行情与基本面数据 ↓ 组装提示词（含结构化数据） ↓ 请求本地大模型接口 ↓ 大模型返回分析报告 ↓ 前端页面展示结果

2.2 为什么选择 Ollama 本地部署

本地部署大模型在 2025 年已经不是新鲜事，但很多新手会卡在“模型下载慢、显存不够、不知道怎么调用 API”上。Ollama 把这三件事都简化了。

• 一条命令即可安装。
• 一条命令即可下载并启动模型。
• 支持 OpenAI 兼容 API，直接使用 requests 或 openai 库调用。

更重要的是，本地部署能避免把股票数据发送到外部服务，这对金融数据合规场景有天然优势。虽然本地小模型的分析能力不如云端大模型，但胜在免费、私密、可定制。

2.3 模型选择的建议

考虑到多数读者的个人电脑没有独立 GPU，本文示例以量化版本模型为例配置。常见的可选模型如下：

• 通义千问 Qwen2.5 7B 系列：中文理解好，适合分析中文新闻和股票名称。
• Llama 3.1 8B 系列：英文能力强，中文稍弱。
• Phi-3 Mini：体积小，跑得快，适合低配置机器。

如果你的电脑显存充足，可以选用更大参数模型；如果在纯 CPU 环境，建议选择 3B 或 7B 的量化版本。

版本需要根据你的机器情况调整，本文重点演示配置思路，不必追求超大模型。

3. 环境准备与安装

3.1 基础环境要求

建议环境如下：

• 操作系统：Windows 10/11、macOS、Linux 均可。
• Python 版本：3.10 或 3.11。
• 内存：至少 8GB，16GB 以上更好。
• 磁盘空间：至少 10GB 空闲空间，用于存放模型文件。
• 可选：NVIDIA GPU 显卡，显存 6GB 以上可流畅运行 7B 量化模型。

不需要 GPU，纯 CPU 也能运行，只是推理速度会慢一些。

3.2 安装 Python 依赖

先创建项目目录，并初始化 Python 虚拟环境。

mkdir stock-ai-analysis cd stock-ai-analysis python -m venv venv # Windows venv\Scripts\activate # macOS / Linux source venv/bin/activate

接着安装依赖库：

pip install fastapi uvicorn akshare pandas openai python-dotenv

这里简单说明一下依赖库的作用：

• fastapi：Web 框架，用于提供 HTTP 接口。
• uvicorn：ASGI 服务器，负责运行 FastAPI 应用。
• akshare：财经数据接口库，提供 A 股、港股、美股等行情数据。
• pandas：处理表格数据，方便把数据转成 JSON。
• openai：OpenAI Python SDK，可以直接兼容 Ollama 的 API。
• python-dotenv：读取 .env 配置文件，方便管理模型地址等参数。

3.3 安装并启动 Ollama

打开 Ollama 官网下载对应操作系统的安装包。安装完成后，打开命令行执行：

ollama --version

如果正常输出版本号，说明安装成功。

然后拉取模型。以下用 Qwen2.5 7B 的量化版本举例：

ollama pull qwen2.5:7b

下载完成后启动模型服务。Ollama 默认监听 11434 端口，无需手动启动服务，执行模型命令后会自动在后台运行。也可以显式执行：

ollama serve

启动后，可以用下面的命令测试模型是否可用：

curl http://localhost:11434/v1/chat/completions \ -H "Content-Type: application/json" \ -d '{ "model": "qwen2.5:7b", "messages": [ {"role": "user", "content": "用一句话介绍你自己"} ] }'

如果能返回 JSON 格式的回复，说明 Ollama 已经可以作为 API 服务使用了。

4. 获取股票数据

这一节我们实现系统的数据层。AKShare 提供了非常丰富的接口，我们可以用它获取基础行情数据。

4.1 获取实时行情

以 A 股为例，获取单只股票实时行情可以使用如下代码。新建文件data_fetcher.py：

# 文件路径：stock-ai-analysis/data_fetcher.py import akshare as ak import pandas as pd def get_spot_data(symbol: str): """ 获取 A 股单只股票实时行情 :param symbol: 股票代码，例如 "600519" :return: dict 行情数据 """ # 获取 A 股实时行情数据。该接口返回全市场快照，可以按代码过滤。 df = ak.stock_zh_a_spot_em() row = df[df["代码"] == symbol] if row.empty: raise ValueError(f"未找到股票代码 {symbol}，请检查代码是否正确") row = row.iloc[0] return { "代码": row["代码"], "名称": row["名称"], "最新价": float(row["最新价"]), "涨跌幅": float(row["涨跌幅"]), "涨跌额": float(row["涨跌额"]), "成交量": float(row["成交量"]), "成交额": float(row["成交额"]), "换手率": float(row["换手率"]), "市盈率": float(row["市盈率-动态"]) if not pd.isna(row["市盈率-动态"]) else None, "市净率": float(row["市净率"]) if not pd.isna(row["市净率"]) else None, } if __name__ == "__main__": data = get_spot_data("600519") print(data)

执行测试：

python data_fetcher.py

如果网络正常，会输出贵州茅台的相关行情数据。这里有一个需要注意的点：stock_zh_a_spot_em()返回的是全市场快照，默认有几万条数据。如果你只查一只股票，可能会有约 2 秒的等待，这是正常的。

4.2 获取历史日线数据

历史数据用于计算简单的趋势指标，比如最近 5 日和 20 日均线。

# 继续在 data_fetcher.py 中添加以下函数 def get_history_data(symbol: str, days: int = 30): """ 获取 A 股单只股票历史日线数据 :param symbol: 股票代码 :param days: 获取最近多少天 :return: DataFrame """ # 这里使用后复权方式获取历史行情 df = ak.stock_zh_a_hist( symbol=symbol, period="daily", start_date="20200101", end_date="20500101", adjust="qfq", ) # 只需要最近 days 条数据 df = df.tail(days).reset_index(drop=True) return df

注意，AKShare 的接口参数可能会随版本更新而调整。如果你在运行时报参数错误，先用pip show akshare查看版本，再查阅对应版本的官方文档。

4.3 整理成结构化字典

为了让大模型更容易理解数据，我们需要把 DataFrame 转换为 JSON 友好的结构。继续扩展：

def get_analysis_data(symbol: str) -> dict: """ 获取用于分析的汇总数据 """ spot = get_spot_data(symbol) history = get_history_data(symbol, 30) # 取最近收盘价序列 close_list = history["收盘"].tolist() # 简单计算均线 ma5 = round(sum(close_list[-5:]) / 5, 2) if len(close_list) >= 5 else None ma10 = round(sum(close_list[-10:]) / 10, 2) if len(close_list) >= 10 else None ma20 = round(sum(close_list[-20:]) / 20, 2) if len(close_list) >= 20 else None return { "实时行情": spot, "最近5日均价": ma5, "最近10日均价": ma10, "最近20日均价": ma20, "近5日收盘价": close_list[-5:], "近20日收盘价": close_list[-20:], }

5. 接入大模型并生成分析报告

数据准备好之后，接下来是关键一步：把数据组装成提示词，发送给本地大模型。

5.1 配置模型连接信息

新建.env文件，用来存放模型地址和模型名称：

# OpenAI 兼容 API 地址 LLM_BASE_URL=http://localhost:11434/v1 # 模型名称 LLM_MODEL=qwen2.5:7b # API Key，本地服务可随意填写 LLM_API_KEY=ollama

之所以使用环境变量，是因为后续如果切换到云端大模型，只需要改.env，不需要改代码。

5.2 设计提示词模板

提示词是决定输出质量的关键。为了让大模型输出稳定，提示词需要包含 3 部分信息：

1. 角色设定。
2. 数据内容。
3. 输出格式要求。

下面是一个完整的提示词模板，新建prompt_builder.py：

# 文件路径：stock-ai-analysis/prompt_builder.py import json def build_stock_prompt(stock_data: dict, stock_name: str) -> str: """ 构造面向股票分析场景的提示词 """ data_json = json.dumps(stock_data, ensure_ascii=False, indent=2) prompt = f""" 你是一位资深股票分析师，擅长从技术面与基本面角度分析 A 股上市公司。 请根据以下提供的结构化行情数据，输出一份简洁的投资研究简报。 注意： 1. 只基于给定数据分析，不能编造数据。 2. 分析要客观，既要指出积极因素，也要指出潜在风险。 3. 使用中文输出，控制在 300 字以内。 4. 严格按照以下 Markdown 结构输出： ## 股票概况 ## 技术面分析 ## 基本面观察 ## 风险提示 ## 综合观点 股票名称：{stock_name} 结构化数据如下： {data_json} """ return prompt

这里有几个设计细节值得说明：

• 使用json.dumps序列化数据，保证数据结构清晰。
• 在提示词中明确“不能编造数据”，降低大模型幻觉概率。
• 指定输出结构，有利于前端解析渲染。
• 限制字数，避免响应时间过长。

5.3 调用大模型接口

新建llm_service.py，实现调用 OpenAI 兼容接口的逻辑：

# 文件路径：stock-ai-analysis/llm_service.py import os from openai import OpenAI from dotenv import load_dotenv from prompt_builder import build_stock_prompt load_dotenv() BASE_URL = os.getenv("LLM_BASE_URL", "http://localhost:11434/v1") MODEL = os.getenv("LLM_MODEL", "qwen2.5:7b") API_KEY = os.getenv("LLM_API_KEY", "ollama") client = OpenAI(base_url=BASE_URL, api_key=API_KEY) def analyze_stock(stock_data: dict, stock_name: str) -> str: """ 调用大模型生成股票分析报告 """ prompt = build_stock_prompt(stock_data, stock_name) try: completion = client.chat.completions.create( model=MODEL, messages=[ {"role": "system", "content": "你是一名严谨的金融数据分析助手。"}, {"role": "user", "content": prompt}, ], temperature=0.4, max_tokens=800, ) return completion.choices[0].message.content except Exception as e: return f"调用大模型失败：{e}"

这里设置temperature=0.4，是为了减少随机性，让分析结果更稳定。金融场景不需要太多“创造性”。

5.4 测试分析链路

在项目根目录新建临时测试脚本：

python -c " from data_fetcher import get_analysis_data from llm_service import analyze_stock data = get_analysis_data('600519') report = analyze_stock(data, '贵州茅台') print(report) "

预期输出结果是一段 Markdown 格式的分析报告。如果输出的是“调用大模型失败”，请检查 Ollama 服务是否启动，以及.env配置是否正确。

6. 搭建 FastAPI 后端服务

数据层和模型层都准备好之后，我们使用 FastAPI 把它们串成 HTTP 接口。

6.1 创建主应用

新建main.py：

# 文件路径：stock-ai-analysis/main.py from fastapi import FastAPI, Query, HTTPException from fastapi.middleware.cors import CORSMiddleware from fastapi.responses import FileResponse, JSONResponse from data_fetcher import get_analysis_data from llm_service import analyze_stock app = FastAPI(title="股票 AI 分析系统") # 允许前端跨域访问 app.add_middleware( CORSMiddleware, allow_origins=["*"], allow_methods=["*"], allow_headers=["*"], ) @app.get("/") def index(): return FileResponse("index.html") @app.get("/api/stock/data") def get_stock_data(symbol: str = Query(..., description="股票代码，例如 600519")): """ 获取原始股票数据 """ try: data = get_analysis_data(symbol) return JSONResponse(content=data) except ValueError as e: raise HTTPException(status_code=404, detail=str(e)) except Exception as e: raise HTTPException(status_code=500, detail=f"数据获取失败：{e}") @app.get("/api/stock/analyze") def get_stock_analysis(symbol: str = Query(..., description="股票代码")): """ 获取 AI 分析报告 """ try: data = get_analysis_data(symbol) stock_name = data["实时行情"]["名称"] report = analyze_stock(data, stock_name) return JSONResponse(content={"report": report}) except ValueError as e: raise HTTPException(status_code=404, detail=str(e)) except Exception as e: raise HTTPException(status_code=500, detail=f"分析失败：{e}")

接口设计说明：

• /api/stock/data：返回结构化数据，便于调试。
• /api/stock/analyze：返回 AI 分析报告，前端直接用 innerHTML 渲染 Markdown。
• 异常统一处理，避免前端拿到不明确错误。

6.2 创建简易前端页面

为了演示效果，新建index.html，放在项目根目录：

<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>股票 AI 分析系统</title> <style> body { font-family: "Microsoft YaHei", sans-serif; max-width: 900px; margin: 40px auto; padding: 0 20px; background: #f7f9fc; color: #2c3e50; } h1 { text-align: center; } .search-box { display: flex; gap: 12px; margin: 20px 0; } input { flex: 1; padding: 10px; font-size: 16px; border-radius: 6px; border: 1px solid #ccc; } button { padding: 10px 20px; font-size: 16px; background: #3498db; color: #fff; border: none; border-radius: 6px; cursor: pointer; } button:disabled { background: #95a5a6; } #result { background: #fff; border-radius: 8px; padding: 20px; box-shadow: 0 2px 8px rgba(0,0,0,0.08); margin-top: 20px; line-height: 1.8; } </style> </head> <body> <h1>📈 专属股票 AI 分析系统</h1> <p style="text-align:center;color:#7f8c8d;">输入 A 股代码，生成多维度分析简报</p> <div class="search-box"> <input type="text" id="symbol" placeholder="例如：600519 贵州茅台" value="600519"> <button id="analyzeBtn" onclick="analyze()">AI 分析</button> </div> <div id="result">请在左侧输入股票代码，点击“AI 分析”按钮。</div> <script> async function analyze() { const symbol = document.getElementById('symbol').value.trim(); const btn = document.getElementById('analyzeBtn'); const result = document.getElementById('result'); if (!symbol) { result.innerHTML = '<p style="color:#e74c3c">请输入股票代码</p>'; return; } btn.disabled = true; btn.textContent = '分析中...'; result.innerHTML = '<p>正在获取行情数据并调用大模型，请稍候...</p>'; try { const response = await fetch(`/api/stock/analyze?symbol=${encodeURIComponent(symbol)}`); const data = await response.json(); if (!response.ok) { result.innerHTML = `<p style="color:#e74c3c">错误：${data.detail || '未知错误'}</p>`; return; } // 简单处理 Markdown：把 # 转成对应标题标签 const html = data.report .replace(/^### (.*)$/gm, '<h3>$1</h3>') .replace(/^## (.*)$/gm, '<h2>$1</h2>') .replace(/\*\*(.*)\*\*/g, '<strong>$1</strong>') .replace(/\n/g, '<br>'); result.innerHTML = html; } catch (err) { result.innerHTML = `<p style="color:#e74c3c">请求失败：${err.message}</p>`; } finally { btn.disabled = false; btn.textContent = 'AI 分析'; } } </script> </body> </html>

这里的前端渲染做了最简化的 Markdown 转换，适合演示。生产环境建议引入marked.js或markdown-it。

6.3 启动服务并测试

在项目根目录执行：

uvicorn main:app --host 0.0.0.0 --port 8000

打开浏览器访问http://localhost:8000，输入股票代码后点击“AI 分析”。

如果一切正常，你应该能看到类似这样的结构化报告：

## 股票概况 贵州茅台今日最新价 1680.00 元，涨跌幅 1.25%，市盈率 31.2。 ## 技术面分析 近5日均价 1655.20，近20日均价 1600.80，短期均线高于长期均线，多头排列特征明显。 ## 基本面观察 市盈率处于合理区间，市净率 8.6，说明市场对品牌溢价给予了较高估值。 ## 风险提示 1. 短期涨幅较大，存在回调压力。 2. 高估值水平对业绩增长要求较高。 ## 综合观点 整体趋势向好，但短期不宜追高，建议关注回调后的买入机会。

注意，不同模型的输出内容会有差异，这是正常的。我们更关注的是输出的结构和逻辑是否稳定。

7. 常见问题与排查思路

在部署和运行过程中，最容易踩坑的几个点如下。

7.1 Ollama 模型启动慢

如果你在 CPU 环境运行 7B 模型，首轮请求可能需要 10 到 30 秒。这属于正常现象，不要误以为程序卡死。建议使用ollama ps查看模型加载状态。

另外，Ollama 默认会分配可用内存的一部分作为模型上下文。如果你的内存只有 8GB，可以考虑拉取更小的模型：

ollama pull qwen2.5:3b

7.2 AKShare 数据源失效

AKShare 依赖网络接口，部分数据源会有访问频率限制。如果你在短时间内大量请求，可能触发反爬机制。解决方案是增加缓存，同一只股票在 5 分钟内不重复拉取。下面是一个简单的装饰器缓存实现：

import time from functools import wraps _cache = {} def ttl_cache(seconds: int = 300): def decorator(func): @wraps(func) def wrapper(*args, **kwargs): key = (args, tuple(kwargs.items())) now = time.time() if key in _cache and now - _cache[key][0] < seconds: return _cache[key][1] result = func(*args, **kwargs) _cache[key] = (now, result) return result return wrapper return decorator # 使用方式 @ttl_cache(seconds=300) def get_spot_data(symbol: str): # 原逻辑 pass

7.3 大模型输出不稳定

同一个提示词，大模型多次输出可能不完全一致。对于股票分析场景，建议在提示词中加入“严格按照给定数据结构输出”的约束，同时在后端对输出做一次后处理。例如，如果输出缺少“风险提示”部分，可以提示用户重新生成，或者拼接固定兜底文案。

8. 最佳实践与工程建议

文章到这里，主体功能已经全部跑通。但如果只是能跑通，还不足以称为“工程化”。下面写几条我在实际项目中比较注重的实践。

8.1 提示词版本化

很多人把提示词直接写在代码里，调试起来非常痛苦。更好的做法是把提示词模板放到单独文件，例如prompts/stock_analysis.md。修改时不需要动代码，也可以使用类似 Git 的方式对提示词做版本管理。

提示词模板中建议使用占位符，例如{stock_data}，这样既能复用模板，也方便批量测试。

8.2 增加模型输出校验

大模型返回的内容不一定符合预期格式。建议在接口层增加简单校验：

def validate_report(report: str) -> bool: required_sections = ["股票概况", "技术面分析", "风险提示", "综合观点"] for section in required_sections: if section not in report: return False return True

校验不通过时，可以自动重试一次，或者返回提示让用户稍后再试。这个环节能显著提升用户体验。

8.3 数据缓存与限流

股票数据在盘中会频繁变动，但 1 分钟内的变化对分析结果影响不大。建议在系统层面增加：

• 数据缓存：避免重复请求 AKShare。
• 接口限流：防止恶意刷接口导致数据源被封。
• 日志记录：记录每次请求的股票代码、耗时、模型输出状态。

FastAPI 可以使用慢速限流中间件，也可以简单使用字典加时间戳实现。

8.4 安全与合规意识

股票数据涉及金融场景，需要特别注意以下原则：

• 只在合法授权的范围内使用数据，注意数据源的使用条款。
• 分析结果必须附加免责声明，避免被误用为投资建议。
• 本文的本地部署模式虽然隐私较好，但如果对外开放服务，仍需做好接口鉴权。
• 生产环境不建议直连数据库或数据源，应增加中间层隔离。

8.5 用 AI 编程工具加速开发

本文代码虽然可以手写完成，但实际开发中使用 Cursor、Codex 等 AI 编程工具会更快。你可以尝试把“编写 AKShare 数据获取函数”“设计 FastAPI 接口”“生成前端页面”作为任务描述，让 AI 辅助生成初版代码，再手动检查和调整。

FDE 的核心不是“完全交给 AI”，而是“人机协作”。AI 负责模板化、重复性代码，人负责架构设计、数据合规和异常处理。这也是我在推荐这条技术路线时，最想传递的观念。

9. 后续扩展方向

目前系统已经实现了“数据获取 + 大模型分析 + Web 展示”的闭环。如果再往前走，可以扩展以下能力。

9.1 多股票对比分析

将单只股票分析扩展为多只股票对比，例如让大模型同时分析“贵州茅台、五粮液、泸州老窖”三只白酒股，输出横向对比结论。实现方式是在提示词中传入多份结构化数据，然后要求模型按对比维度输出。

9.2 接入新闻与公告

AKShare 同样提供新闻和公告接口。你可以把最近 3 天的公告标题和摘要加入提示词，让大模型结合消息面进行分析。不过要控制输入长度，避免超出模型上下文窗口。

9.3 定时任务与日报推送

使用 APScheduler 或系统 cron 定时执行分析，并把报告发送到钉钉、企业微信或邮件。这样每天开盘前就能收到一份 AI 生成的行情追踪日报。需要注意的是，定时任务必须处理异常重试，避免单次失败导致整天没有报告。

9.4 基于向量库的投研知识库

如果希望大模型能回答更复杂的金融问题，可以把研报、财报、历史文章存入向量数据库，使用 RAG 模式构建知识库问答系统。这时“股票分析系统”会升级为“投研助手”。这也是大模型在金融领域落地更深入的方向。

10. 最后说几句

从搭建环境、部署大模型，到抓取股票数据、完成 AI 分析接口，我们走完了一条完整的“大模型应用落地”链路。这个过程看起来简单，但其中包含了不少工程细节：数据格式如何设计、提示词怎么写更稳、接口异常如何处理、数据合规如何保证。这些能力，恰恰是当前 FDE 和 AI 应用工程师最需要积累的。

如果你跟着本文完成了部署，下一步建议你自己改一两个地方：换一只股票测试，换一个模型对比输出效果，或者修改提示词模板增加分析维度。动手改一遍，比只看文章有效得多。

如果这篇教程对你有帮助，可以收藏备用。也欢迎在评论区聊聊你遇到的其他报错，或者分享你扩展出来的新功能。