增强资金面mcp数据支撑

DEEPSEEK_REASONER_FIX.md

@@ -1,122 +0,0 @@
-# DeepSeek Reasoner 模型输出不全问题修复说明
-
-## 问题描述
-
-使用 `deepseek-chat` 模型输出正常，但使用 `deepseek-reasoner` 模型进行技术面分析、基本面分析等各个分析时，输出文字不全。
-
-## 问题原因
-
-**deepseek-reasoner** 模型与 **deepseek-chat** 模型有重要区别：
-
-1. **响应结构不同**：
-   - `deepseek-chat`: 只返回 `content`（最终答案）
-   - `deepseek-reasoner`: 返回 `reasoning_content`（推理过程）+ `content`（最终答案）
-
-2. **Token 需求更大**：
-   - reasoner 模型需要输出详细的推理过程，需要更多的 tokens
-   - 原代码中 `max_tokens=2000` 对 reasoner 模型来说太小，导致输出被截断
-
-## 解决方案
-
-### 1. 自动调整 max_tokens（已修复）
-
-在 `deepseek_client.py` 的 `call_api` 方法中：
-
-```python
-# 对于 reasoner 模型，自动增加 max_tokens
-if "reasoner" in model_to_use.lower() and max_tokens <= 2000:
-    max_tokens = 8000  # reasoner 模型需要更多 tokens 来输出推理过程
-```
-
-### 2. 正确处理 reasoner 响应（已修复）
-
-```python
-# 处理 reasoner 模型的响应
-message = response.choices[0].message
-result = ""
-
-# 检查是否有推理内容
-if hasattr(message, 'reasoning_content') and message.reasoning_content:
-    result += f"【推理过程】\n{message.reasoning_content}\n\n"
-
-# 添加最终内容
-if message.content:
-    result += message.content
-```
-
-### 3. 提高各分析模块的 max_tokens（已修复）
-
-| 分析模块 | 原 max_tokens | 新 max_tokens |
-|---------|--------------|--------------|
-| 技术面分析 | 2000 | 8000 (自动) |
-| 基本面分析 | 2000 | 8000 (自动) |
-| 资金面分析 | 2000 | 8000 (自动) |
-| 风险管理分析 | 2000 | 8000 (自动) |
-| 市场情绪分析 | 2000 | 8000 (自动) |
-| 综合讨论 | 3000 | 6000 |
-| 最终决策 | 2000 | 4000 |
-| 团队讨论 | 3000 | 6000 |
-
-## 修改的文件
-
-1. **deepseek_client.py**
-   - `call_api()` 方法：增加 reasoner 检测和 max_tokens 自动调整
-   - `call_api()` 方法：增加 reasoning_content 处理
-   - `comprehensive_discussion()` 方法：max_tokens 从 3000 增加到 6000
-   - `final_decision()` 方法：max_tokens 从 2000 增加到 4000
-
-2. **ai_agents.py**
-   - `conduct_team_discussion()` 方法：max_tokens 从 3000 增加到 6000
-
-## 使用建议
-
-### 1. 模型选择
-
-- **deepseek-chat**：
-  - 适用场景：快速分析、常规查询
-  - 优点：响应快，成本低
-  - 缺点：推理能力相对较弱
-
-- **deepseek-reasoner**：
-  - 适用场景：复杂分析、需要深度推理的场景
-  - 优点：推理能力强，分析更深入
-  - 缺点：响应时间较长，token 消耗更多
-
-### 2. 查看推理过程
-
-使用 reasoner 模型时，响应中会包含 `【推理过程】` 部分，展示 AI 的思考过程，帮助你理解分析的逻辑。
-
-### 3. Token 消耗
-
-reasoner 模型的 token 消耗通常是 chat 模型的 2-4 倍，请注意 API 使用成本。
-
-## 验证方法
-
-1. 在应用中选择 "DeepSeek Reasoner (推理增强)" 模型
-2. 输入股票代码进行分析
-3. 检查各个分析报告是否完整输出
-4. 查看是否包含 `【推理过程】` 部分
-
-## 预期效果
-
-修复后，使用 deepseek-reasoner 模型应该能够：
-- ✅ 完整输出技术面分析报告
-- ✅ 完整输出基本面分析报告
-- ✅ 完整输出资金面分析报告
-- ✅ 完整输出风险管理报告
-- ✅ 完整输出市场情绪分析报告
-- ✅ 完整输出综合讨论结果
-- ✅ 完整输出最终投资决策
-- ✅ 显示推理过程（如果 API 支持）
-
-## 注意事项
-
-1. **API 兼容性**：确保使用的 DeepSeek API 版本支持 reasoner 模型
-2. **Token 限制**：如果仍然出现截断，可以进一步增加 max_tokens
-3. **成本控制**：reasoner 模型消耗更多 tokens，注意 API 配额
-4. **响应时间**：reasoner 模型需要更多时间进行推理，请耐心等待
-
-## 更新日期
-
-2025-10-03
-

QUICK_FIX.md

@@ -1,168 +0,0 @@
-# ⚡ 快速修复指南
-
-## 部署错误：proxies参数问题
-
-### 🔴 错误信息
-```
-分析过程中出现错误: Client.init() got an unexpected keyword argument 'proxies'
-```
-
-### ✅ 快速解决（3步）
-
-#### 步骤1：升级OpenAI库
-```bash
-pip install --upgrade openai
-```
-
-#### 步骤2：重新安装依赖
-```bash
-pip install -r requirements.txt --upgrade
-```
-
-#### 步骤3：重启应用
-```bash
-streamlit run app.py
-```
-
----
-
-## 其他常见问题快速修复
-
-### 1. 模块未找到错误
-
-**错误**：`ModuleNotFoundError: No module named 'xxx'`
-
-**修复**：
-```bash
-pip install xxx
-# 或重新安装所有依赖
-pip install -r requirements.txt
-```
-
-### 2. API密钥错误
-
-**错误**：`API Key未配置`
-
-**修复**：
-```bash
-# 创建.env文件
-cp .env.example .env
-
-# 编辑.env文件，添加API密钥
-# DEEPSEEK_API_KEY=your_api_key_here
-```
-
-### 3. 端口被占用
-
-**错误**：`Address already in use`
-
-**修复**：
-```bash
-# 使用其他端口
-streamlit run app.py --server.port 8502
-```
-
-### 4. 数据库锁定错误
-
-**错误**：`database is locked`
-
-**修复**：
-```bash
-# 停止所有streamlit进程
-pkill -f streamlit
-
-# 删除锁文件
-rm -f *.db-wal *.db-shm
-
-# 重新启动
-streamlit run app.py
-```
-
-### 5. 权限错误
-
-**错误**：`Permission denied`
-
-**修复**：
-```bash
-# 设置正确权限
-chmod 666 *.db
-chmod 755 .
-```
-
-### 6. 中文乱码
-
-**错误**：PDF中文显示为方框
-
-**修复**：
-```bash
-# Windows: 确保系统安装了中文字体
-# Linux: 安装中文字体包
-sudo apt-get install fonts-wqy-zenhei
-```
-
-### 7. 网络超时
-
-**错误**：`Connection timeout`
-
-**修复**：
-- 检查网络连接
-- 验证防火墙设置
-- 尝试使用代理
-
-### 8. 内存不足
-
-**错误**：`MemoryError`
-
-**修复**：
-```bash
-# 限制数据加载大小
-# 或增加系统内存
-# 或使用更小的数据周期
-```
-
----
-
-## 🚀 完整重置流程
-
-如果多个问题同时出现，可以尝试完整重置：
-
-```bash
-# 1. 停止所有进程
-pkill -f streamlit
-
-# 2. 清理虚拟环境
-rm -rf venv/
-
-# 3. 创建新虚拟环境
-python -m venv venv
-source venv/bin/activate  # Linux/Mac
-# 或
-.\venv\Scripts\Activate.ps1  # Windows
-
-# 4. 升级pip
-pip install --upgrade pip
-
-# 5. 重新安装依赖
-pip install -r requirements.txt
-
-# 6. 配置环境变量
-cp .env.example .env
-# 编辑.env文件添加API密钥
-
-# 7. 重新启动
-streamlit run app.py
-```
-
----
-
-## 📞 需要更多帮助？
-
-1. 查看 `DEPLOYMENT_GUIDE.md` - 完整部署指南
-2. 查看 `BUGFIX.md` - 详细错误记录
-3. 查看 `README.md` - 使用说明
-4. 检查GitHub Issues
-
----
-
-**提示**：大多数问题都可以通过重新安装依赖或重启应用解决！
-

ai_agents.py

@@ -39,18 +39,26 @@ class StockAnalysisAgents:
             "timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
         }
     
-    def fund_flow_analyst_agent(self, stock_info: Dict, indicators: Dict) -> Dict[str, Any]:
+    def fund_flow_analyst_agent(self, stock_info: Dict, indicators: Dict, fund_flow_data: Dict = None) -> Dict[str, Any]:
         """资金面分析智能体"""
         print("💰 资金面分析师正在分析中...")
+        
+        # 如果有资金流向数据，显示数据来源
+        if fund_flow_data and fund_flow_data.get('query_success'):
+            print("   ✓ 已获取问财资金流向数据")
+        else:
+            print("   ⚠ 未获取到问财资金流向数据，将基于技术指标分析")
+        
         time.sleep(1)
         
-        analysis = self.deepseek_client.fund_flow_analysis(stock_info, indicators)
+        analysis = self.deepseek_client.fund_flow_analysis(stock_info, indicators, fund_flow_data)
         
         return {
             "agent_name": "资金面分析师",
             "agent_role": "负责资金流向分析、主力行为研究、市场情绪判断", 
             "analysis": analysis,
             "focus_areas": ["资金流向", "主力动向", "市场情绪", "流动性"],
+            "fund_flow_data": fund_flow_data,  # 保存资金流向数据以供后续使用
             "timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
         }
     
@@ -145,7 +153,8 @@ class StockAnalysisAgents:
             "timestamp": time.strftime("%Y-%m-%d %H:%M:%S")
         }
     
-    def run_multi_agent_analysis(self, stock_info: Dict, stock_data: Any, indicators: Dict, financial_data: Dict = None) -> Dict[str, Any]:
+    def run_multi_agent_analysis(self, stock_info: Dict, stock_data: Any, indicators: Dict, 
+                                 financial_data: Dict = None, fund_flow_data: Dict = None) -> Dict[str, Any]:
         """运行多智能体分析"""
         print("🚀 启动多智能体股票分析系统...")
         print("=" * 50)
@@ -159,8 +168,8 @@ class StockAnalysisAgents:
         # 基本面分析
         agents_results["fundamental"] = self.fundamental_analyst_agent(stock_info, financial_data)
         
-        # 资金面分析
+        # 资金面分析（传入资金流向数据）
-        agents_results["fund_flow"] = self.fund_flow_analyst_agent(stock_info, indicators)
+        agents_results["fund_flow"] = self.fund_flow_analyst_agent(stock_info, indicators, fund_flow_data)
         
         # 风险管理分析
         agents_results["risk_management"] = self.risk_management_agent(stock_info, indicators)

app.py

@@ -510,22 +510,39 @@ def run_stock_analysis(symbol, period):
         financial_data = fetcher.get_financial_data(symbol)
         progress_bar.progress(35)
         
-        # 3. 初始化AI分析系统
+        # 3. 获取资金流向数据（仅A股）
+        fund_flow_data = None
+        if fetcher._is_chinese_stock(symbol):
+            status_text.text("💰 正在获取资金流向数据（问财）...")
+            try:
+                fund_flow_data = fetcher.get_fund_flow_data(symbol)
+                if fund_flow_data and fund_flow_data.get('query_success'):
+                    st.info("✅ 成功获取问财资金流向数据")
+                else:
+                    st.warning("⚠️ 未能获取问财资金流向数据，将基于技术指标进行资金面分析")
+            except Exception as e:
+                st.warning(f"⚠️ 获取资金流向数据时出错: {str(e)}")
+                fund_flow_data = None
+        else:
+            st.info("ℹ️ 美股暂不支持问财资金流向数据")
+        progress_bar.progress(40)
+        
+        # 4. 初始化AI分析系统
         status_text.text("🤖 正在初始化AI分析系统...")
         # 使用选择的模型
         selected_model = st.session_state.get('selected_model', 'deepseek-chat')
         agents = StockAnalysisAgents(model=selected_model)
         progress_bar.progress(45)
         
-        # 4. 运行多智能体分析
+        # 5. 运行多智能体分析（传入资金流向数据）
         status_text.text("🔍 AI分析师团队正在分析...")
-        agents_results = agents.run_multi_agent_analysis(stock_info, stock_data, indicators, financial_data)
+        agents_results = agents.run_multi_agent_analysis(stock_info, stock_data, indicators, financial_data, fund_flow_data)
         progress_bar.progress(70)
         
         # 显示各分析师报告
         display_agents_analysis(agents_results)
         
-        # 5. 团队讨论
+        # 6. 团队讨论
         status_text.text("🤝 分析团队正在讨论...")
         discussion_result = agents.conduct_team_discussion(agents_results, stock_info)
         progress_bar.progress(85)
@@ -533,7 +550,7 @@ def run_stock_analysis(symbol, period):
         # 显示团队讨论
         display_team_discussion(discussion_result)
         
-        # 6. 最终决策
+        # 7. 最终决策
         status_text.text("📋 正在制定最终投资决策...")
         final_decision = agents.make_final_decision(discussion_result, stock_info, indicators)
         progress_bar.progress(100)

deepseek_client.py

@@ -206,39 +206,110 @@ class DeepSeekClient:
         
         return self.call_api(messages)
     
-    def fund_flow_analysis(self, stock_info: Dict, indicators: Dict) -> str:
+    def fund_flow_analysis(self, stock_info: Dict, indicators: Dict, fund_flow_data: Dict = None) -> str:
         """资金面分析"""
+        
+        # 构建资金流向数据部分 - 直接使用问财原始数据
+        fund_flow_section = ""
+        if fund_flow_data and fund_flow_data.get('query_success'):
+            raw_data = fund_flow_data.get('raw_data', {})
+            
+            if raw_data:
+                fund_flow_section = "\n【问财资金流向完整数据（近20个交易日）】\n"
+                fund_flow_section += f"数据来源：同花顺问财\n"
+                fund_flow_section += f"股票名称：{fund_flow_data.get('stock_name', 'N/A')}\n"
+                fund_flow_section += f"股票代码：{fund_flow_data.get('stock_code', 'N/A')}\n\n"
+                
+                # 将所有问财返回的数据都列出来，让AI自己分析
+                for key, value in raw_data.items():
+                    # 跳过股票代码和名称（已经显示过了）
+                    if key in ['股票代码', '股票简称', 'code', 'name']:
+                        continue
+                    fund_flow_section += f"- {key}: {value}\n"
+                
+                fund_flow_section += "\n以上是问财返回的所有资金流向相关数据，请仔细分析这些数据的含义和相互关系。\n"
+            else:
+                fund_flow_section = "\n【资金流向数据】\n注意：问财返回数据为空。\n"
+        else:
+            fund_flow_section = "\n【资金流向数据】\n注意：未能获取到问财资金流向数据，将基于成交量进行分析。\n"
+        
         prompt = f"""
-你是一名资深的资金面分析师。请基于以下信息进行专业的资金面分析：
+你是一名资深的资金面分析师，擅长从资金流向数据中洞察主力行为和市场趋势。
 
-股票信息：
+【基本信息】
-- 股票代码：{stock_info.get('symbol', 'N/A')}
+股票代码：{stock_info.get('symbol', 'N/A')}
-- 股票名称：{stock_info.get('name', 'N/A')}
+股票名称：{stock_info.get('name', 'N/A')}
-- 当前价格：{stock_info.get('current_price', 'N/A')}
+当前价格：{stock_info.get('current_price', 'N/A')}
-- 市值：{stock_info.get('market_cap', 'N/A')}
+市值：{stock_info.get('market_cap', 'N/A')}
 
-资金相关指标：
+【技术指标】
 - 量比：{indicators.get('volume_ratio', 'N/A')}
 - 当前成交量与5日均量比：{indicators.get('volume_ratio', 'N/A')}
+{fund_flow_section}
 
-请从以下角度进行分析：
+【分析要求】
-1. 成交量变化分析
-2. 资金流入流出趋势
-3. 大单、中单、小单资金行为
-4. 主力资金动向分析
-5. 市场情绪和资金偏好
-6. 流动性分析
-7. 资金面对股价的支撑或压力
 
-请结合当前市场资金环境，给出专业的资金面分析报告。
+请你**仔细阅读上述问财返回的所有数据字段**，自己识别和提取关键信息，然后从以下角度进行深入分析：
+
+1. **数据解读与提取**（重要！）
+   - 识别哪些字段是资金流向相关数据（如：区间资金流向、主力资金、大单、中单、小单等）
+   - 提取关键数值（注意单位：元、亿元、百分比等）
+   - 计算主力资金占比、不同类型资金的比例关系
+   - 识别涨跌幅、换手率等关联指标
+
+2. **资金流向趋势分析**
+   - 近20日总资金流向趋势（净流入/净流出，金额多少）
+   - 资金流向与股价涨跌的关系（是否同向）
+   - 资金流向的强度评估
+
+3. **主力资金行为分析**（核心重点）
+   - 主力资金流向方向和规模
+   - 主力资金占比情况（控盘程度）
+   - 主力操作意图研判（吸筹/派发/洗盘/拉升）
+   - 主力与散户资金的博弈态势
+   - 大单、中单、小单的分布特征
+
+4. **资金结构分析**
+   - 不同类型资金的流向（超大单、大单、中单、小单）
+   - 机构资金与散户资金的对比
+   - 资金集中度分析
+
+5. **量价关系分析**
+   - 资金流向与股价涨跌的配合
+   - 量价背离情况识别
+   - 成交活跃度评估
+
+6. **资金面与技术面结合**
+   - 资金流向对关键技术位的影响
+   - 资金推动与股价趋势的一致性
+   - 资金面对未来走势的指示作用
+
+7. **风险与机会评估**
+   - 资金面的风险信号（如主力出逃、资金外流）
+   - 资金面的机会信号（如主力建仓、资金集中流入）
+   - 未来资金流向预判
+
+8. **投资建议**
+   - 基于资金面的明确操作建议
+   - 买入/持有/卖出的判断依据
+   - 仓位管理建议
+
+【分析原则】
+- 主力资金持续流入 + 股价上涨 → 强势信号，主力看好
+- 主力资金流出 + 股价上涨 → 警惕信号，可能是散户接盘
+- 主力资金流入 + 股价下跌 → 可能是主力低位吸筹
+- 主力资金流出 + 股价下跌 → 弱势信号，主力看空
+- 注意区分短期波动与趋势性变化
+
+请给出专业、详细、有深度的资金面分析报告。记住：要基于问财数据的实际内容进行分析，而不是假设！
 """
         
         messages = [
-            {"role": "system", "content": "你是一名经验丰富的资金面分析师，擅长市场资金流向和主力行为分析。"},
+            {"role": "system", "content": "你是一名经验丰富的资金面分析师，擅长市场资金流向和主力行为分析，能够深入解读资金数据背后的投资逻辑。"},
             {"role": "user", "content": prompt}
         ]
         
-        return self.call_api(messages)
+        return self.call_api(messages, max_tokens=3000)
     
     def comprehensive_discussion(self, technical_report: str, fundamental_report: str, 
                                fund_flow_report: str, stock_info: Dict) -> str:

requirements.txt

@@ -12,3 +12,4 @@ ta>=0.10.2
 reportlab>=4.0.0
 peewee>=3.17.0
 schedule>=1.2.0
+pywencai>=0.7.0

stock_data.py

@@ -6,6 +6,7 @@ import ta
 from datetime import datetime, timedelta
 import requests
 import json
+import pywencai
 
 class StockDataFetcher:
     """股票数据获取类"""
@@ -545,3 +546,163 @@ class StockDataFetcher:
         except Exception as e:
             print(f"获取美股财务数据失败: {e}")
             return financial_data
+    
+    def get_fund_flow_data(self, symbol):
+        """使用问财获取资金流向数据
+        
+        Args:
+            symbol: 股票代码（6位数字）
+            
+        Returns:
+            dict: 包含问财原始数据的字典
+        """
+        fund_flow_data = {
+            "symbol": symbol,
+            "query_success": False,
+            "raw_data": None,  # 存储原始数据
+            "data_source": "pywencai"
+        }
+        
+        # 只支持中国股票
+        if not self._is_chinese_stock(symbol):
+            fund_flow_data["error"] = "问财数据仅支持中国A股股票"
+            return fund_flow_data
+        
+        try:
+            # 构建问句，查询近20个交易日的资金流向数据
+            query = f"{symbol}近20个交易日区间资金流向、区间主力资金流向、区间涨跌幅"
+            
+            print(f"正在使用问财查询资金流向数据: {query}")
+            
+            # 使用pywencai查询
+            result = pywencai.get(query=query, loop=True)
+            
+            # 调试：打印result的类型
+            print(f"问财返回的数据类型: {type(result)}")
+            
+            # 处理不同类型的返回结果，统一转换为DataFrame
+            df_result = None
+            
+            if result is None:
+                fund_flow_data["error"] = "问财查询返回None"
+                print(f"问财查询返回None")
+            elif isinstance(result, dict):
+                # 如果返回的是字典，转换为DataFrame
+                print(f"问财返回字典，转换为DataFrame")
+                try:
+                    df_result = pd.DataFrame([result])
+                    print(f"成功转换，形状: {df_result.shape}")
+                except Exception as e:
+                    fund_flow_data["error"] = f"无法转换为DataFrame: {str(e)}"
+                    print(f"转换失败: {e}")
+            elif isinstance(result, pd.DataFrame):
+                # 如果已经是DataFrame
+                df_result = result
+                print(f"问财返回DataFrame，形状: {df_result.shape}")
+            else:
+                fund_flow_data["error"] = f"问财返回了未知类型: {type(result)}"
+                print(f"问财返回未知类型: {type(result)}")
+            
+            # 如果成功获取到DataFrame
+            if df_result is not None and not df_result.empty and len(df_result) > 0:
+                # 打印列名以便调试
+                print(f"问财返回的列名: {df_result.columns.tolist()}")
+                
+                # 检查是否是嵌套结构（tableV1字段包含实际数据）
+                if 'tableV1' in df_result.columns and len(df_result.columns) == 1:
+                    print(f"检测到嵌套结构，提取tableV1中的数据")
+                    table_v1_data = df_result.iloc[0]['tableV1']
+                    
+                    # 检查tableV1的类型
+                    print(f"tableV1的类型: {type(table_v1_data)}")
+                    
+                    if isinstance(table_v1_data, pd.DataFrame):
+                        # 如果是DataFrame，直接使用
+                        df_result = table_v1_data
+                        print(f"提取后的DataFrame形状: {df_result.shape}")
+                        print(f"提取后的列名: {df_result.columns.tolist()}")
+                    elif isinstance(table_v1_data, list) and len(table_v1_data) > 0:
+                        # 如果是列表，转换为DataFrame
+                        df_result = pd.DataFrame(table_v1_data)
+                        print(f"从列表转换的DataFrame形状: {df_result.shape}")
+                        print(f"从列表转换的列名: {df_result.columns.tolist()}")
+                    else:
+                        fund_flow_data["error"] = f"tableV1数据类型不支持: {type(table_v1_data)}"
+                        print(f"tableV1数据类型不支持: {type(table_v1_data)}")
+                        return fund_flow_data
+                
+                # 再次检查是否有数据
+                if df_result is None or df_result.empty or len(df_result) == 0:
+                    fund_flow_data["error"] = "提取后的数据为空"
+                    print(f"提取后的数据为空")
+                    return fund_flow_data
+                
+                # 获取第一条记录
+                data = df_result.iloc[0]
+                
+                # 标记查询成功
+                fund_flow_data["query_success"] = True
+                fund_flow_data["stock_name"] = str(data.get('股票简称', data.get('name', 'N/A')))
+                fund_flow_data["stock_code"] = str(data.get('股票代码', data.get('code', symbol)))
+                
+                # 将所有数据转换为字典格式（方便AI阅读）
+                raw_data_dict = {}
+                for col in df_result.columns:
+                    value = data.get(col)
+                    # 转换为易读的格式
+                    try:
+                        if value is None or (isinstance(value, float) and pd.isna(value)):
+                            raw_data_dict[col] = "N/A"
+                        elif isinstance(value, (int, float)):
+                            # 如果是大数字（可能是金额），转换为亿元
+                            if abs(value) > 100000000:
+                                raw_data_dict[col] = f"{value} ({value/100000000:.2f}亿元)"
+                            else:
+                                raw_data_dict[col] = value
+                        elif isinstance(value, pd.DataFrame):
+                            # 如果值本身是DataFrame，跳过
+                            continue
+                        else:
+                            raw_data_dict[col] = str(value)
+                    except Exception as e:
+                        print(f"处理字段 {col} 时出错: {e}")
+                        raw_data_dict[col] = str(value)
+                
+                fund_flow_data["raw_data"] = raw_data_dict
+                fund_flow_data["columns"] = df_result.columns.tolist()
+                
+                print(f"成功获取 {symbol} 的问财数据，共 {len(raw_data_dict)} 个字段")
+            else:
+                fund_flow_data["error"] = "问财查询返回空数据"
+                print(f"问财查询返回空数据")
+                
+        except Exception as e:
+            fund_flow_data["error"] = f"获取资金流向数据失败: {str(e)}"
+            print(f"获取资金流向数据异常: {e}")
+            import traceback
+            traceback.print_exc()
+        
+        return fund_flow_data
+    
+    def _safe_convert(self, value):
+        """安全地转换数值"""
+        if value is None or value == '' or (isinstance(value, float) and np.isnan(value)):
+            return 'N/A'
+        try:
+            if isinstance(value, str):
+                # 移除百分号和逗号
+                value = value.replace('%', '').replace(',', '')
+                return float(value)
+            return value
+        except:
+            return value
+    
+    def _calculate_main_fund_ratio(self, main_fund, total_fund):
+        """计算主力资金占比"""
+        try:
+            if main_fund != 'N/A' and total_fund != 'N/A' and total_fund != 0:
+                ratio = (main_fund / total_fund) * 100
+                return f"{ratio:.2f}%"
+        except:
+            pass
+        return 'N/A'

资金流向功能说明.md

@@ -0,0 +1,302 @@
+# 资金流向功能集成说明
+
+## 概述
+
+本次更新成功引入了 `pywencai`（问财）库，为资金面分析师提供真实的资金流向数据支撑，包括近20个交易日的区间资金流向、区间主力资金流向和区间涨跌幅数据。
+
+## 功能特点
+
+### 1. 数据来源
+- **数据源**：同花顺问财（pywencai）
+- **数据范围**：近20个交易日
+- **支持市场**：仅支持中国A股（美股暂不支持）
+
+### 2. 获取的数据指标
+
+问财资金流向数据包括：
+
+- **区间资金流向**
+  - 总资金流向（元）
+  - 总资金流向（亿元）
+
+- **区间主力资金流向**
+  - 主力资金流向（元）
+  - 主力资金流向（亿元）
+  - 主力资金占比（%）
+
+- **区间涨跌幅**
+  - 近20日涨跌幅（%）
+
+- **额外资金数据**（根据问财返回的数据动态提取）
+  - 可能包含大单、中单、小单资金流向
+  - 其他资金相关指标
+
+## 代码改动说明
+
+### 1. requirements.txt
+添加了 `pywencai>=0.7.0` 依赖。
+
+### 2. stock_data.py
+新增方法：
+- `get_fund_flow_data(symbol)`: 使用问财获取资金流向数据
+- `_safe_convert(value)`: 安全地转换数值
+- `_calculate_main_fund_ratio(main_fund, total_fund)`: 计算主力资金占比
+
+### 3. deepseek_client.py
+修改了 `fund_flow_analysis` 方法：
+- 新增 `fund_flow_data` 参数
+- 将问财数据整合到分析提示词中
+- 增强了资金面分析的维度和深度
+
+分析维度包括：
+1. 资金流向趋势分析
+2. 主力资金行为分析
+3. 成交量变化分析
+4. 资金面与技术面结合
+5. 市场情绪和资金偏好
+6. 资金面风险与机会
+7. 投资建议
+
+### 4. ai_agents.py
+修改了 `fund_flow_analyst_agent` 方法：
+- 新增 `fund_flow_data` 参数
+- 在分析结果中保存资金流向数据
+- 添加数据来源提示信息
+
+修改了 `run_multi_agent_analysis` 方法：
+- 新增 `fund_flow_data` 参数
+- 将资金流向数据传递给资金面分析师
+
+### 5. app.py
+在 `run_stock_analysis` 函数中：
+- 添加获取资金流向数据的步骤
+- 仅对A股股票获取问财数据
+- 显示数据获取状态提示
+- 将数据传递给AI分析系统
+
+## 使用方法
+
+### 安装依赖
+
+```bash
+pip install pywencai>=0.7.0
+```
+
+或者重新安装所有依赖：
+
+```bash
+pip install -r requirements.txt
+```
+
+### 运行系统
+
+```bash
+streamlit run app.py
+```
+
+### 分析A股股票
+
+1. 在输入框中输入A股代码（如 `600519`、`000001`）
+2. 点击"开始分析"按钮
+3. 系统会自动：
+   - 获取股票基本信息
+   - 获取技术指标数据
+   - 获取财务数据
+   - **获取问财资金流向数据**（新增）
+   - 调用AI分析师团队进行分析
+4. 在"资金面分析师"标签页查看基于真实资金流向数据的分析报告
+
+### 分析美股
+
+- 美股暂不支持问财资金流向数据
+- 资金面分析师将基于技术指标进行分析
+- 系统会显示"ℹ️ 美股暂不支持问财资金流向数据"提示
+
+## 数据解读
+
+### 主力资金行为判断
+
+资金面分析师会结合以下情况进行分析：
+
+1. **主力资金持续流入 + 股价上涨**
+   - 说明主力看好后市
+   - 资金推动股价上涨
+   - 是较强的买入信号
+
+2. **主力资金流出 + 股价上涨**
+   - 需警惕散户接盘风险
+   - 可能是主力出货
+   - 上涨动力不足
+
+3. **主力资金流入 + 股价下跌**
+   - 可能是主力在低位吸筹
+   - 或是市场整体弱势
+   - 需结合其他指标判断
+
+4. **主力资金流出 + 股价下跌**
+   - 主力看空
+   - 卖出压力大
+   - 应回避或止损
+
+### 主力资金占比
+
+- **占比 > 70%**: 主力高度控盘
+- **占比 50-70%**: 主力参与度较高
+- **占比 30-50%**: 主力参与适中
+- **占比 < 30%**: 散户为主导
+
+## 注意事项
+
+1. **网络要求**
+   - pywencai 需要访问同花顺问财网站
+   - 确保网络连接正常
+   - 可能受到访问频率限制
+
+2. **数据时效性**
+   - 资金流向数据为T-1数据（前一交易日）
+   - 非实时数据
+
+3. **异常处理**
+   - 如果问财数据获取失败，系统会自动降级
+   - 资金面分析师将基于技术指标进行分析
+   - 不会影响其他分析师的正常工作
+
+4. **仅支持A股**
+   - 问财数据仅支持中国A股
+   - 美股、港股暂不支持
+
+## 示例查询
+
+问财使用的查询语句格式：
+```
+{股票代码}近20个交易日区间资金流向、区间主力资金流向、区间涨跌幅
+```
+
+例如：
+- `600519近20个交易日区间资金流向、区间主力资金流向、区间涨跌幅`
+- `000001近20个交易日区间资金流向、区间主力资金流向、区间涨跌幅`
+
+## 效果展示
+
+### 分析流程提示
+```
+📈 正在获取股票数据...
+📊 正在获取财务数据...
+💰 正在获取资金流向数据（问财）...
+✅ 成功获取问财资金流向数据
+🤖 正在初始化AI分析系统...
+🔍 AI分析师团队正在分析...
+💰 资金面分析师正在分析中...
+   ✓ 已获取问财资金流向数据
+```
+
+### 资金面分析报告示例
+资金面分析师将基于以下数据进行分析：
+
+```
+【问财资金流向数据（近20个交易日）】
+区间资金流向：
+- 总资金流向：12345678900 元
+- 总资金流向（亿元）：123.46 亿元
+
+主力资金流向：
+- 主力资金流向：9876543210 元  
+- 主力资金流向（亿元）：98.77 亿元
+- 主力资金占比：80.00%
+
+区间涨跌幅：
+- 近20日涨跌幅：15.23%
+```
+
+## 故障排查
+
+### 常见问题
+
+#### 1. 提示 "'dict' object has no attribute 'empty'"
+
+**原因**：pywencai.get() 返回了字典而不是DataFrame
+
+**解决方案**：已在最新版本中修复，代码会自动检测返回类型并处理
+
+#### 2. 提示 "问财查询返回None"
+
+**原因**：
+- 网络连接问题
+- 问财服务暂时不可用
+- 查询语句不符合问财格式
+
+**解决方案**：
+- 检查网络连接
+- 稍后重试
+- 查看控制台输出的详细错误信息
+
+#### 3. 提示 "未能获取问财资金流向数据"
+
+**原因**：
+- 问财API访问限制
+- 股票代码不存在或停牌
+- 数据暂时不可用
+
+**解决方案**：
+- 系统会自动降级到技术指标分析
+- 不影响其他分析功能
+- 可以尝试其他股票代码
+
+### 测试脚本
+
+使用测试脚本快速验证功能：
+
+```bash
+python test_fund_flow.py
+```
+
+测试脚本会：
+1. 测试多只股票的资金流向数据获取
+2. 显示详细的调试信息
+3. 打印完整的返回数据
+
+### 调试信息
+
+运行时会输出以下调试信息：
+
+```
+正在使用问财查询资金流向数据: 002241近20个交易日区间资金流向、区间主力资金流向、区间涨跌幅
+问财返回的数据类型: <class 'dict'> 或 <class 'pandas.DataFrame'>
+问财返回DataFrame，形状: (1, 10)
+问财返回的列名: ['股票代码', '股票简称', '区间资金流向', ...]
+找到的列名 - 资金流向: 区间资金流向, 主力资金: 区间主力资金流向, 涨跌幅: 区间涨跌幅
+成功获取 002241 的资金流向数据
+```
+
+### 版本兼容性
+
+- **pywencai >= 0.7.0**：支持最新的问财API
+- **pandas >= 2.0.3**：数据处理
+- **Python >= 3.8**：推荐使用Python 3.10+
+
+## 技术支持
+
+如遇到问题，可：
+
+1. **查看日志**：运行时会在控制台输出详细的调试信息
+2. **运行测试脚本**：使用 `test_fund_flow.py` 独立测试
+3. **检查依赖**：确保 pywencai 版本正确
+4. **网络检查**：确保可以访问同花顺问财
+5. **股票代码**：确认是6位数字的A股代码
+
+## 未来优化方向
+
+1. 支持更多时间周期的资金流向数据
+2. 增加资金流向的可视化图表
+3. 支持资金流向的历史趋势分析
+4. 尝试集成其他数据源（如东方财富）
+5. 探索美股资金流向数据来源
+
+## 更新日期
+
+2025年10月6日
+
+## 作者
+
+AI股票分析系统开发团队
+

资金流向功能说明_v2.md

@@ -0,0 +1,316 @@
+# 资金流向功能说明 v2.0
+
+## 🎯 设计理念（重大改进）
+
+### v2.0 的核心改变
+
+**从"手动提取"到"AI智能分析"**
+
+- ❌ **旧方法**：代码硬编码提取特定字段（区间资金流向、主力资金流向等）
+- ✅ **新方法**：将问财返回的**所有原始数据**直接喂给AI，让AI自己识别、提取和分析
+
+### 为什么这样更好？
+
+1. **更简单**：不需要手动匹配列名，代码更简洁
+2. **更灵活**：问财字段变化时不需要修改代码
+3. **更智能**：AI可以发现我们没想到的数据关联
+4. **更全面**：不会遗漏任何有价值的数据
+5. **更强大**：AI能理解数据的深层含义和相互关系
+
+## 📊 工作流程
+
+```
+问财查询 → 获取所有原始数据 → 格式化为易读文本 → 喂给AI分析师 → 生成专业报告
+```
+
+### 详细流程
+
+1. **查询问财**
+   - 问句：`{股票代码}近20个交易日区间资金流向、区间主力资金流向、区间涨跌幅`
+   - 返回：DataFrame 或 字典
+
+2. **数据处理**（`stock_data.py`）
+   - 统一转换为 DataFrame
+   - 提取所有字段和数值
+   - 大数字自动转换为亿元显示
+   - 保存为易读的字典格式
+
+3. **数据传递**（`ai_agents.py`）
+   - 将原始数据传递给资金面分析师
+   - 不做任何过滤或筛选
+
+4. **AI分析**（`deepseek_client.py`）
+   - AI收到所有问财数据
+   - AI自己识别关键字段
+   - AI自己提取数值
+   - AI自己计算比例关系
+   - AI基于实际数据生成分析报告
+
+## 🔧 代码改动说明
+
+### 1. stock_data.py - 简化数据获取
+
+```python
+def get_fund_flow_data(self, symbol):
+    """获取问财数据 - 返回所有原始数据"""
+    
+    # 查询问财
+    result = pywencai.get(query=query, loop=True)
+    
+    # 转换为DataFrame
+    df_result = pd.DataFrame([result]) if isinstance(result, dict) else result
+    
+    # 提取所有数据
+    raw_data_dict = {}
+    for col in df_result.columns:
+        value = data.get(col)
+        # 大数字转换为亿元便于阅读
+        if abs(value) > 100000000:
+            raw_data_dict[col] = f"{value} ({value/100000000:.2f}亿元)"
+        else:
+            raw_data_dict[col] = value
+    
+    # 返回所有原始数据
+    return {
+        "query_success": True,
+        "raw_data": raw_data_dict,
+        "columns": df_result.columns.tolist()
+    }
+```
+
+**关键点**：
+- ✅ 不手动提取特定字段
+- ✅ 保留所有问财返回的数据
+- ✅ 只做格式化，不做数据筛选
+
+### 2. deepseek_client.py - AI智能分析
+
+```python
+def fund_flow_analysis(self, stock_info, indicators, fund_flow_data):
+    """资金面分析 - 让AI自己分析所有数据"""
+    
+    # 构建包含所有原始数据的提示词
+    raw_data = fund_flow_data.get('raw_data', {})
+    
+    fund_flow_section = "\n【问财资金流向完整数据】\n"
+    for key, value in raw_data.items():
+        fund_flow_section += f"- {key}: {value}\n"
+    
+    prompt = f"""
+    你是资金面分析师。
+    
+    以下是问财返回的所有数据：
+    {fund_flow_section}
+    
+    请你：
+    1. 自己识别哪些是资金流向字段
+    2. 自己提取关键数值
+    3. 自己计算占比和关系
+    4. 基于实际数据进行分析
+    
+    给出专业的资金面分析报告。
+    """
+```
+
+**关键点**：
+- ✅ 将所有数据都给AI
+- ✅ 明确要求AI自己提取和分析
+- ✅ 强调基于实际数据而非假设
+
+## 💡 使用示例
+
+### 问财返回的数据示例
+
+```
+【问财资金流向完整数据（近20个交易日）】
+数据来源：同花顺问财
+股票名称：歌尔股份
+股票代码：002241
+
+- 近20个交易日区间资金流向[20240101]: 12345678900 (123.46亿元)
+- 近20个交易日区间主力资金流向[20240101]: 9876543210 (98.77亿元)
+- 近20个交易日区间涨跌幅[20240101]: 15.23
+- 近20个交易日区间大单净流入[20240101]: 5000000000 (50.00亿元)
+- 近20个交易日区间中单净流入[20240101]: 2000000000 (20.00亿元)
+- 近20个交易日区间小单净流入[20240101]: -3000000000 (-30.00亿元)
+- 近20个交易日区间换手率[20240101]: 45.6
+...（所有其他字段）
+
+以上是问财返回的所有资金流向相关数据，请仔细分析这些数据的含义和相互关系。
+```
+
+### AI分析师的工作
+
+AI会自动：
+1. 识别出"区间资金流向"、"主力资金流向"等关键字段
+2. 提取数值并注意单位（亿元）
+3. 计算主力资金占比 = 98.77 / 123.46 = 80%
+4. 分析大单、中单、小单的分布
+5. 结合涨跌幅判断资金效率
+6. 给出主力行为判断（吸筹/派发/洗盘等）
+
+## ✅ 优势总结
+
+### 技术优势
+
+1. **代码简洁**
+   - 数据获取逻辑从 ~200行 减少到 ~100行
+   - 不需要维护字段映射表
+   - 不需要处理列名变化
+
+2. **容错性强**
+   - 问财字段名变化？没关系，AI会自己找
+   - 新增字段？自动包含在分析中
+   - 缺失字段？AI会注意到并说明
+
+3. **扩展性好**
+   - 要分析更多维度？直接改查询语句
+   - 要调整分析角度？修改AI提示词
+   - 要支持新数据源？只需统一格式
+
+### 分析优势
+
+1. **更全面**
+   - 不会遗漏任何字段
+   - AI能发现数据间的隐藏关联
+   - 可以分析我们没想到的角度
+
+2. **更智能**
+   - AI理解数据的业务含义
+   - 自动识别异常值
+   - 能做出逻辑推理
+
+3. **更灵活**
+   - 不同股票可能有不同字段，AI都能处理
+   - 可以根据实际数据调整分析重点
+   - 能适应各种数据格式
+
+## 🧪 测试方法
+
+### 运行测试脚本
+
+```bash
+python test_fund_flow.py
+```
+
+### 预期输出
+
+```
+正在使用问财查询资金流向数据: 002241近20个交易日区间资金流向、区间主力资金流向、区间涨跌幅
+问财返回的数据类型: <class 'dict'>
+问财返回字典，转换为DataFrame
+成功转换，形状: (1, 25)
+问财返回的列名: ['股票代码', '股票简称', '近20个交易日区间资金流向[20240101]', ...]
+成功获取 002241 的问财数据，共 23 个字段
+
+✅ 成功获取问财数据
+
+【基本信息】
+股票简称: 歌尔股份
+股票代码: 002241
+数据字段数量: 23 个
+
+【问财返回的所有字段】
+  1. 股票代码
+  2. 股票简称
+  3. 近20个交易日区间资金流向[20240101]
+  4. 近20个交易日区间主力资金流向[20240101]
+  5. 近20个交易日区间涨跌幅[20240101]
+  ...
+
+【问财原始数据】
+  近20个交易日区间资金流向[20240101]: 12345678900 (123.46亿元)
+  近20个交易日区间主力资金流向[20240101]: 9876543210 (98.77亿元)
+  近20个交易日区间涨跌幅[20240101]: 15.23
+  ...
+```
+
+## 🎯 最佳实践
+
+### 查询语句优化
+
+可以根据需要调整问财查询语句，获取更多数据：
+
+```python
+# 基础查询
+query = f"{symbol}近20个交易日区间资金流向、区间主力资金流向、区间涨跌幅"
+
+# 扩展查询（获取更多维度）
+query = f"{symbol}近20个交易日区间资金流向、区间主力资金流向、区间大单净流入、区间中单净流入、区间小单净流入、区间换手率、区间涨跌幅"
+```
+
+AI会自动分析所有返回的字段！
+
+### AI提示词优化
+
+如果需要特别关注某些方面，可以在提示词中强调：
+
+```python
+prompt = f"""
+{fund_flow_section}
+
+请特别关注：
+1. 主力资金的进出节奏
+2. 大单与中小单的博弈
+3. 资金流向与股价的背离情况
+
+基于以上数据进行深度分析...
+"""
+```
+
+## 🔄 版本对比
+
+| 特性 | v1.0（手动提取） | v2.0（AI智能） |
+|------|----------------|----------------|
+| 代码行数 | ~200行 | ~100行 |
+| 字段匹配 | 硬编码 | AI自动识别 |
+| 列名变化 | 需修改代码 | 无需修改 |
+| 新增字段 | 需添加代码 | 自动包含 |
+| 分析深度 | 预定义 | AI自主判断 |
+| 容错能力 | 弱 | 强 |
+| 扩展性 | 差 | 好 |
+
+## 📝 注意事项
+
+1. **数据质量依赖问财**
+   - 如果问财返回数据不完整，AI会指出缺失
+   - 如果问财数据异常，AI会识别并说明
+
+2. **AI理解能力**
+   - 使用 DeepSeek 等高质量模型效果更好
+   - 提示词要明确，避免AI假设数据
+
+3. **数据格式**
+   - 大数字自动转为亿元显示，便于AI理解
+   - 保留原始数值供AI精确计算
+
+## 🚀 未来优化方向
+
+1. **多时间周期**
+   - 同时获取5日、10日、20日数据
+   - AI分析资金流向的时间趋势
+
+2. **数据对比**
+   - 与同行业股票对比
+   - 与大盘资金流向对比
+
+3. **可视化**
+   - 生成资金流向图表
+   - AI基于图表进行分析
+
+4. **实时监控**
+   - 定期查询资金流向
+   - AI识别异常资金变化
+
+## 更新日期
+
+2025年10月6日 - v2.0
+
+## 作者
+
+AI股票分析系统开发团队
+
+---
+
+**结论**：v2.0 通过"让AI自己分析"的设计理念，实现了更简单、更智能、更强大的资金面分析功能！🎉
+