我如何使用 Notion MCP 筛选 5,000+ 股票并撰写 AI 研究报告

Source: Dev.to

这是一篇提交给 Notion MCP 挑战赛 的作品。

我构建的内容

StockPulse 是一个全由 Notion 构建的 AI 驱动的印度股票情报平台。
它通过充当一个中心化、有人类参与的研究枢纽，解决了分散的金融数据问题。

1. 一个 Python 数据管道从 NSE 和 BSE（印度证券交易所）获取每日价格和交割数据。
2. 该管道对 5,000+ 只股票 进行严格、经过实战检验的 12 条基本面筛选条件。
3. 通过 模型上下文协议（Model Context Protocol，MCP），StockPulse 让 AI 助手（如 Claude）读取筛选后的数据，识别异常，分析基本面，并直接在 Notion 数据库中撰写完整的研究报告。

视频演示
（Notion 页面）：

StockPulse India 📈

在 Notion 上的 AI 驱动的印度股票情报平台 —— 为 Notion MCP 挑战赛 而建。

StockPulse 从 NSE 与 BSE 获取每日价格和交割数据，使用 12 条经过实战检验的基本面条件 对 5,000+ 只股票 进行筛选，并利用 AI 代理（通过 Notion MCP） 生成研究报告、检测异常以及维护智能观察名单——所有内容都集中在 Notion 中。

功能概述

• 数据管道 – 下载 NSE/BSE 的 BhavCopy 与交割数据，或从预先构建的 Excel 工作簿读取。
• 12 条条件筛选器 – 根据盈利能力（PE、EPS）、增长（销售、利润同比）、治理（创始人质押）以及财务健康（负债/股本、流动比率、ROCE）过滤股票。
• Notion 作为唯一真相来源 – 五个关联数据库：Stocks Master、Daily Prices、Screener Results、Watchlist、AI Reports。
• 通过 MCP 的 AI 智能 – MCP 服务器向 AI 代理公开工具，以便：
  • 查询已筛选的股票，
  • 分析基本面，
  • 检测异常，
  • 撰写研究报告，
  • 管理观察名单。

我是如何使用 Notion MCP 的

Notion 是本项目的唯一真相来源，分为上述五个关联数据库。

我使用 FastMCP 构建了一个自定义的 Python MCP 服务器（mcp_server.py），向 AI 模型公开特定的股票情报工具。与其让 AI 直接访问原始、未结构化的 Notion 数据，不如提供专门构建的工具：

# mcp_server.py (excerpt)
def get_screened_stocks():
    """Fetch companies passing the 12 fundamental conditions."""
    ...

def write_analysis_report(report_md: str, stock_id: str):
    """Publish a fully formatted markdown research report into the AI Reports database."""
    ...

def add_to_watchlist(stock_id: str):
    """Add a stock to the user's watchlist."""
    ...

def update_stock_ai_rating(stock_id: str, rating: str):
    """Update the AI‑generated rating (Strong Buy, Hold, Avoid)."""
    ...

该工作流释放了强大的自动化能力：

1. Python 管道 在本地处理硬核数据。
2. Notion 优雅地组织这些数据。
3. Notion MCP 让 AI 能动态推理数据并记录其发现，供用户审阅。