AI Agent接入金融数据踩坑实录：MCP实战三阶段修复方案

我一直在把 AI 助手接入那些必须保证正确性的系统，而金融数据是出问题最快的领域。"差不多对"对于聊天机器人来说没问题，但对于别人用来报税的数字来说就不行了。

这里是我实际遇到的三个问题，按顺序排列，以及每个问题的解决方案。没有哪个方案是特别 exotic 的——但顺序很重要，因为每个问题都会引出下一个。

问题一：模型会自信地编造数字

第一个版本直接去问模型。"$4,180 的 GST 是多少？"它立刻给出了答案，看起来没问题。但它在门槛上微妙地错了，而且更糟糕的是——它完全不知道自己是错的。

这是直接使用原始 LLM 处理事实类问题的根本缺陷：它从有截止日期的训练数据中给出答案，而且它无法告诉你这个数据有多新。对于任何受监管的事项，光这一点就足以让它不合格。

解决方案：别让模型去记忆，让它去查。这就是 MCP（Model Context Protocol）的用武之地——这是一个开放标准，让助手可以在提问时调用工具。我让它指向一个公开的税务服务器，而不是依赖记忆：

{ "mcpServers": { "tax": { "url": "https://taxmcp.ai2fin.com" } } }

现在助手从定义的来源获取数字，而不是凭空编造。每次运行的数字不再漂移——这是它变成真实数据的第一个信号。

问题二：我无法分辨真实答案和侥幸猜中

接地（Grounding）解决了准确性，但带来了一个更微妙的问题：无论答案是来自工具还是模型填补空白，看起来都一样。如果某个调用悄无声息地失败了，模型临时编造了一个答案，我完全没有办法发现。

解决方案：要求每个字段都有来源证明，没有来源的答案一律拒绝。我使用的服务器在每个响应中都会返回来源机构和验证日期：

> income_tax_estimate { country: "AU", income: 95000 }
< { incomeTax: ..., takeHome: ...,
    source: "ATO — ato.gov.au", dataVerifiedOn: "2026-06-01" }

所以我的规则变成了：如果一个数字到达时没有 source 和 dataVerifiedOn，就不会展示给用户。这一项检查把"模型这么说的"变成了"澳大利亚税务局这么说的，日期是这天，这是链接"——这就是演示和真正能面向客户的工具之间的差距。

问题三：两份真相开始各自漂移

到这时，我的助手已经从工具获取答案了，而网页上展示的是同样的计算器。可以预见，它们产生了分歧。有人更新了其中一个税率表但没更新另一个，于是聊天机器人和网站对同一工资报出了不同的税后数字。这是史上最古老的 bug，在金融领域尤为残酷，因为两个答案看起来都有权威性。

解决方案：一个引擎，多个界面——税率表绝不保留两份。有效的设置是让 MCP 服务器和网页计算器都读取同一个底层引擎，这样就没有任何东西需要人工去同步了。当我在聊天和网页上看到相同的 income_tax_estimate 值时，我就知道两边背后只有一个真相来源。

如果你曾经维护过任何每年都会变动的东西的两份副本，你就会明白为什么这才是真正让你睡得着觉的解决方案。

总结，剥离到本质

三条规则，而且它们可以很好地泛化到税务之外：

不要让模型记忆事实——给它一个获取事实的工具。

要求每个获取到的值都有来源证明（来源 + 日期），拒绝没有来源的数据。

让一个引擎支撑所有界面，这样你的答案之间不可能产生分歧。

税务领域只是让 stakes 变得清晰可见——一个错误的 GST 数字是明显且令人尴尬的。但如果助手接触了它根本不该记忆的数据，同样的三个问题就会出现：定价、库存、用药剂量，任何会变动的东西都是如此。

文中用到的服务器是免费的，不需要注册账号，如果你想要一个真实的东西来测试这个模式：taxmcp.ai2fin.com。把你的客户端指向它，试着让它给你一个没有来源的数字。你做不到的——而这个约束就是整个方案的重点。