金融 MCP 实践:计算交给模型服务
DIVID Planner 用 Python 模拟市场情景,TypeScript MCP 服务负责校验、调用 API 和整理返回结果,Claude 负责语言表达。文章展示了规划、假设分析与方案比较等工具的职责划分。
AI 深度解读
把金融模拟接进 Claude,最难的部分未必是模型,而是怎样让聊天界面准确表达模型结果。DIVID.AI 的做法是:Python 负责计算,TypeScript MCP server 负责连接和校验,Claude 负责解释,React 卡片负责展示完整结果。
这篇工程记录的价值,在于把职责边界落到了工具调用、返回结构、用户确认和旧卡片失效上。不过,原文由 AI 根据工程笔记整理,作者称已对照代码核实;它提供的是自家产品的实现经验,没有给出可靠性测试或对照数据。
数字只能来自工具,连加法也不能例外
DIVID Planner 为用户已经存下的钱制定一年计划。底层 Python 模拟使用 NumPy 和区块自助采样(block bootstrap),根据真实价格历史构建 1,000+ 个一年期市场情景,再结合收入、账单和意外支出评估计划。
TypeScript MCP server 夹在 Claude 和 API 之间,检查收集到的回答、调用 API、整理返回结果,自身不做规划计算。
Claude 可以调用的工具包括 start_plan、run_plan、try_what_if、compare_changes、get_plan_result 和 save_plan。用户问「如果每月少花 $300 呢」,应触发 try_what_if,重新运行模型,而不是让 Claude 在聊天里估算结果。
计划里的数字必须来自工具结果,不能由 Claude 补算。
这个限制连看似无害的加法也包括在内。把卡片上的两个真实数字相加,得到的数未必属于模型定义的计划结果,却很容易被用户当成正式结论。
模型还有一个配套设计:每个模型版本使用固定随机种子。同样的输入和市场数据会得到同样的数字,因此比较原计划与假设方案时,差异不会混入重新随机抽样带来的波动。这里的确定性有条件,不能省掉市场数据和模型版本这两个前提。
卡片展示完整结果,Claude 只解释用户关心的部分
一次 MCP 工具返回可以同时携带结构化数据和文本。作者让两者服务不同读者:结构化数据交给 MCP App,也就是嵌在聊天里的小型 React 界面;简短文本交给 Claude。
卡片展示完整结果,包括每个目标的五档进度条、可能性描述、极差年份对应的美元金额,以及可以尝试的调整。Claude 的回复则刻意保持简短,因为重复报数会把卡片挤出手机屏幕。
用户追问「为什么第二个目标更难实现」时,Claude 再调用 get_plan_result,取得解释、目标和风险信息,然后据此回答。可能性默认用档位文字表达,例如「在模型模拟中为高」,只有用户明确询问时才给百分比。
这不是简单地限制回复长度,而是给界面和对话分配不同任务。卡片适合稳定地呈现多项结果,对话适合围绕具体疑问补充解释。
作者把服务端指令控制在 2,000 个字符以内,理由是部分客户端会截断更长的内容。有限篇幅主要用于约束措辞:不用「一定会」「保证」等表达,明确数字来自历史价格模拟,不是预测;资金分配也只是模型在用户输入和限制下给出的结果。
生成计划还需要用户点击 Build 或明确说出 go。Claude 可以先收集信息,但不能主动运行计划。工具描述中的动词也要审查,避免把一次计算写成替用户作判断。
来自自家 API 的内容,也可能不可信或已过期
用户可以为保存的计划命名,这些名字会在后续对话中重新进入 Claude 的上下文。名字虽然由自家 API 返回,内容仍然来自用户,可能夹带指令、声明或链接。
作者要求 Claude 把计划名当标签,不执行或转述其中的命令、声明和链接;最多说明已忽略其中的文本,并提供改名选项。这处理的是提示注入(prompt injection):攻击内容披着普通业务数据的外衣进入上下文。
另一种风险来自旧卡片。聊天保留历史消息,十条消息之后,早先草稿上的按钮可能还在。作者给每张卡片附上服务端签发时间,同一计划出现更新的运行结果后,旧草稿卡片就停止响应。
卡片还记录市场数据快照、模型版本和回答数据结构版本。用户询问「为什么今天和昨天不同」时,团队先检查这些标记,而不是让 Claude 猜原因。
界面本身也收紧了能力:MCP App 是服务端注册的单个 HTML 文件,其内容安全策略(CSP)禁止框架发起网络连接。所有展示数字都由宿主通过工具结果传入,卡片不能自行请求其他数字。
输入防注入、旧结果失效和界面断网,分别约束了内容、状态与数据来源。
我的判断
我认同这种职责划分。涉及模拟计算时,把数字来源集中到模型 API,比让 Claude 边聊天边算更容易追踪;结构化卡片也比一大段自然语言更适合核对结果。
但原文没有证明这些规则能被稳定遵守。服务端指令要求 Claude 不补算、不复述卡片、不执行计划名中的内容,不等于这些行为已经得到可靠阻止。相比只写指令,工具端校验和服务端状态检查通常更值得依赖;原文没说清用户确认是否还有程序校验,也没交代旧卡片失效是否由服务端最终兜底。
固定随机种子有助于比较方案,却不能证明模拟准确。默认用文字档位表达可能性,也存在取舍:更容易阅读,但读者仍需要知道档位如何划分。原文没有提供对应区间。
这些设计还建立在较窄的产品范围上:仅面向美国 18+ 用户、使用美元、规划一年,不处理税务和退休账户,不交易或转移资金,也不连接银行或券商账户。用户连接时登录 DIVID 账户,保存的计划留在该账户中。把这套方案迁移到更复杂的金融产品,不能直接照搬其可靠性结论。
能拿来做什么
- 做带计算结果的 AI 功能时,可以先列出哪些数字必须由后端返回,并把假设变化设计成明确的工具调用,避免聊天模型自行补算业务结果。
- 给 React 卡片配套设计结构化结果和简短文本说明,让完整数据留在界面中,用户追问时再获取解释所需的信息。
- 检查会重新进入模型上下文的业务字段,包括名称和备注。即使它们经过自家 Node API 返回,也应保留「这是用户数据」的边界。
- 为聊天中的可操作卡片设计过期机制,并记录数据快照、模型和输入结构版本,让旧按钮的处理和结果差异排查都有依据。