台股 AI Agent Workflow：讓 LLM 串接行情、財報、籌碼與風控資料

為什麼台股 AI agent 需要資料 API？

AI agent 要分析股票，首先需要可信資料。語言模型本身不適合作為金融資料來源，因為它可能不知道最新股價、最新財報、最新法人買賣超，也可能在沒有資料來源時產生看似合理但錯誤的回答。

台股 AI agent 需要資料 API 的原因包括：

• 查詢最新或指定日期的行情資料
• 取得歷史 OHLCV 做技術指標或回測
• 取得財報、月營收與基本面資料
• 取得三大法人買賣超與籌碼資料
• 取得 ETF holdings 與 index constituents
• 取得交易日曆，避免日期對齊錯誤
• 計算風險指標，例如波動率、最大回撤與流動性
• 在回答中標示 data_used 與資料時間區間

如果你還在理解台股 API 的整體資料分類，可以先看 台股 API 完整指南。

LLM 不能直接猜金融資料

LLM 可以協助整理、推理、比較與產生摘要，但不應該直接作為股價、財報或法人籌碼資料來源。金融資料通常具有時間敏感性與高精度需求，錯一個日期、單位或欄位都可能導致錯誤結論。

常見錯誤包括：

• 模型猜測股價或成交量
• 使用過期財報資料
• 把報表期誤認為公告日
• 把外資、投信、自營商口徑混在一起
• 把 ETF holdings 和 index constituents 混用
• 忘記價格是否 adjusted
• 沒有標示資料缺口
• 直接產生 buy / sell 建議

較好的做法是：LLM 只能透過明確工具查資料，並且在每次回答中列出使用了哪些資料。

台股 AI agent 的基本工具

一個台股 AI agent workflow 可以從幾個基本工具開始。這些工具不需要一開始就很複雜，但 schema 必須穩定。

如果你要先了解 multi-agent 架構，可以參考 AI Hedge Fund 台股版。若要從 Python 端開始串接資料，建議先看 Python 抓台股資料教學。

Tool calling schema 設計

Tool schema 要讓 agent 清楚知道工具可以做什麼、需要哪些參數、會回傳什麼資料，以及有哪些限制。以下是基本設計原則：

• 工具名稱要清楚，例如 get_daily_ohlcv
• parameters 要明確，例如 symbol、from、to、adjusted
• 回傳資料要有 data 和 meta
• meta 要標示 timezone、currency、unit、adjusted、source
• 錯誤訊息要可讀
• 缺資料要明確標示
• 不要讓工具同時做太多事
• 不要讓資料查詢 tool 直接產生投資建議

股票查詢 tool：search_stocks

Agent 第一步通常是確認使用者輸入的是哪個股票、ETF 或商品。台股有上市、上櫃、ETF 和指數，不能只用一個字串模糊處理。

{
  "name": "search_stocks",
  "description": "Search Taiwan stocks, ETFs, and listed instruments by symbol or name.",
  "parameters": {
    "query": "台積電",
    "market": "twse",
    "instrument_type": "stock"
  }
}

{
  "data": [
    {
      "symbol": "2330",
      "name": "台積電",
      "market": "twse",
      "instrument_type": "stock",
      "currency": "TWD",
      "is_active": true
    }
  ],
  "meta": {
    "source": "tw-market-data"
  }
}

這個 tool 的工作只是確認標的，不應該在這一步產生任何買賣分析。上方 endpoint 與 schema 是示意，實際路徑請以 TW Market Data docs 為準。

行情與 OHLCV tool：get_daily_ohlcv

OHLCV 是技術分析、風控與回測的基礎。Agent 查詢 OHLCV 時，應該明確要求時間區間與 adjusted price 狀態。

{
  "name": "get_daily_ohlcv",
  "description": "Get daily OHLCV data for a Taiwan stock.",
  "parameters": {
    "symbol": "2330",
    "from": "2025-01-01",
    "to": "2025-12-31",
    "adjusted": true
  }
}

{
  "data": [
    {
      "date": "2025-01-02",
      "symbol": "2330",
      "open": 1000,
      "high": 1010,
      "low": 995,
      "close": 1005,
      "volume": 25000000,
      "turnover": 25200000000
    }
  ],
  "meta": {
    "adjusted": true,
    "timezone": "Asia/Taipei",
    "currency": "TWD"
  }
}

如果你要理解 OHLCV、K 線與 adjusted price，可以參考 台股歷史股價 API 設計。

財報 tool：get_financial_statements

財報 tool 應該讓 agent 查詢損益表、資產負債表、現金流量表與財務比率。最重要的是回傳 announcement_date，避免 agent 在回測或研究中使用尚未公開的資料。

{
  "name": "get_financial_statements",
  "description": "Get financial statements for a Taiwan stock.",
  "parameters": {
    "symbol": "2330",
    "statement": "income_statement",
    "from": "2024Q1",
    "to": "2025Q4"
  }
}

{
  "data": [
    {
      "symbol": "2330",
      "period": "2025Q4",
      "announcement_date": "2026-03-15",
      "revenue": 625000000,
      "gross_profit": 330000000,
      "operating_income": 285000000,
      "net_income": 238000000,
      "eps": 9.21,
      "currency": "TWD",
      "unit": "thousand"
    }
  ],
  "meta": {
    "statement": "income_statement",
    "version": "latest"
  }
}

如果你要理解財報資料、公告日與基本面因子，可以參考 台股財報 API 教學。

三大法人 tool：get_institutional_flows

三大法人資料是台股 AI agent 的差異化資料層。Agent 可以用它觀察外資、投信、自營商的買賣超變化，但不能把單日買超直接等同於交易訊號。

{
  "name": "get_institutional_flows",
  "description": "Get institutional investor buy/sell flows for a Taiwan stock.",
  "parameters": {
    "symbol": "2330",
    "from": "2025-01-01",
    "to": "2025-12-31",
    "unit": "shares",
    "format": "wide"
  }
}

{
  "data": [
    {
      "date": "2025-01-02",
      "symbol": "2330",
      "foreign_net_buy": 2700000,
      "investment_trust_net_buy": 440000,
      "dealer_net_buy": -90000,
      "total_institutional_net_buy": 3050000,
      "unit": "shares"
    }
  ],
  "meta": {
    "timezone": "Asia/Taipei",
    "unit": "shares"
  }
}

三大法人買賣超資料可以參考 三大法人買賣超 API。

技術指標 tool：get_technical_indicators

技術指標 tool 可以讓 agent 查詢 SMA、RSI、MACD、布林通道與 ATR。Agent 不應該自己猜指標值，也不應該只因為單一指標就產生買賣建議。

{
  "name": "get_technical_indicators",
  "description": "Get technical indicators for a Taiwan stock.",
  "parameters": {
    "symbol": "2330",
    "from": "2025-01-01",
    "to": "2025-12-31",
    "adjusted": true,
    "indicators": [
      {
        "name": "sma",
        "window": 20
      },
      {
        "name": "rsi",
        "window": 14
      },
      {
        "name": "macd",
        "fast_window": 12,
        "slow_window": 26,
        "signal_window": 9
      }
    ]
  }
}

技術指標資料管線可以參考 台股技術分析 API。

ETF / universe tool：get_etf_holdings

Agent 需要知道分析範圍。例如使用者可能問 0050 成分股最近的基本面變化，這時 agent 應該先查 ETF holdings，再逐一查財報或行情。

{
  "name": "get_etf_holdings",
  "description": "Get ETF holdings for a Taiwan ETF.",
  "parameters": {
    "etf_symbol": "0050",
    "as_of": "2026-04-24"
  }
}

{
  "data": [
    {
      "etf_symbol": "0050",
      "as_of_date": "2026-04-24",
      "holding_symbol": "2330",
      "holding_name": "台積電",
      "weight": 0.61,
      "sector": "Semiconductors"
    }
  ],
  "meta": {
    "data_type": "etf_holdings"
  }
}

ETF 與指數成分股資料可以參考 台股 ETF 與指數成分股 API。

風控 tool：calculate_risk_metrics

風控 tool 應該和研究 tool 分開。它的工作不是產生 bullish 或 bearish，而是檢查波動率、最大回撤、流動性、集中度與交易限制。

{
  "name": "calculate_risk_metrics",
  "description": "Calculate risk metrics for a Taiwan stock or portfolio.",
  "parameters": {
    "symbols": [
      "2330"
    ],
    "from": "2025-01-01",
    "to": "2025-12-31",
    "metrics": [
      "volatility",
      "max_drawdown",
      "average_turnover",
      "liquidity"
    ]
  }
}

{
  "data": {
    "symbol": "2330",
    "annualized_volatility": 0.22,
    "max_drawdown": -0.18,
    "average_turnover": 0.04,
    "liquidity_score": 0.91
  },
  "risk_flags": [
    "requires_position_limit",
    "single_asset_analysis"
  ]
}

如果你要理解回測與風控，可以參考 Python 台股回測系統實作，並搭配 台股量化交易入門建立完整研究流程。

Agent response schema

Agent 的最終輸出應該是可檢查的 structured JSON，而不是單純一段自然語言。這樣 dashboard、risk manager 或 human reviewer 才能追蹤資料來源與風險。

{
  "symbol": "2330",
  "analysis_type": "stock_research",
  "final_signal": "neutral",
  "confidence": 0.61,
  "summary": "Fundamentals are stable and technical indicators are moderately positive, but risk checks and updated financial data are required.",
  "data_used": [
    "daily_ohlcv",
    "financial_statements",
    "institutional_flows",
    "technical_indicators",
    "risk_metrics"
  ],
  "date_range": {
    "from": "2025-01-01",
    "to": "2025-12-31"
  },
  "missing_data": [
    "latest_monthly_revenue"
  ],
  "risk_flags": [
    "not_a_standalone_trading_signal",
    "requires_backtesting",
    "requires_human_review"
  ],
  "not_investment_advice": true
}

一個完整台股 AI agent workflow 範例

以下是一個研究型 workflow，示範 agent 如何分析一檔股票。

User:
"請分析 2330 最近的基本面、技術面與法人籌碼。"

Agent plan:
1. search_stocks("2330")
2. get_daily_ohlcv(symbol="2330", from="2025-01-01", to="2025-12-31", adjusted=true)
3. get_financial_statements(symbol="2330", statement="income_statement", from="2024Q1", to="2025Q4")
4. get_institutional_flows(symbol="2330", from="2025-01-01", to="2025-12-31", unit="shares")
5. get_technical_indicators(symbol="2330", indicators=["sma20", "rsi14", "macd"])
6. calculate_risk_metrics(symbols=["2330"], from="2025-01-01", to="2025-12-31")
7. generate structured response with data_used and risk_flags

這種 workflow 的重點是每一步都能被 audit。若某個 tool 沒有資料，agent 應該標示 missing_data，而不是自行補上答案。

如何降低 hallucination？

降低 hallucination 的方法不是只靠 prompt，而是靠資料邊界與 workflow 設計。

• 所有金融數字都必須來自 API tool
• Agent 回答必須包含 data_used
• Agent 回答必須標示時間區間
• Agent 必須標示 missing_data
• 不允許沒有資料來源的 buy / sell 結論
• 不允許把單一指標直接變成交易建議
• 不允許用最新資料回推過去回測
• 不允許 agent 未經風控直接下單
• 所有 signal 應可回測
• 所有 response 應可被 audit

AI agent 的可靠性來自資料、schema、工具邊界與風控，而不是來自回答語氣。

從 research assistant 到 production workflow

台股 AI agent 可以先從 research assistant 做起，而不是一開始就做自動交易。這樣可以先驗證資料品質、tool schema、response format 與風險流程。

對金融資料產品來說，AI agent 不是獨立存在的功能，而是建立在穩定 API、schema、文件與風控流程之上的 workflow。

建議的 API endpoint 設計

以下是支援台股 AI agent workflow 的 endpoint 設計示意。

GET /v1/tw/stocks/search
GET /v1/tw/stocks/{symbol}/profile
GET /v1/tw/stocks/{symbol}/ohlcv
GET /v1/tw/stocks/{symbol}/financials
GET /v1/tw/stocks/{symbol}/monthly-revenue
GET /v1/tw/stocks/{symbol}/institutional-flows
GET /v1/tw/stocks/{symbol}/technical-indicators
GET /v1/tw/etfs/{symbol}/holdings
GET /v1/tw/indices/{index_code}/constituents
GET /v1/tw/calendar/trading-days

實際 endpoint 命名不一定要完全相同。重點是 response schema 穩定、metadata 清楚、錯誤處理一致，並且能被 agent tool calling 安全使用。實際路徑請以 TW Market Data docs 為準。