Vnstock MCP: Từ câu hỏi với AI đến quy trình nghiên cứu cá nhân
Khi đọc một báo cáo tài chính, xem biểu đồ giá hay theo dõi một bảng chỉ số, có thể bạn đã muốn tự tìm hiểu thêm: lợi nhuận và dòng tiền thay đổi ra sao qua các năm? Tỷ suất lợi nhuận trên vốn chủ sở hữu (ROE) được tính theo kỳ nào? Nếu dùng một giả định khác, kết quả sẽ thế nào?
Một câu hỏi ban đầu có thể dẫn tới nhiều bước: tìm dữ liệu phù hợp, kiểm tra đơn vị, chọn công thức, tính lại và so sánh. Đến lần cập nhật sau, bạn lại cần biết mình đã làm những gì để tiếp tục từ đó.
Đó là nhu cầu mình muốn giải quyết khi xây dựng Vnstock MCP: kết nối trợ lý AI với các công cụ Vnstock đã cài trên máy cá nhân, để bạn bắt đầu bằng một câu hỏi và từng bước lưu lại cách đi đến kết quả.
MCP, viết đầy đủ là Model Context Protocol, là giao thức để ứng dụng AI kết nối với công cụ (bạn có thể xem thêm bài phân tích nền tảng: MCP chứng khoán là gì). Vnstock MCP sử dụng giao thức này để gọi các thư viện trên máy bạn. Điều mình hướng tới là một cách làm có thể học dần qua thực hành: bắt đầu từ một phép tính, hiểu cách tạo ra kết quả, rồi nối các bước thành quy trình của riêng mình.
1. Bắt đầu từ câu hỏi, đi sâu theo nhu cầu
Bạn có thể đến với Vnstock từ nhiều điểm xuất phát. Có người đang học cách đọc báo cáo tài chính. Có người đã quen phân tích bằng bảng tính và muốn tự động hoá việc cập nhật. Có người biết Python, muốn kết nối các phép tính thành một quy trình linh hoạt hơn.
Bạn có thể chọn cách làm phù hợp với mình. Nếu thích làm việc trực tiếp với mã trong lộ trình Vibe Coding, Agent Guide và Agent Skills là các hướng dẫn giúp trợ lý AI sử dụng thư viện Vnstock để viết và chỉnh kịch bản Python. Nếu muốn bắt đầu bằng hội thoại, bạn có thể dùng Vnstock MCP để nêu việc cần làm, yêu cầu AI gọi công cụ và xem lại từng bước.
Bạn chưa cần tự viết từng lời gọi hàm để bắt đầu. Phần cài đặt vẫn cần môi trường Python, các thư viện phù hợp và ứng dụng AI hỗ trợ kết nối MCP cục bộ. Trong quá trình sử dụng, bạn cũng cần đọc kết quả, làm rõ yêu cầu và kiểm tra những lựa chọn ảnh hưởng đến phép tính.
Các nhóm công cụ của Vnstock MCP hỗ trợ những bước chính của một bài nghiên cứu:
- Kết nối và tra cứu qua thư viện
vnstock: giúp bạn tự truy xuất danh mục mã, lịch sử giá, báo cáo tài chính và thông tin vĩ mô từ các nguồn được hỗ trợ. - Tính toán qua Vnstock Quant: dùng các hàm chỉ báo kỹ thuật, chỉ số tài chính, đo lường rủi ro, phân tích danh mục và định giá trên dữ liệu đầu vào.
- Tổ chức nghiên cứu qua nhóm
research_*: chuẩn hoá bảng theo các định dạng được hỗ trợ, đối chiếu số liệu, lưu bảng và xuất mã Python từ nhật ký phiên.
Các công cụ bạn dùng được phụ thuộc vào phiên bản đã cài, cấu hình và quyền sử dụng phần mềm. Khi AI gọi công cụ, phép tính được thực hiện qua hàm tương ứng. Bạn có thể yêu cầu xem tên hàm, tham số và bảng kết quả để đối chiếu phần diễn giải của AI với tài liệu phương pháp.
2. Để câu hỏi dẫn đường cho cách phân tích
Một người muốn hiểu vì sao lợi nhuận tăng nhưng dòng tiền kinh doanh giảm. Người khác muốn tính lại ROE với lợi nhuận của cổ đông công ty mẹ và vốn chủ sở hữu bình quân. Có người cần so bảng số liệu tự chuẩn bị với một bảng tham chiếu trước khi dùng tiếp.
Bạn có thể làm rõ dần những câu hỏi ấy trong lúc trao đổi với AI: đang xem kỳ nào, dùng khoản mục nào, cần so sánh điều gì. Vnstock MCP giúp nối các bước tra cứu và tính toán trong cùng phiên làm việc để bạn tiếp tục từ kết quả vừa có.
Chẳng hạn, bạn có thể bắt đầu bằng yêu cầu:
Lấy báo cáo tài chính theo quý của doanh nghiệp mình đang nghiên cứu. Trước khi tính ROE, hãy cho biết khoản mục lợi nhuận, vốn chủ sở hữu và kỳ tính sẽ sử dụng.
Sau khi xem đầu vào và phương pháp, bạn có thể yêu cầu tính, đối chiếu một vài kỳ, rồi lưu bảng cùng cách làm. Nếu gặp chênh lệch, bước tiếp theo là tìm nguyên nhân: khác đơn vị, khác kỳ báo cáo, khác quy ước hay số liệu đã được điều chỉnh?
Mỗi bước đối chiếu là một dịp hiểu thêm về doanh nghiệp và phương pháp đang dùng. Mình mong công cụ giúp bạn giữ được mạch tìm hiểu ấy, để câu hỏi tiếp theo có cơ sở từ những gì vừa kiểm tra.
3. Vì sao đặt không gian nghiên cứu trên máy cá nhân?
Với Vnstock MCP, ứng dụng AI khởi chạy một tiến trình cục bộ để gọi các thư viện đã cài trên máy bạn. Cách tổ chức này phục vụ một nhu cầu cụ thể: giữ các bước xử lý gần với bảng dữ liệu, tệp và kịch bản phân tích của chính người dùng.
Nối các bước bằng bảng dữ liệu trong phiên
Trong không gian nghiên cứu cục bộ, bảng kết quả trong phiên có mã tham chiếu như c1, c2. Công cụ ở bước sau có thể dùng lại bảng ấy để chuẩn hoá hoặc tính toán, thay vì yêu cầu AI chép từng con số qua lại trong hội thoại.
Ứng dụng AI nhận phần kết quả được công cụ trả về để đọc và giải thích; phép tính tiếp theo có thể sử dụng bảng đầy đủ trong phiên. Khi muốn giữ bảng thành tệp trên máy, bạn dùng research_save để lưu vào thư mục nghiên cứu.
Nếu muốn quay lại một bảng ở lần làm việc sau, bạn nên lưu bảng trước khi kết thúc phiên.
Lưu cách làm để có thể quay lại
Nhật ký phiên, khi được bật, ghi các lần gọi công cụ thành công cùng mã Python tương đương. Bạn có thể dùng research_journal để xem nhật ký hoặc xuất các bước được ghi lại thành tệp Python trong thư mục nghiên cứu.
Với người mới, tệp đó là một cách học từ chính bài toán vừa làm: xem hàm nào được gọi, tham số nào đã chọn và dữ liệu đi qua những bước nào. Với người quen lập trình, đó là điểm bắt đầu để chỉnh sửa và đưa vào quy trình cá nhân.
Tệp xuất từ nhật ký ghi lại các bước gọi công cụ, không bao hàm mọi suy luận trong hội thoại. Để chạy lại và so sánh kết quả, bạn vẫn cần kiểm tra dữ liệu đầu vào, mốc thời gian, phiên bản thư viện và môi trường thực thi. Nếu truy xuất lại từ nguồn, số liệu có thể đã thay đổi so với lần trước.
Đưa dữ liệu bạn có quyền dùng vào cùng quy trình
Bạn có thể đưa một bảng tự chuẩn bị hoặc bảng từ nguồn khác mà mình có quyền dùng vào quy trình nghiên cứu. Trong các định dạng được hỗ trợ, research_normalize giúp chuyển về cấu trúc thống nhất; research_benchmark giúp so với số liệu tham chiếu bạn truy xuất qua thư viện vnstock.
Với báo cáo tài chính, việc đối chiếu có thể giúp nhận ra khác biệt theo kỳ hoặc khoản mục để kiểm tra tiếp. Hai bảng khớp nhau cho thấy sự nhất quán giữa chúng; để xác minh số liệu, bạn vẫn cần đọc báo cáo gốc và những điều chỉnh liên quan.
Hiểu đúng phạm vi xử lý cục bộ
Phần cầu nối và phép tính chạy trên máy bạn; bảng do bạn lưu, nhật ký và mã Python được ghi vào thư mục nghiên cứu cục bộ. Tuy vậy, nội dung hội thoại và phần kết quả trả cho ứng dụng AI có thể được gửi tới dịch vụ AI theo cấu hình và chính sách của ứng dụng đó. Bạn cần xem phạm vi chia sẻ trước khi dùng dữ liệu nhạy cảm.
Dịch vụ Vnstock cũng xử lý tài khoản, giấy phép, thiết bị, hạn mức và các tín hiệu vận hành cần thiết theo Chính sách quyền riêng tư. Khi truy xuất dữ liệu bên thứ ba qua thư viện vnstock, kết nối vẫn cần mạng và tuân theo điều kiện của từng nguồn.
4. Điều còn lại sau một cuộc trao đổi với AI
Điều khiến mình muốn dành công sức cho Vnstock MCP là những gì bạn có thể giữ lại sau mỗi lần tìm hiểu. Một bảng đã kiểm tra, một lựa chọn phương pháp được ghi rõ hay một kịch bản đã lưu đều có thể làm nền cho lần thực hành tiếp theo. Qua từng lần như vậy, bạn dần có một cách làm mình hiểu và có thể tự điều chỉnh.
Với người đang học, đó có thể là lần đầu tự tính và hiểu một chỉ số trên dữ liệu thực tế. Với người làm phân tích định kỳ, đó có thể là cách bớt thao tác lặp lại để có thêm thời gian đọc báo cáo và suy nghĩ về kết quả.
Đó là những thay đổi cụ thể mình hy vọng Vnstock có thể góp phần tạo ra: bớt thời gian lặp lại thao tác, thêm thời gian đọc hiểu và kiểm chứng. Khi chia sẻ một cách làm kèm dữ liệu được phép chia sẻ và giả định rõ ràng, bạn cũng tạo điều kiện để người khác đối chiếu, góp ý và cùng học hỏi.
Vnstock MCP hỗ trợ thao tác và lưu cách làm. Việc chọn giả định, hiểu giới hạn mô hình và cân nhắc kết luận vẫn cần sự chủ động của bạn.
Bắt đầu từ một phép tính bạn muốn hiểu rõ
Bạn có thể chọn một việc nhỏ: so sánh dòng tiền qua các kỳ, tính lại một chỉ số tài chính hoặc đối chiếu hai bảng số liệu. Yêu cầu AI trình bày đầu vào và phương pháp, kiểm tra một phần kết quả rồi lưu lại các bước đã làm.
Các tài liệu để bắt đầu:
- Giới thiệu Vnstock MCP: cách tổ chức không gian nghiên cứu và các tình huống sử dụng.
- Cài đặt và kết nối: chuẩn bị môi trường và thiết lập ứng dụng AI hỗ trợ MCP cục bộ.
- Nghiên cứu tái lập và đa nguồn: lưu bảng, chuẩn hoá, đối chiếu và xuất mã Python từ nhật ký.
Vnstock MCP hỗ trợ thao tác nghiên cứu, không thay thế việc đánh giá mô hình hay bảo đảm kết quả đầu tư. Bạn có thể bắt đầu với bản Cộng đồng miễn phí cho cá nhân, học tập và nghiên cứu, rồi tìm hiểu thêm về phạm vi công cụ và quyền sử dụng theo cấp tài trợ.
Nếu có điều chưa rõ hoặc gặp một bước khó tái hiện, bạn có thể gửi câu hỏi kèm ngữ cảnh qua kho thư viện tương ứng tại GitHub Vnstock. Những phản hồi từ việc sử dụng thực tế là cơ sở để tiếp tục hoàn thiện công cụ và hướng dẫn.
Vnstock là hệ sinh thái tự động hoá cá nhân trong nghiên cứu đầu tư, gồm công cụ Python chạy trên máy người dùng, tài liệu cho trợ lý AI và cộng đồng. Vnstock cấp quyền sử dụng phần mềm; với Vnstock MCP, bạn kết nối trợ lý AI với các công cụ được hỗ trợ trên máy mình. Khi dùng dữ liệu từ bên thứ ba, quyền sử dụng dữ liệu tuân theo điều kiện của từng nguồn. Nội dung phục vụ học tập, nghiên cứu và tham khảo, không phải khuyến nghị đầu tư.