AI 大模型火了几年了，不知不觉中，已经普及到千家万户中，常见的应用场景有：大部分的交互方式，都是通过自然语言和大模型进行对话，由人主动发起，如下：
也有许多的业务场景，不是由人主动发起的，通过定时任务在后台不停运行，也可以结合大模型做增强，场景如下：本篇文章将介绍如何搭建一套基于 XXL-JOB + Deepseek 的定时数据分析系统，帮你做一个智能的金融理财助手。XXL-JOB[1] 是一个国内流行的开源分布式任务调度平台，简单易用，并且功能丰富。支持单机任务、分布式任务的定时调度，可以做到秒级别调度。有多种路由策略、堵塞处理策略可供选择。提供任务的报警监控、手动运维、监控大盘等能力。- Deepseek以推理能力出圈，适合做数据分析。并且Deepseek的母公司幻方量化就是做量化交易的，我们相信Deepseek在金融分析上有着显著的优势。
- Deepseek开源并且很轻量，可以很方便部署起来。
也可以选择阿里云最新开源的QwQ模型，推理能力比肩Deepseek-r1，在做复杂数据分析上同样能力出众。以下图表展示了QwQ-32B 与其他领先模型在数学推理、编程能力和通用能力上的对比：本地部署Deepseek、QwQ或者其他模型，步骤都是差不多的，下面以Deepseek为例：- 安装ollama：https://ollama.com/download
- 安装Deepseek r1模型：r1模型专注于复杂逻辑推理，更适合做金融数据分析
根据机器规格大小选择一个模型，比如我的电脑有16G内存，选择7b，就在命令行输入如下命令安装：- 部署完成后，我们通过api进行测试（使用兼容openai的api，端口默认是11434），方便后续写代码。
我们也可以直接使用云产品，以阿里云百炼[2]为例，只需要开通即可使用，并且有海量的免费额度。使用云产品的话还有个好处，就是可以随时切换模型，体验不同模型的优劣。XXL-JOB 部署很简单，详细的步骤可以参考官网[3]，大概步骤如下：
- 把代码导入到IDEA中，配置xxl-job-admin的配置文件
- 运行XxlJobAdminApplication这个类，然后浏览器输入 http://127.0.0.1:8080/xxl-job-admin 就可以登录了（密码默认是 admin/123456）
我们也可以使用托管XXL-JOB的云产品，比如阿里云MSE产品任务调度XXL-JOB版[4]，一键部署，并且可以免费试用[5]。接下来先以定时推送财经新闻这个demo来热热身，流程图如下
- XXLJOB-Admin 通过定时调度或者手动触发，配置好对应任务的prompt信息，运行某个任务执行。
- 把网页内容丢给Deepseek，让他提炼最热门的N个新闻。
下面以使用阿里云百炼托管的deepseek-r1为例，获取新浪财经的热点新闻，通过XXL-JOB配置prompt如下：实现代码参考如下（该demo也集成在了云产品快速体验示例[6]中）：@Componentpublic class AIJob {
@Value("${dashscope.api.key}") private String apiKey;
@XxlJob(value = "sinaNews") public ReturnT<String> sinaNews() throws Exception { String url = "https://finance.sina.com.cn/topnews/"; String model = "deepseek-r1"; String jobParam = XxlJobContext.getXxlJobContext().getJobParam(); ReturnT<String> rtn = ReturnT.SUCCESS; Document document = Jsoup.connect(url).get(); Element summaryBlock = document.selectFirst("div.lbti:has(h2:containsOwn(汇总榜))"); if (summaryBlock != null) { Element scriptTag = summaryBlock.parent().selectFirst("script[src]"); if (scriptTag != null) { String srcValue = scriptTag.attr("src"); HttpResponse<String> httpResponse = Unirest.get(srcValue).asString(); String news = httpResponse.getBody(); Map<String, Object> bodyMap = new HashMap<>(); bodyMap.put("model", model); List<Map<String, String>> messagesList = new ArrayList<>(); Map<String, String> message = new HashMap<>(); message.put("role", "system"); message.put("content", jobParam); messagesList.add(message); message = new HashMap<>(); message.put("role", "user"); message.put("content", "这是今天的财经新闻，帮我按规则解析：" + news ); messagesList.add(message); bodyMap.put("messages", messagesList); String bodyJson = new Gson().toJson(bodyMap); Unirest.setTimeouts(120000, 120000); HttpResponse<JsonNode> jsonHttpResponse = Unirest.post("https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions") .header("Authorization", "Bearer " + apiKey) .header("Content-Type", "application/json") .body(bodyJson) .asJson(); OpenAIResponse openAIResponse = new Gson().fromJson(jsonHttpResponse.getBody().getObject().toString(), OpenAIResponse.class); rtn.setContent(openAIResponse.getChoices().get(0).getMessage().getContent()); XxlJobHelper.log(openAIResponse.getChoices().get(0).getMessage().getContent()); sendMessage(openAIResponse); } else { rtn.setCode(ReturnT.FAIL_CODE); rtn.setMsg("未找到汇总榜的<script>标签"); } } else { rtn.setCode(ReturnT.FAIL_CODE); rtn.setMsg("未找到汇总榜部分"); } return rtn; }
private void sendMessage(OpenAIResponse message){ }}
在上面一个例子中，我们只拉取了新浪财经的新闻，如果想准实时拉取国内外金融新闻和数据，快速做出决策，一个单机任务的时效性肯定是不够的。我们可以使用XXL-JOB的广播分片任务，将大任务拆分成小任务，不同的小任务去拉取不同的数据。再通过XXL-JOB的任务编排能力组成一个流程，一步步去完成我们的任务。流程如下：
- 在XXL-JOB上新建3个任务，并建立依赖关系，拉取金融数据->数据分析->生成报告。其中拉取金融数据任务的路由策略是广播分片。
- 拉取金融数据任务开始执行的时候，通过广播分片派发多个子任务给不同的执行器，去获取各大国内外财经新闻和金融数据，把结果存储起来（比如数据库、Redis或者对象存储）。
- 数据分析任务开始执行的时候，去获取当前的金融数据，再调用Deepseek进行分析，将结果存储起来。
- 数据分析完，再通过报告生成任务，将分析完的数据生成一个报告或者报表，通过钉钉或者邮件推送给用户，进行投资建议。
通过上面的示例，你是不是觉得在Deepseek的加持下，做金融分析变得如此简单，自己也可以做一个量化交易系统，实现财富自由？实际上真正的量化交易系统是非常复杂的，除了上面示例中的数据收集、数据清洗、数据分析步骤，还有策略回测、风险监控等模块，也可以使用这套架构实现智能化。除了在金融领域做数据分析，其他任何领域有数据分析的需求，都可以基于这套架构做智能化，我相信 XXL-JOB + Deepseek 一定是你做数据分析的一大利器。
粤ICP备14082021号
免费POC，
零成本试错
