如果你正在找 FMP（Financial Modeling Prep）的免費替代品，或想自架（self-host）解決方案來降低成本，目前市面上已經有不少選項。以下整理免費 API 服務與開源自架方案，方便你依 Agent 的需求做選擇。
免費 API 服務比較
不同供應商在額度、資料範圍上差異很大，選擇時要特別注意 rate limit 是否符合你的 Agent 呼叫頻率。
| 服務 | 免費額度 | 資料涵蓋 | 主要限制 |
|---|---|---|---|
| FMP（現有） | 250 次/天 | 全球基本面 + 價格，30年+ 財報 | 價格資料是快照式 |
| yfinance（Python 套件） | 無官方限制，實務約 2000 次/小時 | 全球股票、選擇權、基本面，20年+ 日線 | 非官方、無 SLA，格式可能隨時變動 |
| Finnhub | 60 次/分鐘 | 全球股票、另類資料，30年美股歷史 | 免費層有 15 分鐘延遲 |
| Alpaca | 200 次/分鐘 | 美股、加密貨幣，5年+歷史 | 需開券商帳戶才能用 |
| Alpha Vantage | 25 次/天 | 全球股票、外匯、加密貨幣、技術指標 | 額度太低，難做跨股票分析 |
| Polygon.io | 5 次/分鐘 | 美股 | 歷史資料僅約2年 |
| Eulerpool | 1000 次/天 | 即時+歷史股價、基本面、外匯、大宗商品、經濟指標 | 較新服務，穩定性待觀察 |
其中 yfinance 是 quant 社群最常用的免費資料源，因為它完全免費、不需要 API key，且涵蓋範圍廣，非常適合拿來當 Trading AI Agent 的資料層 。但要注意它是非官方套件，抓取 Yahoo Finance 網頁資料，格式可能隨時改變，正式生產環境建議加上容錯機制。
如果你的 Agent 需要較高頻率的呼叫（例如同時追蹤上百檔股票），Finnhub 或 Alpaca 的免費層會比 FMP 更寬鬆，Alpaca 的 200 次/分鐘額度在免費方案中最為大方，只是需要開一個 Alpaca 券商帳戶（不強制要真實交易）。
開源 Self-Host 方案
自架方案能避免供應商端的 rate limit 問題，且資料主權掌握在自己手上，適合長期經營的 Trading Agent。
- OpenBB Platform：目前最完整的開源金融資料整合平台，可用
pip install openbb安裝，一支程式碼就能串接數十個資料供應商（含免費源），並提供 FastAPI 後端讓 AI Agent 直接呼叫，支援股票、選擇權、加密貨幣、宏觀經濟等資料 。這是目前社群最活躍、擴充性最好的方案。 - Equibles：專為 AI Agent 設計的自架「迷你 Bloomberg Terminal」，整合 SEC 申報文件、機構持股、內部人交易、國會議員交易與放空資料，走的是替代資料（alternative data）路線，適合想做更深入基本面/事件驅動策略的 Agent 。
- yfinance + 自建快取層：最簡單的自架做法是用 yfinance 抓資料，寫入本地資料庫（如 SQLite/PostgreSQL）做快取，這樣可以繞開 Yahoo 端偶發的封鎖問題，同時降低重複呼叫的次數。
選擇建議
如果你只是要驗證策略邏輯、還在 prototype 階段，yfinance 幾乎是零成本且最快上手的選擇 。若已進入正式部署、需要穩定 SLA 與更高呼叫額度，OpenBB Platform 因為能同時串接多個免費/付費資料源並統一介面，長期來看維護成本最低 。若你的策略需要另類資料（內部人交易、國會交易等），Equibles 這類專門為 AI Agent 設計的自架方案會比單純股價 API 更有價值 。
你的 Trading AI Agent 主要是做即時交易決策，還是偏向歷史資料回測分析？這會影響該優先考慮 rate limit 還是歷史資料深度。
OpenBB Platform 整合 AI Agent 的實作方式
OpenBB 目前提供三種主要方式讓 AI Agent 使用其金融資料：作為 Python 函式庫直接被 LLM function calling 呼叫、透過 OpenBB AI SDK 建立相容 OpenBB Workspace 的自架 Agent 服務、以及透過 MCP（Model Context Protocol）server 讓 Claude 等任意支援 MCP 的 Agent 直接存取資料 。以下分別說明三種實作路徑與範例程式碼。
方式一：Function Calling 驅動的 OpenBB Agent
OpenBB 官方有一個實驗性專案 experimental-openbb-platform-agent，示範 LLM 如何透過 function calling 自動呼叫 OpenBB Platform 的資料函式，來回答自然語言問題 。設定好資料供應商的憑證後（存在 ~/.openbb_platform/user_settings.json 或用 OpenBB Hub 的 PAT），就能這樣使用：
from openbb_agents.agent import openbb_agent
result = openbb_agent("What is the current market cap of TSLA?")
print(result)
# 輸出：TSLA 目前市值約 $695,833,798,800.00，
# 依據最新股價與流通股數計算得出
這種設計特別適合處理跨多步驟的複雜查詢，例如先查詢同業清單再依市值排序，Agent 會自動拆解子問題並依序呼叫對應的 OpenBB 資料函式 。也提供 async 版本 aopenbb_agent，方便整合進非同步的 Trading Agent 架構中。
方式二：自架相容 OpenBB Workspace 的 Agent 服務
如果你想讓自己的 AI Agent 直接顯示在 OpenBB Workspace 介面中（而不只是後端呼叫資料），需要用 OpenBB AI SDK 建立一個符合 HTTP 合約的 FastAPI 服務 。核心邏輯是提供兩個端點：/agents.json 描述 Agent 資訊，/v1/query 處理實際對話並以 SSE（Server-Sent Events）串流回應 。
from fastapi import FastAPI
from fastapi.responses import JSONResponse
from sse_starlette.sse import EventSourceResponse
import openai
app = FastAPI()
@app.get("/agents.json")
def get_copilot_description():
return JSONResponse(content={
"financial_prompt_optimizer": {
"name": "Financial Prompt Optimizer",
"endpoints": {"query": "http://localhost:7777/v1/query"},
}
})
@app.post("/v1/query")
async def query(request):
client = openai.AsyncOpenAI()
async def execution_loop():
async for event in await client.chat.completions.create(
model="gpt-4o", messages=[...], stream=True,
):
if chunk:= event.choices[^2_0].delta.content:
yield message_chunk(chunk)
return EventSourceResponse(content=execution_loop())
部署完成後，只要在 OpenBB Workspace 的 Copilot 設定裡輸入你的服務網址，Workspace 會自動抓取 /agents.json 並開始對話 。OpenBB 也提供完整範例庫 agents-for-openbb，涵蓋讀取 widget 資料、產生圖表、產生表格、處理 PDF 並加註引用、根據 workspace 功能設定動態調整行為等九種以上的可運行範例，非常適合直接改寫成 Trading Agent 的資料讀取層 。
方式三：透過 MCP Server 直接串接 Claude 等 Agent
若你的 Trading AI Agent 是用 Claude、Claude Code 或其他支援 MCP 協定的框架建構，OpenBB 的 Open Data Platform（ODP） 可以直接以 MCP server 的形式暴露股票、固定收益、宏觀經濟指標等結構化資料，不需要額外寫轉接程式 。只要在 MCP client 端設定 ODP 的 server 位址，Claude 就能直接呼叫這些金融資料函式，等同於把 OpenBB 變成 Agent 的「資料工具箱」。這種方式最省工程量，因為不需要自己維護 HTTP 合約，只要 Agent 支援 MCP 標準即可接上。
三種方式怎麼選
| 實作方式 | 適合場景 | 主要限制 |
|---|---|---|
Function calling（openbb_agents） |
純後端 Trading Agent，需要自動拆解多步驟查詢 | 目前標記為實驗性專案，穩定性待觀察 |
| OpenBB AI SDK 自架服務 | 想要在 OpenBB Workspace 介面中操作 Agent、產生圖表/表格 | 需自行維護 FastAPI 服務與 SSE 串流邏輯 |
| MCP Server（ODP） | 已用 Claude/MCP 生態系開發 Agent，想快速接上資料 | 需另外設定 ODP 資料供應商憑證 |
如果你的 Trading AI Agent 是純程式化交易（沒有對話介面需求），方式一的 function calling 模式會是最直接的整合方式，因為它讓 LLM 自主決定何時查詢哪些資料 。若你未來想加上人機互動的分析儀表板，方式二能讓策略解釋、圖表輸出直接呈現在 OpenBB Workspace 上 。若你的技術棧本身就建立在 Claude 或其他 MCP 相容框架上，方式三的 ODP MCP server 會是接線最少的做法 。
你的 Trading Agent 目前是用哪個 LLM 框架開發（例如 LangChain、純 OpenAI function calling，還是 Claude/MCP）？這會決定哪種整合路徑最省工。