养虾实战教程：我用OpenClaw做了个能盯盘，也能深度复盘的投资agent 时间: 2026-06-06 22:26 分类: 猿码 热度: 1°C 评论 **PS：**先提前预告下，这个项目解决不了不赚钱的问题，但能帮助减少冲动交易，解决信息搜集、分析效率低问题。当然，也有同事吐槽，这是个韭菜RL，大家有选择地参考与批判一下就好。 一边上班一边炒股，估计是不少人的常态。 但最近的波动行情里，实在要被盯盘这件事搞疯了。 一方面，开会盯盘挺不礼貌的；另一方面，每次决策背后，需要刷新闻、扒研报、看盘面，一套流程下来，每周至少要耗费十几个小时在搜集信息上，效率实在太低。 而我自己呢，也的确算不上什么交易高手。不盯盘则已，一盯盘就容易冲动交易，一周雷霆出手七八回。经常是，别人贪婪我更贪，别人恐慌我跟跑。  往往一年下来，学费没少交，时间没少花，钱也没少亏。 所以，就想着结合最近爆火的Openclaw，以及公司的Milvus数据库做个产品。 这里我没有让AI帮我做决策，更没有让它碰交易本身（风险太大了），主要就是让AI按照我的要求搜集信息、做市场分析、盯盘、打捞我的历史交易数据，然后推送在飞书。 从而解决信息搜集效率低，盲区大；以及冲动交易多，复盘成本高、开会不好盯盘的痛点。 这个agent整体架构不算复杂，主要三个模块，每月成本共计 20 美元左右： OpenClaw作为决策中枢大脑（10美金） Exa用于联网做高质量的信息检索（10美金） Milvus存历史交易信息用于复盘（我选择云端部署，主要是稳定，不用电脑24小时开机）。 ###前题工作 你需要一台装了OpenClaw的机器，我这里选择的是云服务器，参考教程《[【教程】手把手教你在云服务器上安装openclaw](https://blog.gaomeluo.com/archives/openclaw/ "【教程】手把手教你在云服务器上安装openclaw")》 云服务器对比本地安装的好处这里就不再赘述了。 以下是整体搭建指南。 ###01、信息搜集：如何用Exa监控全球动态 投资的第一步就是搞信息，我之前试过硬刷财经 App，但里面会有大量的不相关信息，淹没了我真正关心的内容；也试过写爬虫，但财经网站反爬机制天天更新，维护成本太高。至于一些专业的数据分析软件，API成本太高了，对普通投资者不适用。 所以最后我用了 Exa，它是专门给 AI Agent 设计的互联网搜索（WebSearch) API，跟普通搜索引擎比，它对AI的适配性高了很多，还引入了额外的语义搜索。  比如我想知道 “英伟达 2026 年 Q4 财报超预期为啥股价跌了”，它直接就能理解，还能每分钟刷新索引，自动过滤那些 SEO 垃圾营销文，搜美股的时候再也不用在一堆没用的内容里扒拉了。 当然，更重要的是，Exa 有免费额度，每月 1000 次搜索，初期试用完全够，后续按使用频率续费就行，成本也低。 以下是我的核心的调用代码，如有需要，改改参数，先装包pip install exa-py，再把 api-key 换成自己的就行： from exa_py import Exa exa = Exa(api_key="your-api-key") # Semantic search — describe what you want in plain language result = exa.search( "Why did NVIDIA stock drop despite strong Q4 2026 earnings", type="neural", # semantic search, not keyword num_results=10, start_published_date="2026-02-25", # only search for latest information contents={ "text": {"max_characters": 3000}, # get full article text "highlights": {"num_sentences": 3}, # key sentences "summary": {"query": "What caused the stock drop?"} # AI summary } ) for r in result.results: print(f"[{r.published_date}] {r.title}") print(f" Summary: {r.summary}") print(f" URL: {r.url}\n") 这里比较值得注意的是 contents 这个参数，它不只能返回链接，还能直接把文章正文抽出来、提取关键句、生成摘要，免去了一篇篇点开看的时间浪费。 另外，在这里分享几个我用的比较多的搜索模式。 第一个是，按类型过滤。比如我只想看彭博、路透这些权威来源的财报分析，不想看营销号的二手信息，加一个 category 就行： # Only financial reports from trusted sources earnings = exa.search( "NVIDIA Q4 2026 earnings analysis", category="financial report", num_results=5, include_domains=["reuters.com", "bloomberg.com", "wsj.com"], contents={"highlights": True} ) 第二个是相似文章检索。看到一篇不错的分析，想找更多类似观点的文章，用 find_similar，给它一个URL，它会找到内容相似的其他文章： # "Show me more analysis like this one" similar = exa.find_similar( url="https://fortune.com/2026/02/25/nvidia-nvda-earnings-q4-results", num_results=10, start_published_date="2026-02-20", contents={"text": {"max_characters": 2000}} ) 第三个是深度搜索。碰到复杂问题，比如中东局势对半导体供应链的影响，普通搜索结果太散，用 type="deep" 让它综合多方面信息，还能按你要的结构返回摘要： # Complex question — needs multi-source synthesis deep_result = exa.search( "How will Middle East tensions affect global tech supply chain and semiconductor stocks", type="deep", num_results=8, contents={ "summary": { "query": "Extract: 1) supply chain risk 2) stock impact 3) timeline" } } ) 第四个是实时新闻监控。限定下发布时间，就能只搜当天的美股新闻： # Breaking news only — today' iss date 2026-03-05 breaking = exa.search( "US stock market breaking news today", category="news", num_results=20, start_published_date="2026-03-05", contents={"highlights": {"num_sentences": 2}} ) 我做了十几个搜索模板，覆盖了日常关注的所有方向：美联储政策、科技股财报、中东局势对油价的影响、宏观流动性指标变化……每天早上自动跑一遍，结果就能推到我手机上。 以前可能每天找全这些信息需要耗费一两个小时，现在早上起床看5分钟摘要，就已经能浏览完所有重要信息。 ###02、存储：让Milvus记住我的所有历史操作与偏好 除了光知道外面发生了什么之外，普通投资者最需要的，是避免记吃不记打。 比如什么时候追高为Meta的元宇宙梦想买过单，什么时候卖飞了因为openclaw爆发的苹果。 历史教训很多，但一个礼拜出手七八回之后，就经常忘了自己都怎么亏过钱。所以，我把自己之前做对了什么、做错了什么、有什么偏好和盲区，全部存在了Milvus向量数据库里。 （当然，也有同事说，这是个韭菜RL，但多复盘多总结总归是没错的） 不过这里值得多提一嘴的是，一定要区分长期记忆、短期记忆、狭义知识库。 比如，我的选股偏好，投资理念，这些是长期记忆，需要每次喂给模型；具体操作方式是把以前和Agent的对话、经验总结存下来，让AI知道我是谁、我做过什么、我容易犯什么错。（这里最好直接MD格式存储，透明化的展示到底学了什么、记了什么） 那些亏钱小操作，则应该归属知识库的范畴，在遇到类似的情况的时候，再被检索出来，用来提醒。 产品文档、研报、FAQ 这类参考材料，是客观外部知识，所以也属于狭义知识库概念在需要的时候被唤起。 我自己搭的这套系统，主要做的是前两个，研报、招股书这些，都可以公开检索到，没必要放在数据库中。 具体选型上，我选了Milvus Lite ，可以本地部署，不用搭服务器就能直接跑。然后把自己需要的专属信息，分了三个库存储，建库代码贴在这里了，维度 1536 是和OpenAI的embedding模型匹配的，直接用就行： from pymilvus import MilvusClient, DataType from openai import OpenAI milvus = MilvusClient("./my_investment_brain.db") llm = OpenAI() def embed(text: str) -> list[float]: return llm.embeddings.create( input=text, model="text-embedding-3-small" ).data[0].embedding # Collection 1: past decisions and lessons # Every trade I make, I write a short review afterward milvus.create_collection( "decisions", dimension=1536, auto_id=True ) # Collection 2: my preferences and biases # Things like "I tend to hold tech stocks too long" milvus.create_collection( "preferences", dimension=1536, auto_id=True ) # Collection 3: market patterns I've observed # "When VIX > 30 and Fed is dovish, buy the dip usually works" milvus.create_collection( "patterns", dimension=1536, auto_id=True ) 建库之后，另一个比较棘手的问题是，怎么让AI知道什么该记住，或者什么时候该检索了。 这里我写了个简单的 “记忆提取器”，每次跟 AI 聊完天自动运行，不管是我说 “这轮 AI 行情像 2000 年互联网泡沫”，还是复盘某次交易的错误，系统都会自动把这些有价值的洞察，决策记录、个人偏好、市场规律、经验教训提取出来，分门别类存进Milvus，还会自动查重，避免存重复（相似度超过0.92）的内容，核心代码如下，挂在对话结束后就行，不用改太多： import json def extract_and_store_memories(conversation: list[dict]) -> int: """ After each chat session, extract personal insights and store them in Milvus automatically. """ # Ask LLM to extract structured memories from conversation extraction_prompt = """ Analyze this conversation and extract any personal investment insights. Look for: 1. DECISIONS: specific buy/sell actions and reasoning 2. PREFERENCES: risk tolerance, sector biases, holding patterns 3. PATTERNS: market observations, correlations the user noticed 4. LESSONS: things the user learned or mistakes they reflected on Return a JSON array. Each item has: - "type": one of "decision", "preference", "pattern", "lesson" - "content": the insight in 2-3 sentences - "confidence": how explicitly the user stated this (high/medium/low) Only extract what the user clearly expressed. Do not infer or guess. If nothing relevant, return an empty array. """ response = llm.chat.completions.create( model="gpt-4o", messages=[ {"role": "system", "content": extraction_prompt}, *conversation ], response_format={"type": "json_object"} ) memories = json.loads(response.choices[0].message.content) stored = 0 for mem in memories.get("items", []): if mem["confidence"] == "low": continue # skip uncertain inferences collection = { "decision": "decisions", "lesson": "decisions", "preference": "preferences", "pattern": "patterns" }.get(mem["type"], "decisions") # Check for duplicates — don't store the same insight twice existing = milvus.search( collection, data=[embed(mem["content"])], limit=1, output_fields=["text"] ) if existing[0] and existing[0][0]["distance"] > 0.92: continue # too similar to existing memory, skip milvus.insert(collection, [{ "vector": embed(mem["content"]), "text": mem["content"], "type": mem["type"], "source": "chat_extraction", "date": "2026-03-05" }]) stored += 1 return stored 这样做的好处是，我和AI聊天的时候根本不用刻意记笔记。聊完了，系统就会自动把有价值的东西存下来。时间一长，它对我的了解会越来越深。 到了下次想要冲动交易的时候，我就先做一下检索，写个检索函数，把当前市场场景输进去，就能调出对应的历史经验（至于是要强化自己的经验，还是把历史操作作为反面案例反思，大家根据自己实力量力而行）。 def recall_my_experience(situation: str) -> dict: """ Given a current market situation, retrieve my relevant past experiences, preferences, and observed patterns. """ query_vec = embed(situation) # Search all three collections in parallel past_decisions = milvus.search( "decisions", data=[query_vec], limit=3, output_fields=["text", "date", "tag"] ) my_preferences = milvus.search( "preferences", data=[query_vec], limit=2, output_fields=["text", "type"] ) my_patterns = milvus.search( "patterns", data=[query_vec], limit=2, output_fields=["text"] ) return { "past_decisions": [h["entity"] for h in past_decisions[0]], "preferences": [h["entity"] for h in my_preferences[0]], "patterns": [h["entity"] for h in my_patterns[0]] } # When Agent analyzes current tech selloff: context = recall_my_experience( "tech stocks dropping 3-4% due to Middle East tensions, March 2026" ) # context now contains: # - My 2024-10 lesson about not panic-selling during ME crisis # - My preference: "I tend to overweight geopolitical risk" # - My pattern: "tech selloffs from geopolitics recover in 1-3 weeks" ###03、分析：把我的分析逻辑写成Openclaw的Skill 信息有了，记忆有了，最后还缺一个东西：分析逻辑。 如果只是把新闻和记忆丢给AI说帮我分析一下，大概率它会给你一篇四平八稳的通用分析，什么角度都提一嘴，什么结论都不敢下。这种东西对决策没用。 所以，我需要的是它按照我的标准来分析。哪些指标我看重，哪些情况我认为是危险信号，什么时候该保守什么时候该激进。这些规则每个人不一样，得自己定义。 OpenClaw的Skills机制刚好干这个事。你可以在Agent的工作目录下放一个markdown文件，把遇到什么情况该怎么做写清楚。Agent收到相关消息的时候会自动调用它。 这是我写的财报后操作判断 Skill，大家可以根据自己的实际需求自行修改： --- name: post-earnings-eval description: > Evaluate whether to buy, hold, or sell after an earnings report. Trigger when discussing any stock's post-earnings price action, or when a watchlist stock reports earnings. --- ## Post-Earnings Evaluation Framework When analyzing a stock after earnings release: ### Step 1: Get the facts Use Exa to search for: - Actual vs expected: revenue, EPS, forward guidance - Analyst reactions from top-tier sources - Options market implied move vs actual move ### Step 2: Check my history Use Milvus recall to find: - Have I traded this stock after earnings before? - What did I get right or wrong last time? - Do I have a known bias about this sector? ### Step 3: Apply my rules - If revenue beat > 5% AND guidance raised → lean BUY - If stock drops > 5% on a beat → likely sentiment/macro driven - Check: is the drop about THIS company or the whole market? - Check my history: did I overreact to similar drops before? - If P/E > 2x sector average after beat → caution, priced for perfection ### Step 4: Output format Signal: BUY / HOLD / SELL / WAIT Confidence: High / Medium / Low Reasoning: 3 bullets max Past mistake reminder: what I got wrong in similar situations IMPORTANT: Always surface my past mistakes. I have a tendency to let fear override data. If my Milvus history shows I regretted selling after a dip, say so explicitly. 写完之后，把这段内容丢到 OpenClaw 工作目录的 skills/ 文件夹下就行。以后每次我跟 Agent 聊到某只股票的财报表现，它就会自动按这个框架来分析。 最后那行是关键，「我有被恐惧驱动的倾向，如果历史记录显示我曾后悔过在下跌时卖出，请明确告诉我」。一个给自己量身定做的纠偏机制。 类似的skill还有很多，我会针对情绪面、宏观面、资金面全都写一个简单的分析skill，然后把Binance 的K线、推特的kol言论也做一个搜集总结。 此外，我还把自己喜欢的投资大师的风格，写成了skill，模拟类似的情况，他们会怎么决策，作为我自己的决策参考之一。目前市场上已经有很多公开的巴菲特模拟skills、桥水风格模拟skill是，大家可以直接按需写入。 此外，需要注意一点，我们比较关注RSI、MACD这些指标，千万别交给AI去算，直接无脑调用，或者自己写函数，大模型在这方面经常会出现bug。 当然，做完以上这些还不够，如果所有操作都得我手动触发，那跟自己刷新闻也没啥区别。 所以，这里我重点使用了OpenClaw 的Heartbeat 机制。Gateway 会每隔 N 分钟（默认30分钟）会自动触发一次，然后Agent会 根据你写的HEARTBEAT.md来决定什么时候该做什么，最后把结果直接推到手机上。 同样的，这里你也不用写定时任务代码，只需要写一个 markdown 文件： # HEARTBEAT.md — runs every 30 minutes automatically ## Morning brief (6:30-7:30 AM only) - Use Exa to search overnight US market news, Asian markets, oil prices - Search Milvus for my current positions and relevant past experiences - Generate a personalized morning brief (under 500 words) - Flag anything related to my past mistakes or current holdings - End with 1-3 action items - Send the brief to my phone ## Price alerts (during US market hours 9:30 AM - 4:00 PM ET) - Check price changes for: NVDA, TSM, MSFT, AAPL, GOOGL - If any stock moved more than 3% since last check: - Search Milvus for: why I hold this stock, my exit criteria - Generate alert with context and recommendation - Send alert to my phone ## End of day summary (after 4:30 PM ET on weekdays) - Summarize today's market action for my watchlist - Compare actual moves with my morning expectations - Note any new patterns worth remembering ###04、整体效果展示 目前整个系统流程跑起来是这样的： 每日固定早报，每天早上7点左右自动执行。用 Exa 搜隔夜全球市场动态，从 Milvus 里捞出我的持仓情况和相关历史经验，喂给大模型生成一份定制化的简报，推送到手机上，告诉我隔夜发生了什么、跟我的持仓有没有关系。然后我趁着刷牙和开车时间，整体听一遍。 盘中警报，美股交易时间每30分钟巡检一次。如果关注的股票波动超过3%，立刻推一条消息，附带你当初为什么买的、现在是不是到了你设定的止损止盈点。 周度周报复盘。作为一个价值投资者，为了避免被市场情绪干扰，有时候我会刻意不盯盘，然后让Agent 生成周报，周末花半小时看一下就好。   之前每周完成以上动作，需要至少花十几个小时，现在能压缩到两小时左右，完全不影响上班。而且整体的信息覆盖变得更全面、质量更高。 配合上历史操作复盘，我整体的冲动交易的次数少了很多，摩擦成本随之大大降低。 ###05、尾声 回想一下，要是一年前要搭同样的东西，得自己写一堆胶水代码，定时任务、消息推送、记忆管理全得从零来。 现在用 OpenClaw ，只要给它一套规则、一个记忆库、一个时间表，它就能自己去跑，跑完了把结果推给你，整个过程，被极大地简化了。 不过搭这个框架，我也还是花了两个周末，时间主要是用来梳理自己的判断标准，写skill了。 所以，本质上，这不算一个可以帮你赚钱的工具，只是把过去需要费大功夫做的信息搜集、历史数据回顾，变得更简单、更自动化了。 但换个思路，如果把这个框架换一套 Skill 和数据源，就可以从盯盘agent，编程盯论文、盯竞品、盯舆情、盯供应链的agent。 标签: AI智能 openclaw
评论已关闭