AI guides

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

By 张晨1 viewsSource: Zilliz
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

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。

The full text has not been translated yet. The Chinese original is shown below.

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。

文章配图

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。

文章配图

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(本地部署、免费)。

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。

文章配图

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。

文章配图

文章配图

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。

而整体成本,也只有一开始说的10美金大模型成本,和10美金Exa成本,还有一点电脑开机的电费。

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。

欢迎大家做更多的尝试与探索,在评论区与我们多多分享,工程师会24小时为您答疑解惑。

作者介绍

文章配图

张晨

Zilliz Algorithm Engineer

文章来自于“Zilliz”,作者 “张晨”。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)