AI news

前腾讯云架构师打造的“金融龙虾”,用 Agent 打造你的专属基金

By 有新Newin0 viewsSource: 有新Newin
前腾讯云架构师打造的“金融龙虾”,用 Agent 打造你的专属基金

OpenFinClaw 团队把试图填补这层能力断层的系统,称为“金融龙虾”——一只可以 7×24 小时持续运行、替用户完成分析、建模、执行与风控的 AI 基金经理。但在产品定位上,它更接近一个工具提供商,而不是资产管理方:用户资金仍在自己的账户中,系统只负责提供策略生成、执行与风控能力,把原本属于机构的整套工作流,以工具的形式交付给个人。

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

文章配图

过去两年,AI 的叙事正在发生一个明显转向:从“更聪明的模型”,走向“更完整的系统”。最先被彻底重构的是编程领域——从 Copilot 到 Cursor,再到 Devin,开发者开始把一整段工作流程直接交给 Agent 完成。写代码这件事,不再只是效率提升,而是在被系统逐步接管。

如果把视角再往外拉,会发现编程只是一个起点。更多行业还停留在“用 AI 提升一点效率”的阶段,而不是被整体重写。金融就是其中一个最典型的例子:一边是机构级团队用系统化能力处理市场,另一边是数亿个人投资者依赖碎片信息做决策,这种结构几十年没有变化。

OpenFinClaw 团队把试图填补这层能力断层的系统,称为“金融龙虾”——一只可以 7×24 小时持续运行、替用户完成分析、建模、执行与风控的 AI 基金经理。但在产品定位上,它更接近一个工具提供商,而不是资产管理方:用户资金仍在自己的账户中,系统只负责提供策略生成、执行与风控能力,把原本属于机构的整套工作流,以工具的形式交付给个人。

▍“金融龙虾”帮你打造专属基金

过去一年,Coding 领域已经完成了一轮非常明确的验证:Agent 已经可以定义新的生产力单元。Cursor、Devin、Anthropic 这一批公司,从产品形态到商业化路径都在证明同一件事——当 Agent 能够接管完整工作流时,价值不再来自“辅助”,而来自“替代一部分组织能力”。

从结果上看,这种变化已经被资本市场定价。Anthropic、Cognition 以及 Cursor 估值被推高至千百亿美元,本质上反映的是同一个判断 ——当一个系统可以接管一整类工作时,它对应的就是岗位市场。

把这个逻辑放到金融领域,会看到一个更有张力的场景。编程 Agent 面对的是约 500万开发者,而金融市场面对的是数亿级个人投资者,两者最大的差别不在规模,而在结构——开发者具备专业能力,而大多数投资者,并没有系统化工具。如果把对比口径进一步收窄,这种差异会更清晰。真正具备量化能力的专业从业者,全球规模可能不到 50 万人,而他们对应的,是一个拥有数亿参与者的市场。

文章配图

再往下看,这种结构会变得更直观。一端是机构:团队、系统、基础设施与 7×24 小时的持续运转;另一端是个人投资者:依赖信息、经验和直觉做决策,底层是工具层面的差距,就像是铁锹对坦克,这个结构几十年没有发生变化。

在这样的背景下,OpenFinClaw 将机构内部的一整套工作流程拆解,并通过 Agent 重新组合为一个系统。用户只需要输入一个判断,系统就会自动完成数据获取、策略生成、回测验证与执行路径设计,整个过程被压缩在几十秒内完成。

文章配图

OpenFinClaw 将自己定位成一家工具提供商。用户资金始终留在自己的账户中,系统只提供计算与执行能力。它真正改变的,是过去只有机构才能拥有的整套能力,第一次被压缩成一个可以订阅的工具。

此外,用户还可以一键让 金融龙虾学会策略回测和提交到进化策略社区:

文章配图

在 OpenFinClaw 的策略社区里,一条策略不再只是静态结果,而是一个可以持续演化的“活体系统”,在真实市场反馈中不断被修正的过程:

文章配图

为什么选择现在呢?过去 LLM 更多停留在生成与理解层面,而这一轮能力跃迁,使其开始具备处理复杂决策链条的能力;同时,多 Agent 协作协议逐渐成熟,让“系统内分工协作”成为现实;再叠加本地执行与安全机制的完善,涉及资金的应用第一次具备了可落地条件。

▍在 OpenFinClaw 体验金融龙虾

那么 OpenFinClaw 实际体验如何?

这得从它的前身 Findoo 开始说起。Findoo 是 xDAN 团队已经上线的金融专家 Agent,它的主页面展示了全球实时市场脉搏,不同市场的信息流同步滚动,来源覆盖主流财经媒体和 Twitter 实时讨论。用户不用再一个个来源手动刷新,信息自己就可以跑过来。

文章配图

但 Findoo 仍然是“被使用”的工具,需要用户主动提问与驱动。OpenFinClaw 在这一点上做了一个关键跃迁:从“响应指令”,变成“持续运行”。

团队用一个更直观的比喻来解释这种变化——“养一只金融龙虾”。用户每天打开界面,不再只是看到行情或信息,而是看到 Agent 的工作状态:是在优化策略、生成报告,还是发现了新的交易信号;某个策略是否需要审批;系统当前处于怎样的运行阶段。用户的角色,也从执行者,变成了一个在管理系统的人。

文章配图

这种体验和传统交易 App 的差异非常明显。后者提供的是工具:行情、新闻、下单入口,所有研究与决策压力都在用户身上。而在这里,系统本身是一支持续运转的“后台团队”:自动扫描市场、分析标的、生成并回测策略。用户更多是在观察结果,并在关键节点做判断,而不是从零开始做每一个决策。

文章配图

从我们的测试体验来看,印象最深的主要体现在以下几个场景:

1)对话式研究:输入一个问题,例如分析某只股票走势,系统会自动调用多个数据源,完成信息收集、整理与推理,并在短时间内输出结构化结果,包括趋势判断、行业背景与操作建议。更重要的是,这个过程不是简单的信息拼接,而是基于已有上下文持续推理,后续追问时可以直接延续原有逻辑,而不是重新开始。

文章配图

文章配图

2)策略生成与验证:只需要用自然语言描述一个简单规则,例如基于 RSI 的动量策略,系统就可以自动完成策略构建与回测,并给出收益、回撤与关键问题分析。整个过程不涉及代码,也不需要理解底层逻辑,策略的调整更像是对话——修改条件、优化参数,系统会立即重新计算并给出结果。策略从一个高门槛能力,变成一个可以快速试错和迭代的过程。

文章配图

3)全链路运行体验:当用户不再只问问题,而是直接设定目标,例如启动一个模拟组合,系统会自动完成初始化,包括策略设计、资金管理与风控规则配置,并进入持续运行状态。在这个过程中,系统不仅执行任务,还会根据市场变化主动给出判断,例如是否需要等待入场时机。这种状态更接近“管家”,而不是工具。

以白酒行业为例,我们让 OpenFinClaw 分析一下贵州茅台最近的走势,结合宏观环境和行业动态,给一个综合判断。

OpenFinClaw 做了以下操作:

  • 自动调用数据源:收到指令后,不需要用户主动告诉它需要读取哪类资料,OpenFinClaw 自动触发多个工具调用。系统界面显示其连续执行了数次web_fetch操作,尝试获取实时行情及相关数据。

文章配图

  • 透明化处理局限:因数据接口受限,OpenFinClaw 明确说明“实时行情接口受限”,并声明后续分析基于公开信息及知识库。
  • 快速交付结构化报告: OpenFinClaw 在 1 分钟内生成了一份结构化报告,包含近期走势、行业动态表格、操作建议等。

文章配图

在这个任务中,OpenFinClaw 并没有做简单的信息搜索和罗列,其快速整理信息、建立因果推理、并给出明确看法,效率极高,且思考有框架。

为了检测 OpenFinClaw 的上下文记忆,我们继续追问 OpenFinClaw 紧接着追问:“如果我想做一个基于白酒行业的策略,需要关注哪些因子?”

OpenFinClaw 不仅在连续对话中承接了茅台分析的逻辑,更列出了一份详实的白酒行业策略因子框架。最后,也不忘提醒投资者避免“用茅台逻辑套用所有酒企”、“忽视渠道库存”等常见错误。

文章配图

文章配图

尽管 OpenFinClaw 在实时数据的全面获取上可能仍有局限,但其在处理海量信息、构建分析框架、提供多维视角方面的能力,已经足以成为一个随时在线、思维缜密、不知疲倦的金融分析师。

▍塑造 OpenFinClaw 背后的三段经历

OpenFinClaw 的形成,并不是简单的产品演进,而是一条相对完整的能力路径自然收敛的结果——从理解模型能力边界,到理解系统安全边界,再到理解金融场景中的真实代价。

最早的一段经验来自基础设施。创始人成一鹏曾在腾讯云参与 Cloud OS 体系建设,核心工作是资源调度与系统效率优化,其相关算法每年为公司节省数千万成本(专利 CN110162379A)。这类能力本质上是在解决一个问题:一个复杂系统如何在长期运行中保持稳定与可控。而金融场景恰恰是对这一能力要求最高的领域,一次错误,不是性能问题,而是资金损失。

随后进入模型阶段,能力开始向另一侧延伸。成一鹏并不是简单调用模型,而是直接参与模型训练。从 xDAN-R1 到 100B MoE,再到 xDAN-R2-Thinking,一系列迭代的关键,不在于榜单位置,而在于不断逼近模型的能力边界。模型在哪些问题上可靠、在哪些情况下会产生幻觉、哪些决策必须被约束,这些判断不是理论推演,而是在训练过程中被反复验证出来的。

在此基础上,进一步进入多 Agent 系统层。通过参与 IronClaw 的多智能体协议与安全机制建设,开始面对另一个问题:当多个 Agent 协同工作时,错误如何被隔离,风险如何不在系统中扩散。

这些经历帮助成一鹏形成了一个完整的判断体系:既知道模型能做什么、会在哪里出错,也知道系统如何防止错误放大,更清楚在金融场景中这些错误意味着什么。OpenFinClaw 的风控从一开始就被写进系统结构里的约束条件。

在这样的前提下,产品底层选择了一条更偏“系统”的路径,而不是单点工具优化。包括多云环境下的 Agent 调度能力,使系统可以在 AWS、Google Cloud、腾讯云等环境中快速部署并隔离运行;基于 Rust 构建的高性能交易引擎,将回测、模拟盘与实盘打通为一条链路;以及覆盖股票以及加密货币等多市场的接入,使策略可以在更大范围内执行。这些能力的组合,本质上是在复刻一整套机构级基础设施,但以工具形式交付给个人。

成一鹏表示,“在金融领域,Move fast and break things 是不可接受的。我们的设计原则是:Agent 主动出击,但人类永远握有否决权。”

这种能力结构很难通过简单复制获得。开源框架可以复用,模型能力可以接入,但对系统边界的理解、对风险的约束方式,以及在真实场景中长期运行的经验,才构成真正的壁垒。

▍OpenFinClaw 的终极形态

OpenFinClaw 改变的,是投资策略这条路径本身。普通人有时也有很好的投资想法和策略,但很难像机构那样形成搭建、验证和执行的体系。

OpenFinClaw 把策略构建这件事拆解成一个可以对话的过程:用户只需要表达一个判断,比如“降息周期利好港股科技”,系统就会自动完成数据获取、因子构建、策略生成与历史回测,并输出收益、回撤等结果,整个过程压缩在几十秒内完成。

对于没有明确判断的用户,也可以直接使用 OpenFinClaw。据悉, OpenFinClaw 内部持续运行不同策略,比较表现、筛选优劣,并将结果反馈给用户。用户不一定需要从零构建策略,也可以基于已有结果进行选择和组合。这里存在策略之间的流动,但它更多是一种辅助路径,而不是核心逻辑。

那么 OpenFinClaw 的最终形态是如何呢?创始人成一鹏表示,当多策略并行运行、自动组合管理,并在不同市场之间持续调整时,用户面对的是一整套持续运转的系统。策略在生成、验证、执行与淘汰之间循环,风险在多层结构中被控制,整个过程接近一支长期运行的“专属基金”,但它服务的对象只有一个人。

对比当前市场上的产品,一类产品本质仍是规则引擎,例如 3Commas、Cryptohopper,策略依赖人工配置,并没有真正的智能;另一类是通用 Agent,例如 Manus,具备信息整理能力,但缺乏行情、回测与执行链路。

前者停在“执行”,后者停在“理解”,而中间这条从判断到执行的完整路径,一直是空白。OpenFinClaw 填补的正是这一段能力:让判断可以变成策略,让策略可以被验证和执行,并在运行中持续进化。

目前,OpenFinClaw 的定价从 0 到 299 美元/月 分层,其中核心档位在 99 美元/月,如果按照 1 万个付费用户即可对应约 1200 万美元 ARR,这种增长路径更接近 SaaS,而不是传统金融依赖资金规模扩张的模式。

文章来自于微信公众号 “有新Newin”,作者 “有新Newin”

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)