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，我这里选择的是阿里云轻量服务器，参考教程《【教程】阿里云轻量云服务器一键配置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。
