OpenClaw部署指南：十分钟构建个人股票分析助手与技能安装

新年伊始，“养虾”（指部署和使用 OpenClaw）似乎成了技术圈的新潮流。作为一个深度使用过 Cursor、Antigravity 等 AI 编程工具的开发者，我起初对 OpenClaw 并没有太大兴趣——我一直认为，未经人工审核的 AI 生成的交易策略，我是绝对不敢用的。我们也曾翻阅过一些券商发布的关于 OpenClaw 的研究报告。

个人觉得，这些报告里描述的功能，即使实现了，很多人也会半信半疑。很难想象一个分析工具给出建议，用户就全盘采纳，这不太现实。究其原因，主要有以下几点：

1. 建议的本质是算法逻辑：这些所谓的“建议”背后都有一套算法逻辑，但其质量高低完全取决于 AI 调用了哪套逻辑，或者你的提示词写得怎么样。
2. 稳定性问题：对于纯靠提示词驱动的项目，稳定性往往很差。提示词稍有变动，得出的结果可能就天差地别。
3. 建议难以验证与回测：除非你直接让 AI 构建一个可回测的量化策略框架。但根据我的实践经验，AI 生成的代码虽然 95% 可用，但剩下的 5% 需要你反复推敲、修正其逻辑合理性，最终才能决定是否使用。这个过程相当耗时。这可能和我的性格有关：不完全了解的代码，我不敢用，更不敢给别人用。

最近因为一些事务焦头烂额，我们计划开发自己的 Agent 体系，需要部署一些开源项目来做功能测试。这让我突然打开了思路：或许可以利用 OpenClaw 来快速部署别人的 GitHub 项目，用于功能测试。

由于时间有限，没有精力从零搭建原生 OpenClaw 环境，我们选择使用云服务商的一键部署方案。本文基于腾讯云服务，选用 DeepSeek（性价比高）作为大模型，飞书作为对话工具，具体 skills 将在后文介绍。

本文将分为以下几个部分：

• 个人投资者使用 OpenClaw 作为投资助手的典型场景。
• 通过腾讯云服务一键部署“小龙虾”环境，配置 DeepSeek 大模型、飞书通道及部分技能。
• 实战：部署一个 GitHub 上的开源股票分析项目。
• 一些关键点：数据源设置、Skill 构建方法等。

风险提示：

OpenClaw 对系统权限要求较高，不建议在个人主力电脑上安装。切勿向其输入敏感信息或个人隐私数据，可能带来意想不到的风险。

通过阅读本文，你基本上可以在 10 分钟内成功部署一个 OpenClaw 实例，并在半小时内初步构建起自己的分析系统。

个人使用场景

最近看了一些券商研报，总结下来，个人投资者作为使用主体，主要可以应用在以下几个场景：

1. 资讯与公告助手：每天开盘前，自动向你的飞书推送当天发生的国际大事、重要个股公告。它甚至可以根据你设置的自选股列表，进行信息匹配。公告数据源可以通过爬取同花顺等平台获得。
2. 实时行情监控：如果你平时工作忙，没时间盯盘，可以让它自动监控某只股票的价格。设定好阈值（例如涨到XX元或跌到XX元），到达后通过飞书向你发送提醒。切记：千万不要让它直接操作你的交易账户，风险不可控。
3. 构建量化策略（慎用）：你可以对它说：“从网上找一个 PB-ROE 策略的构建框架，然后帮我实现一个经典的 PB-ROE 选股策略，所需数据请从 Tushare 获取。构建完成后，请将策略的主要指标和最新一期持仓组合发给我，并做一下回测。” 这样你就能获得一个策略雏形，并可以将这个策略封装成一个 skill.md 文件，作为 OpenClaw 的一个技能直接调用。慎用提示：如果你不是专业量化人员，请谨慎尝试。目前看来，生成的代码仍有需要人工检查和修改的地方。
4. 部署 GitHub 项目：GitHub 上有大量开源的股票分析项目，苦于不懂部署？利用 OpenClaw 可以高效部署这些相对成熟的项目，将其变为你的股票智能管家。这其实是一个快速测试和集成 开源实战 项目的好方法。
5. 筛选特定形态个股：设计一个工作流：先让它搜索并理解某种股票走势形态（如“杯柄形态”）的定义，然后你提供数据源，最后让它编写代码筛选出近期符合该形态的个股。
6. 其他，等你来补充。

下面是将我的 OpenClaw 机器人命名为“股票智能管家”后，它自动推荐的一些相关技能服务，仅供参考：

所以，千万不要神化 OpenClaw。先不说它消耗的 Token 量巨大，其能实现的功能也确实有限，远没有外界吹嘘的那么神奇。请大家理性看待。

Skills 构建方法

1. 开源社区安装

OpenClaw 拥有一个活跃的社区，上面有很多现成的开源 Skills，例如上图中推荐的技能。你也可以直接去 ClawHub 社区搜索安装。或者，更简单的方式是在腾讯云服务器的 OpenClaw 管理后台直接搜索并安装所需技能。

2. 对话框安装

方法一：直接安装
在飞书对话框中直接输入指令，让它自行搜索并安装技能（此过程会消耗 Token）。例如：“帮我安装名为 stock_analysis 的 skill”。

方法二：构建新工作流
直接将你想要实现的功能描述输入对话框，让它自主执行并最终封装成 Skill。例如前面提到的 PB-ROE 策略构建，只需在指令最后加上“并帮我构建成一个 skill”即可。

3. 手动编写 Skill.md

你也可以手动编写 skill.md 文件。下面的示例摘自某券商研报的提示词模板：

该文件本质上定义了 Agent 在运行时的行为约束与任务执行模板，是构建稳定、可靠 人工智能 应用的基础。

安装与部署

OpenClaw 一键部署

目前国内多家云服务商提供了一键部署 OpenClaw 的服务。为了节省时间，本文采用腾讯云服务进行演示。下图展示了具体的购买流程：

模型配置与飞书接入

购买完成后，在控制台找到你的服务器，点击“管理实例”。
第一步： 进入管理实例界面。

第二步： 在 OpenClaw 管理面板中，依次配置模型、接入飞书通道、安装所需 Skills。

至此，基础安装就差不多了。飞书接入需要你扫码登录授权。完成后，就可以开始使用了。

在飞书中，你会获得一个与你的专属“小龙虾”对话的窗口：

项目实战：部署 GitHub 开源项目

安装 daily_stock_analysis 项目

项目地址：https://github.com/ZhuLinsen/daily_stock_analysis

这是一个调用大语言模型进行股票分析的项目。此处仅作为部署案例演示，笔者对其分析逻辑和结论持保留意见。作为一个量化从业者，我认为这类项目有时包装大于实质，界面虽美观，但内在的算法严谨性和逻辑清晰度有待商榷。

1. 安装前准备

由于该项目体积较大，且直接从 GitHub 拉取可能因网络问题失败，建议先手动将项目文件上传到服务器。具体操作如下：

2. 部署指令

对话内容：“帮我安装 GitHub 上（附上网址）一个名为 daily_stock_analysis 的项目。项目文件我已经上传到你的本地文件夹：/root/daily_stock_analysis/daily_stock_analysis-main.zip，请从本地读取并部署。”

经过大约半小时的自动安装、依赖解决和测试后，项目部署成功：

3. 项目验收

Web 界面展示：

飞书消息推送（分析结果示例）：

实现功能与原项目基本一致。

总结

通过以上步骤，你应该已经对 OpenClaw 的基本用途有了清晰的认识。对于从事交易相关工作的朋友来说，这无疑是一个快速获取免费分析工具的原型的好方法。本次实践总共消耗了约 7 元人民币的 DeepSeek API 费用，重在体验和学习其作为 智能 & 数据 & 云 时代的一种新型工具集成与自动化部署的潜力。最终，所有关于技术实践的深入讨论和交流，都欢迎来到 云栈社区 与我们共同探索。