夜雨聆风
我没写一行代码:AI帮我打造股票管理工具
前言
作为一个 A 股韭菜，我每天收盘后都要查看持仓盈亏。但我不会写 Python，自己手动更新每天的数据又太烦了。
于是我做了个实验：全程用自然语言描述需求，让 AI 来完成所有代码编写。
这篇文章记录了这个过程——从最初的一个简单想法，到最后完整的面向对象架构，我没有写一行代码，全靠 AI 完成。
我的原始需求
我的投资笔记都在 Obsidian 里，每只股票一个 Markdown 文件：
---股票名称:招商银行股票代码:'600036'成本价:30.723现价:39.26---每天收盘后，我需要手动：
-
打开股票软件看收盘价 -
修改每个文件的”现价”字段 -
更新数据时间戳
我对 AI 说：”帮我写一个脚本，自动从腾讯 API 获取股票价格，然后更新我的 Obsidian 文档。”
第一阶段：AI 生成第一版脚本
我的指令：
“读取
~/obsidian/财务管理/stock/目录下的股票文档，从腾讯 API 获取最新价格，更新文档里的现价字段。”
AI 交付：
-
一个 50 行的 Python 脚本 -
硬编码了 5 只持仓 -
用正则表达式替换文件内容
我验证：运行脚本，Obsidian 文档确实更新了。
问题暴露：
-
持仓是写死在代码里的，改持仓要改代码 -
没有错误处理，API 失败就崩溃 -
功能单一，只能更新文档
第二阶段：需求扩展，AI 迭代
用着用着，我发现还需要更多功能。
需求 1：生成收盘记录
我对 AI 说：
“每天收盘后生成一个汇总文件，记录总市值、总盈亏、当日盈亏，方便历史回溯。”
AI 交付：
-
新增 create_holding_report.py脚本 -
自动生成 Markdown 格式的收盘记录 -
包含表格化的持仓明细
需求 2：发送邮件报告
我对 AI 说：
“把收盘记录发送到我的邮箱，这样手机上也能看。要移动端友好的 HTML 格式。”
AI 交付：
-
新增邮件发送脚本 -
解析收盘记录，生成 HTML 邮件 -
涨红跌绿（中国股市惯例） -
通过 SMTP 发送
需求 3：记录交易
我对 AI 说：
“我减仓了一只股票，需要更新持仓数量。还要支持新增标的。”
AI 交付：
-
引入配置文件 stock_holdings.json -
支持 trade命令记录买入/卖出 -
自动计算加权平均成本
问题浮现
我发现：三个脚本各自独立，有很多重复代码。
我对 AI 说：
“检查整体流程，看看有没有逻辑问题或配置文件缺失。”
AI 发现：
-
收盘记录脚本使用硬编码持仓，未从配置文件读取 -
三个脚本的配置可能不一致
我要求：”修复这个问题，让所有脚本共用同一配置。”
AI 修复：统一从配置文件读取持仓配置。
第三阶段：架构升级，AI 重构
我对 AI 说：
“考虑一下重构这几个 Python，以面向对象方式处理，让代码更加健壮合理。”
AI 的架构设计：
stock_modules/├── __init__.py # 包初始化├── exceptions.py # 自定义异常类├── config_manager.py # ConfigManager - 持仓配置管理├── api_client.py # StockAPIClient - API数据获取├── report_generator.py # ReportGenerator - 报告生成└── email_sender.py # EmailSender - 邮件发送AI 生成的核心类：
1. ConfigManager – 配置管理
@dataclassclassHoldingConfig: code: str name: str shares: int cost: float type: str = "stock" @propertydefis_etf(self) -> bool:return self.type == "etf"classConfigManager:defadd_shares(self, code, shares, price):"""加仓：更新持仓数量，计算加权平均成本""" ...defremove_shares(self, code, shares):"""减仓或清仓""" ...2. StockAPIClient – 数据获取
@dataclassclassStockData: code: str current_price: float shares: int cost: float @propertydefpnl(self) -> float:"""持仓盈亏 = 市值 - 成本"""return self.shares * (self.current_price - self.cost)defvalidate(self):"""数据合理性验证""" ...3. 统一 CLI 入口
AI 生成：stock_cli.py 统一入口
python stock_cli.py update # 更新价格+生成报告python stock_cli.py email # 发送邮件python stock_cli.py trade # 记录交易python stock_cli.py list # 查看持仓第四阶段：全流程测试
我对 AI 说：
“用昨天的数据测试重构以后整体的流程，实际发送邮件。”
AI 执行：
-
stock_cli.py update– 获取 5 只持仓最新价格，更新 6 个 Obsidian 文档，生成收盘记录 -
stock_cli.py email– 解析收盘记录，生成 HTML 邮件并发送
结果验证：
-
邮件成功发送到指定邮箱 -
数据准确：总市值、总浮盈、当日盈亏一目了然 -
格式正确：移动端友好的 HTML 表格
我确认：重构后的 OOP 架构运行正常。
实际运行效果
现在我的每日流程完全自动化：
# 每天 15:30 自动执行python stock_cli.py update # 获取数据 → 更新文档 → 生成记录python stock_cli.py email # 发送邮件到邮箱邮件包含：总市值、总浮盈、当日盈亏、持仓明细、仓位占比、策略提示。
邮件特点：
-
📱 移动端优化，表格自适应屏幕 -
🔴🟢 涨红跌绿，符合中国股市习惯 -
📊 仓位占比可视化进度条 -
💡 每只股票的策略关注要点
Obsidian 文档：
-
现价字段自动更新 -
数据时间戳自动刷新 -
历史记录可追溯
我做了什么？AI 做了什么？
我做的（全程自然语言）
|
|
|
|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
AI 做的（全部代码工作）
-
✅ 架构设计 -
✅ 代码编写 -
✅ 调试修复 -
✅ 重构优化 -
✅ 测试验证
我没有写一行代码。
这个模式能复制吗？
什么场景适合？
-
个人工具开发 – 自动化脚本、数据处理、报告生成 -
原型验证 – 快速实现想法，验证可行性 -
代码重构 – 从混乱到清晰的架构升级 -
学习辅助 – 通过观察 AI 生成的代码学习最佳实践
关键成功因素
1. 需求描述要清晰
❌ 不好的描述：”帮我写个股票程序”
✅ 好的描述：”读取 Obsidian 文档，从腾讯 API 获取价格，更新现价字段”
2. 分步骤迭代
不要一次性要求太多。先让 AI 做核心功能，验证通过后再扩展。
3. 及时反馈问题
发现问题立即告诉 AI：”ETF 信息没显示”、”成本换行了不好看”、”发件人改成我的名字”
4. 让 AI 检查自己
“检查整体流程是否有逻辑问题”、”测试发送邮件”
总结
这个项目的特别之处不在于技术有多复杂，而在于开发方式的转变：
-
传统方式：我学习 Python → 查文档 → 写代码 → 调试 → 重构 -
AI 协作方式：我描述需求 → AI 生成代码 → 我验证 → AI 修复
效率对比：
-
传统方式：可能需要一周（学习 + 开发 + 调试） -
AI 协作：一个上午完成从需求到架构重构
代码质量：
-
面向对象设计 -
自定义异常处理 -
类型提示完整 -
模块职责清晰
更重要的是：这个过程让我意识到，未来的开发可能不再是”写代码”，而是”描述问题”。
附录
AI 工具信息
工具名称：WorkBuddy Claw
底层模型：腾讯云 AI 代码助手（基于腾讯混元大模型）
能力范围：自然语言理解、代码生成、文件操作、命令执行
交互方式：对话式，支持多轮迭代
使用建议
-
从简单需求开始，逐步增加复杂度 -
每轮对话聚焦一个具体任务 -
及时验证结果，给出明确反馈 -
让 AI 解释代码，帮助理解实现逻辑
隐私说明
本文涉及的个人数据（邮箱、持仓、路径等）均已脱敏处理。
投资有风险，本文仅供技术交流，不构成投资建议