【财通金工】OpenClaw应用:为Agent重构投研信息底座

本微信号推送的内容仅面向财通证券客户中符合《证券期货投资者适当性管理办法》规定的专业投资者。本微信号建设受限于难以设置访问权限，为避免不当使用所载内容可能带来的风险，若您并非专业投资者，请勿订阅、转载或使用本微信号的信息。

风险提示：大语言模型输出随机性风险；大语言模型理解偏差风险；模型迭代升级风险；信息安全事故风险；AI技术发展不完善风险。

在《OpenClaw：打造智能投研Agent团队》报告中，我们构建了由ClawGuide、ClawScout、ClawWatch、ClawQuant、ClawResearch等OpenClaw Agent组成的投研团队，基于OpenClaw的核心架构以及配置文件构造共同搭建了Agent团队的Harness架构。然而，目前仍然普遍存在一个问题是：相同的架构、相同的模型，相同的Prompt，在不同用户手中往往呈现出巨大的性能差异。这一差异的根因，并非模型本身的波动，而在于能否为Agent提供一个足够友好的工作环境。

传统投研工作流高度依赖专业工具和数据终端。研究员习惯使用Wind、同花顺等平台获取行情信息、财务数据，使用Word、PPT等办公软件进行报告撰写与演示。然而，当前大多数模型尚不具备直接操作这些专业软件的能力——无法打开Wind终端、识别屏幕上的可视化图表、解析Word、PPT等二进制文件的内部结构。

这意味着，Agent所面对的信息世界，与人类所处的信息世界是两个不同的“解析空间”。在Agent的视角下，一个看似触手可及的金融终端，其实是完全不可操作的黑盒。

为了破解上述矛盾，本报告希望在”人类友好型数据”和”Agent友好型数据”之间建立系统化的转换层，解决以下两个问题：

1.数据从哪里来？Agent需要访问哪些专业数据源？如何以稳定可靠的方式接入？

2.知识沉淀在哪里？Agent产生的中间结论、研究员积累的私有信息，如何沉淀为可复用的长期资产？

本报告将围绕这两个问题，阐述在Agent数据源选择与知识库建设方面的实践路径，并给出工具选型建议与落地架构。

首先解决第一个问题：”数据从哪里来”。一个自然的解决方案是让Agent直接调用各类数据厂商的API。

投研Agent对数据源的选择需满足三个核心标准：

（1）专业性：数据需为业界广泛认可的专业来源，在投研实践中具有较高接受度。

（2）接口化：数据需可通过标准化接口获取，而非依赖人工操作或屏幕解析。API、Skill接口模式可确保Agent高效、稳定地获取目标数据。

（3）覆盖度：单一数据源应尽可能覆盖投研所需的多种数据类型，减少Agent需要对接的外部接口数量，降低系统复杂度。

同花顺问财SkillHub在这一背景下成为当前较为理想的通道。首先，同花顺是金融信息服务行业的头部供应商之一，数据覆盖度、更新频率和合规性经过长期市场检验；问财SkillHub提供了Agent友好的Skill形态调用方式，通过“自然语言描述+参数化查询+结构化返回”，天然契合Agent的调用范式，屏蔽了底层接口细节。除官方Skill外，问财SkillHub支持社区共建，用户可以定制对接自身业务的垂类Skill。目前，问财SkillHub所有功能对用户免费开放。

当前SkillHub提供的官方Skill可归纳为五大类共25项，涵盖数据查询、决策支持、事件宏观、研究评级、搜索等功能模块，构成较完整的投研数据能力矩阵。

上述Skill的优势在于：官方维护、数据质量有保障、接口稳定性强。以“财务数据查询”Skill为例，可直接获取上市公司营业收入、ROE、现金流等核心财务指标，避免了爬虫采集可能存在的数据缺失或格式错误问题。

除官方Skill外，问财SkillHub还提供了如基础技术指标信号引擎、社交媒体情报分析等社区Skill可供用户调用。

问财SkillHub的Skill安装过程也比较简单，登录问财SkillHub官网点击对应Skill即可获取对应Skill的Agent与CLI安装方式：若想要Agent自行安装，将对应Prompt发送给机器人即可；若想要通过CLI方式手动安装，则根据页面所示对应步骤进行安装以及配置环境变量即可。

以上为单一Skill的安装方式，若想安装全部官方提供的Skill并进行功能测试，参照以下Prompt执行即可。

Skill配置完成后，即可调用其返回的同花顺数据进行分析和决策，相比于普通搜索引擎返回的数据质量得到了很大的提升。

在前文中我们已经构建了包括ClawGuide、ClawScout、ClawWatch、ClawQuant、ClawResearch等OpenClaw Agent在内的智能投研Agent团队，引入问财SkillHub后，我们可以对Agent的数据源进行不同程度地优化。

ClawScout与ClawWatch：数据源可完全替换为问财SkillHub。这两个Agent的核心需求是获取宏观数据、行业数据、个股行情及异动信息，与同花顺Skill接口高度匹配。相较爬虫式取数，接口稳定性与合规性显著提升，也不再依赖易变的页面结构。

ClawQuant：需要调取大量数据进行因子回测。由于Skill接口适合获取单个数据点或小批量数据，若需大批量获取历史数据，仍需通过SQL直接读取数据库。问财Skill可作为快速验证工具，用于小样本测试或实时数据补充。

ClawResearch：公司与行业研究的数据面最广，单一Skill无法覆盖全部需求。合理的策略是以问财SkillHub为优先数据源，无法覆盖的字段再回退到其他来源，并在Agent生成的支持报告中明确标注数据出处，保证可追溯性。

依托问财搭建的SkillHub社区，还可创造更多垂直场景解决方案：可基于同花顺提供的原始数据做更丰富的研究，例如构建多维度选股模型、事件驱动策略等,让AI能够提供更直接的不同资产的投资辅助建议。所有选股思路、策略来源有迹可循，有内在逻辑支撑，便于投研过程留痕与策略迭代。

需要特别指出的是，SkillHub并不等同于完整的财务数据库，它也存在一定的能力边界。从定位上看，它更偏小批量数据读取与决策辅助，而非原始报表深加工。具体来说，无法直接通过Skill获取资产负债表、利润表、现金流量表三张报表的完整原始数据；不适合做大规模原始数据迁移任务；对非标数据覆盖程度有限等。更适合在快速数据查询、选股筛选、事件驱动策略的数据支持等场景下运用。

我们目前遵循的是“SkillHub优先、数据库兜底、公开网页补全”的优先级考量，既发挥了SkillHub在语义和稳定性上的优势，又增加了获取更加丰富、灵活、多元、广泛的信息的可能性。

在投研领域，数据获取仅是基础技能，真正形成差异化优势的，是投研人员在长期研究实践中逐步沉淀的私有化认知体系，包括对行业结构的深度理解、对公司经营逻辑的持续跟踪，以及对历史事件与市场规律的系统化总结。这类知识往往具有高度个性化与经验属性，难以通过公开数据直接获取，因此需要通过系统化的知识库体系进行沉淀、组织与复用，从而形成可持续迭代的研究能力。

从Notion、飞书文档到各类思维导图工具，知识管理工具层出不穷。但大部分用户的知识库，最终都会走向“能进不能出、能加不能管”的熵增状态。核心原因是在文件积累到一定规模后，维护成本往往超过其带来的价值。

在本地知识管理工具中，我们选择Obsidian作为基座，核心考量如下：完全Markdown存储，所有笔记均为“.md”纯文本文件，可读性强、Git友好、跨平台无缝，且对大模型极度友好；双向链接，通过“[[笔记名]]”可直接建立笔记间链接，知识自然形成网络结构；知识图谱可视化呈现所有笔记间的关联网络，可以直观判断知识孤岛和枢纽；所有数据保存在本地仓库；插件生态丰富等。

相比之下，腾讯ima、Google NotebookLM等云端方案虽然开箱即用，但都通过云端存储。对于投研场景，知识库本地化更能保证数据安全性。

传统知识库的核心矛盾在于：知识录入简单，知识整理困难。当知识库规模扩大后，人工维护成本急剧上升，包括已有知识是否需要更新，哪些知识之间存在矛盾、不同知识模块存在哪些联系等。

OpenAI创始人之一Andrej Karpathy提出的“LLM-Wiki”模式为这一难题提供了解决思路：让大模型承担知识整理的工作，人只需要提供资料和提问。

其核心逻辑可以概括为：Obsidian是IDE，LLM是程序员，Wiki是代码库。Obsidian提供Markdown编辑、反向链接、图谱视图等结构化能力；LLM承担”程序员”角色，负责读、写、组织、校验、关联知识；Wiki是知识的最终载体，既是产出物，也是未来查询的源头。

基于LLM-Wiki范式，我们搭建本地知识库架构，目录结构如图4所示：

raw/：存放原始资料，包括论文、研报、网页、纪要等。这些文件只能由用户添加，LLM无权修改。这是知识库的原始根基，保证数据的原始性和可信度。

wiki/：由LLM自动生成和维护的知识页面，包括摘要页、实体页、概念页、对比分析页等。这些页面是LLM对原始知识的再加工成果，是知识库的价值输出层。

Schema规则文件：告诉LLM知识库的组织约定、录入来源说明、回答问题的流程规范等。对于OpenClaw来说，对应的规则文件是AGENTS.md。

index是目录索引，LLM在回答问题前先读取index定位相关知识；log记录知识库的演化过程，便于追溯和复盘。

LLM-Wiki范式包含三个核心工作流程：录入（Ingest）、查询（Query）、体检（Lint）。

3.3.1 录入（Ingest）

用户向知识库中添加新资料时，LLM的工作流如下：

1.阅读并理解资料内容，与用户讨论要点和关注维度；

2.在“wiki/”中写入一页摘要；

3.更新“index.md”索引；

4.更新所有相关的实体页面和概念页面；

5.在“log.md”中记录本次变更。

一个新知识的导入可能牵动10-15个wiki页面的更新。这是因为LLM会将该知识与已有知识建立关联，发现交叉引用关系，更新相关概念的解释。这一过程完全自动化，无需人工干预。

3.3.2 查询（Query）

用户提出问题，LLM在知识库中搜索并回答：

1.优先搜索Wiki中已经存在的摘要、实体、概念页；

2.如果Wiki已能满足需求，直接返回；

3.如不能满足，再回到“raw/”原始资料中重新检索；

4.回答可以是Markdown页面、表格、图表，甚至PPT格式。

LLM回答的结果可存回Wiki，形成知识复利。用户多次询问某行业的问题，LLM每次的回答都沉淀到Wiki中，后续遇到相同问题可直接调用，大幅提升效率。

3.3.3 体检（Lint）

知识库越大，越容易出现矛盾、过时、孤岛和引用断裂。定期让LLM对wiki进行健康检查：

1.矛盾检测：发现哪些页面之间存在逻辑矛盾；

2.过时检测：发现哪些信息已被新资料取代；

3.孤儿页面检测：发现哪些页面未被任何其他页面引用；

4.交叉引用校验：检查引用是否准确、是否存在缺失链接；

5.研究建议：LLM根据知识库现状建议研究方向、新资料获取方向。

这一流程确保Wiki在持续增长过程中保持健康状态。若由人工维护如此大规模的知识库，成本极高；而LLM可不知疲倦地完成这一工作。

为实现上述知识管理流程的自动化落地，我们构建了ClawWiki Agent，用于承担知识库的日常维护与管理工作。我们将Andrej Karpathy提出的“LLM-Wiki”范式技术文档输入至HR Agent，由其自动生成并配置ClawWiki Agent 的角色设定、能力边界及任务流程，从而完成知识库管理Agent的初始化部署。

创建完成后，我们就可以在Obsidian中创建本地知识库仓库，并通过ClawWiki Agent对知识库进行自动化管理，完成新知识导入、知识查询与调用以及知识库健康维护的操作。

在该框架下，“LLM-Wiki”范式的最终成果将沉淀为结构化的知识笔记，并通过Obsidian的可视化能力进行展示。

投研领域的信息流可分为公开信息流和私有信息流两个部分，公开信息流包括每日从网络获取的宏观数据、公司新闻、第三方观点、行业报告等，私有信息流包括机构内部的路演记录、专家访谈、深度研报等较有价值、限制公开的内容。针对两条信息流的特点我们建立两条不同的技术栈，以实现从信息转化为知识，最终嵌入到知识库中的流程。

3.4.1 公开信息采集

目前，Agent对网站与桌面软件的直接访问能力仍然存在稳定性较差的问题，因此，需要借助额外工具，为大模型提供跨平台的信息获取能力。为此，我们引入了开源工具OpenCLI，以构建“Agent自动采集信息”的基础设施。

OpenCLI是一个将网站、桌面软件以及命令行工具统一转换为CLI接口的开源项目，使Agent可以通过标准化的命令行方式访问各类软件与网络服务，从而形成“AI→CLI→软件/网站”的信息调用路径。通过这种方式，大模型无需直接理解复杂的图形界面或网页结构，即可调用各类平台功能，实现自动化信息获取。

目前工具已对部分常见内容平台进行了适配，例如知乎、雪球以及知识星球等。Agent可以通过命令行直接调用网站接口，获取讨论内容、行业动态或用户观点。例如，通过命令行抓取知识星球中的动态或话题信息，并自动整理为原始资料。

对于需要模拟用户操作的场景，OpenCLI还提供浏览器自动控制能力，可执行点击、输入、页面获取以及截图等操作。

在LLM-Wiki的知识库体系中，OpenCLI可以帮助我们承担主动信息的角色，通过定时或定向采集信息，作为后续知识整理与结构化处理的输入来源。

与此同时，信息采集并不仅限于Agent自动抓取。在实际研究工作中，研究员在日常浏览时也会遇到大量具有研究价值的内容，例如深度观点、研究教程或行业资料。这类信息更适合通过人工触发的一键归档机制进行保存。为此，我们引入了Obsidian Web Clipper插件，与Obsidian知识库进行集成。

Obsidian Web Clipper是Obsidian提供的浏览器扩展，支持Google Chrome、Microsoft Edge等主流浏览器。用户可通过插件一键抓取网页标题、正文、图片与链接，并自动转换为干净的Markdown文档写入知识库，便于大模型进行读取。

其核心优势包括：自动过滤广告、导航栏及侧边栏等无关内容；完整保留标题结构、列表、代码块等排版信息；自动保存原文链接、来源及剪藏时间等信息；内容直接写入本地知识库仓库，无需二次导入。

在实际使用中，我们可以在插件中进行个性化配置自定义剪藏模板，例如自动加入摘要或标签字段，接入大模型API，使系统在剪藏时自动生成文章摘要或要点提炼等。

通过上述工具组合，我们构建了一套完整的信息采集闭环机制：OpenCLI负责Agent的主动式信息抓取，Obsidian Web Clipper负责研究员日常浏览中的一键归档，OpenClaw持续扫描知识库“raw/”目录，一旦检测到新增文件即触发Ingest流程，完成内容解析、结构化整理与知识关联；同时配合定期Lint检查，持续优化知识库结构与链接关系。

通过这一机制，公开信息的获取、归档、整理与知识化沉淀能够形成自动化、持续运行的知识生产流水线，从而显著提升研究团队的知识积累效率与长期研究能力。

3.4.2 私有信息处理

除了公开渠道的信息，投研人员还可从专业渠道获取其他较有价值的信息，包括公司研究报告、投资备忘录、专家访谈纪要等。这些私有信息的格式通常为PDF、Word、PPT等二进制文件，大模型无法直接读取文件内部信息。如何将这些私有信息高效导入知识库，是构建完整投研知识体系的关键环节。

要把这些异构资料纳入知识库，格式归一化是绕不开的前置步骤。MarkItDown是微软开源的Python工具库与CLI工具，专为LLM场景设计。其核心目标不是追求高保真排版转换，而是将多种文件格式统一转换为Markdown，并尽可能保留原始文档的结构信息，从而为大模型处理提供更加友好的输入格式。

在知识库体系中选择Markdown作为统一格式，主要基于两方面考虑：第一，Markdown在结构保留、语义清晰度与Token效率之间取得了较好的平衡。第二，主流大模型在训练过程中大量使用Markdown语料，因此Markdown已逐渐成为AI输入的标准格式，能够显著提升模型的解析与理解效率。

从功能上看，MarkItDown支持的输入格式范围较为广泛，基本覆盖研究工作中常见的信息载体，包括：文档类文件（PDF、Word、PPT等），网页与结构化文本（HTML、JSON等），另外，还可以安装第三方插件增加对多媒体内容如图片、音频等文件格式的适配性。

需要指出的是，MarkItDown仍存在一定局限性。例如，对于复杂排版的PDF（如多栏结构、嵌入公式或扫描版文档），解析结果可能出现结构偏差；同时，该工具并不适用于高保真排版还原，也不支持将Markdown反向转换为原始文档格式。

尽管如此，在“为知识库准备输入数据”这一具体应用场景中，MarkItDown已能够满足绝大多数需求，可以内置在ClawWiki Agent中让OpenClaw在接收到输入文件后自动执行格式转换操作并进行知识录入。对于复杂PDF文档，可结合OCR插件或视觉大模型进行补充解析，从而进一步提升文档结构提取的准确性。

随着私有知识库逐渐扩大，Wiki规模也会相应增长，传统的关键词匹配开始力不从心，需要采用工具加速提高检索效率。

qmd（Query Markup Documents）是一款本地运行的文档搜索引擎，专为Agent工作流设计。其核心特点是采用混合检索架构，结合关键词检索、向量语义检索以及大模型重排序，从而在保证搜索速度的同时显著提升结果准确度。

qmd的检索流程主要包含三个阶段，其中，BM25负责快速筛选候选文档，向量搜索扩展语义召回范围，而基于大模型的Re-ranking则对候选结果进行二次评分，以获得最相关的搜索结果。

qmd完全在本地运行，无需联网，能够有效保障知识库的隐私安全。在首次运行时，系统会自动下载约2GB的模型文件，包括：embeddinggemma-300M：生成文本向量embedding，qwen3-reranker-0.6B：对搜索结果进行相关性排序，qmd-query-expansion-1.7B：对用户查询进行语义扩展。这些模型通过本地推理框架运行，实现完全离线的语义检索能力。

当知识库规模进一步扩大至百万级文档时，基于文件系统管理的Markdown知识库在索引构建效率、批量向量化成本、并发检索能力以及增量更新机制等方面会逐渐出现性能瓶颈。在这一阶段，知识管理系统需要引入更专业的企业级架构。

目前主流的解决方案是RAG（Retrieval-Augmented Generation，检索增强生成）架构。RAG通过在大模型生成之前引入外部知识检索，使模型能够基于最新的知识库内容进行回答，从而显著提升回答的准确性与可控性。企业通常可基于LangChain或Dify构建完整的RAG知识系统。

RAG架构通常结合向量数据库与语义检索技术，具备以下核心优势：

海量数据支持：通过向量数据库实现高效索引，可支持大规模文档的存储与检索；

语义检索能力：利用文本embedding技术实现语义匹配，能够识别同义表达与语义相关内容，从而显著提升搜索召回率。

增量更新能力：支持对新增知识进行持续索引与更新，无需对整个知识库重构。

对于投研机构而言，当知识库规模达到企业级水平时，引入RAG架构能够显著提升知识检索效率与系统可扩展性，是构建企业级投研知识基础设施的重要路径。

本报告从Agent投研落地的核心矛盾出发，系统梳理并提出了在Agent投研时代构建投研信息基础设施的两条关键路径：数据源选择与知识库搭建。通过将上述架构整合至OpenClaw Agent团队之中，可显著提升AI Agent在投研场景中的信息获取、知识整合与辅助决策能力，从而推动投研工作流程的智能化升级。

以ClawResearch Agent为例，其定位为覆盖公司与行业研究的综合型投研助手，兼具基本面分析与技术面分析能力。在引入本报告所提出的数据源架构与知识库体系后，ClawResearch的能力体系能够实现系统性升级，主要体现在三个方面：

第一，专业数据获取能力显著增强。Agent通过接入问财SkillHub的专业数据接口，可自动获取包括公司基本信息、行情数据、财务数据、公司经营指标及行业信息等多维度结构化数据，从而为基本面研究提供稳定的数据支撑。

第二，高质量知识管理与调用能力。Agent可直接调用投研人员长期积累形成的的私有知识库资源，例如历史研报、会议纪要等，并结合公开信息进行综合分析，从而提升研究结论的深度与连续性。

第三，投研角色能力升级。在专业数据源与私有知识库的双重支撑下，ClawResearch Agent的功能将从单纯的信息检索与整理，逐步升级为能够提供结构化分析与投资建议的投研助手，辅助投资者进行决策判断。

我们认为，当前Agent在投研场景中的性能瓶颈主要来自信息基础设施的缺失。人类友好型数据与Agent可直接处理的数据之间往往存在结构差异，而构建高效的数据转换与组织层，正是释放大模型能力的关键环节。

在上述数据源体系与知识库体系的双重支撑下，Agent能够从传统的信息提供工具，逐步演进为具备综合分析能力的投资决策辅助系统，从而显著提升AI Agent在投研场景中的应用价值。

大语言模型输出随机性风险：大语言模型输出结果具有一定随机性，可能导致相同输入产生不同输出，重要内容需人工复核；

大语言模型理解偏差风险：大语言模型理解可能出现偏差，输出结果存在出现漏洞的风险，需要对AI的工作质量进行客观评估；

模型迭代升级风险：模型迭代升级、新功能开发可能会导致结论不同，当前输出结果不预示未来表现；

信息安全事故风险：OpenClaw具备系统级权限，不当配置可能导致信息泄露，需严格限制权限并定期进行安全审计；

AI技术发展不完善风险：目前AI技术仍处于不断发展及完善过程中，不可避免存在技术漏洞或缺陷，其生成的结论仅可作为辅助参考，无法替代专业人员的独立判断。

证券研究报告：《OpenClaw应用：为Agent重构投研信息底座》

对外发布时间：2026年04月24日

报告发布机构：财通证券股份有限公司（已获中国证监会许可的证券投资咨询业务资格）

本报告分析师：

缪铃凯 SAC 执业证书编号：S0160525060003