零代码小白股民实战:靠 Codex+OpenClaw+QVeris 自建炒股 Bot,不猜涨跌,只做自己的专属投研工作台

 QVeris · 数据实测 

先把话说在前面：这不是投资建议，也不是”AI 自动交易赚钱教程”。

我之前总幻想搞个 AI 炒股Bot，一键预判涨停、躺着吃肉，折腾完才发现，赚钱的策略还是靠人的经验和认知，它真正靠谱的用处，是帮我把个股数据、调研成本、信息来源全摆在明面上，做成能复盘、能溯源的私人投研工具。 

最后搭出来的东西，更准确地说，是个人投研 Bot：用它帮我整理自选股、查行情、看财报、找新闻、做异动解释、记录每次调用花了多少 credits。

它不会替我交易，也不会神神叨叨地告诉我”明天必涨”。 

01

先看目的：我的 Bot 能做什么

我给它定义了四个日常任务： 

1.自选池脉搏：输入一组股票或 ETF，返回最新价、涨跌幅、成交量、异常波动和可能原因。

2.财报摘要：把公司财务数据、市场反应、关键新闻整理成一页备忘。

3.异动解释：当某个标的突然大涨大跌时，先查数据和新闻，再给出可能触发因素。

4.调用账本：记录用了哪个工具、哪个 provider、花了多少 credit、有没有失败。

如果只看表面，它像一个会聊天的金融助手。 

但我真正看重的是背后的流程：每次回答都要尽量经过 Discover -> Inspect -> Call，先找工具，再看输入输出、成功率、成本和限制，最后才执行。 这套流程来自 QVeris 的核心协议。它不是让 AI 凭印象回答，而是让 Agent 去发现并调用真实世界的金融数据能力。 

为什么不是直接问大模型 

最开始我也试过直接问： 

 “帮我分析一下苹果和英伟达，哪个更值得买？” 

回答写得很顺，但问题也很明显：它不一定知道最新行情，不一定知道数据来源，甚至可能把”看起来合理”的数字编出来。 

炒股这件事，最怕的不是 AI 不会说话，而是它太会说话。一个没有来源的流畅结论，比一句”我查不到”危险得多。 

所以我换了问法： 

 “请先用 QVeris 搜索适合获取 AAPL 最新行情、市值和基本面摘要的工具；执行前告诉我工具 ID、预估成本、输入参数；执行后输出数据来源、调用结果和风险提示。” 

这时候大模型会先查、再解释，将执行过程一步步展示出来，并给我结果，像是一个白盒的bot，但是它不够自动和智能。 

已关注

关注

重播 分享 赞

视频详情

02

再看咋干：找齐工具栈，剩下的都交给AI

做这个BOT，我用了三个工具栈： 

Codex：把人话变成工程步骤。

我不会写代码，就用自然语言描述目标，比如”做一个自选股日报””把输出改成表格””不要给买卖建议”。Codex 负责拆任务、写配置、改脚本、跑验证。 

OpenClaw：承载 Agent。

它负责让这个助手跑起来，管理工具调用、上下文和工作流。对我这种小白来说，OpenClaw 像是一个可扩展的 Agent 载体。 

QVeris：负责金融数据和工具路由。

这是关键。QVeris 提供的是能力发现和调用层，不只是单个金融数据 API。QVeris 支持 10,000+ verified capabilities，覆盖金融市场、经济指标、公司财务、新闻、加密资产等能力；OpenClaw 接入QVeris也有 Plugin和 Skill 等多种方式。 

我踩完坑后的建议是：生产或长会话优先用 Plugin，轻量试用再用 Skill。

官方 OpenClaw Setup 文档给的 Plugin 安装方式是： 

然后在 openclaw.json 里允许插件并配置 API key： 

Skill 路径也能用： 

但官方文档也说得很清楚：Plugin 是 runtime 注册工具，不和 prompt 上下文抢位置；参数也更容易被 JSON Schema 校验。对我这种容易把配置弄乱的小白来说，这一点很重要。 

03

我踩过的坑

坑一：我把问题问得太像许愿

 提问太过笼统，倒逼 AI 编造答案 

“帮我找明天会涨的股票”这种 prompt，本质上是在逼 AI 编故事。 

更好的问法是：限定调研标的、所需数据字段、筛选阈值、最终输出排版，明确禁止事项。 

当我把目标、范围、输出格式和禁止事项说清楚，Bot 的可用性立刻上了一个台阶。 

坑二：只看答案，不看工具*

 只看分析结论，忽略背后证据链 

之前只顾着看 Bot 给出的分析结果，不在意数据从何而来，导致获取信息错误而不自知。调用QVeris的工具真正有价值的地方，不只是”能查到数据”，而是完整留存调用痕迹：每次调取数据都会标注数据源服务商、接口稳定性、延迟时长、扣费规则、剩余积分。现在会让我的Bot记个原则：没有来源佐证的结论一概作废，彻底杜绝虚假数据干扰判断。这一点非常重要，因为金融数据不是越多越好，而是你要知道： 

• 这次用了哪个数据源？

• 成功率和延迟怎么样？

• 失败了有没有扣费？

• 能不能追溯这次回答从哪里来？

• 花了多少 credit？

坑三：把”数据源缺口”误解成”AI 不行”

 数据缺项归咎 AI 能力不足 

不少时候 Bot 分析出错，并非大模型能力不够，而是数据源接口波动、部分数据接口缺失。之后我给 Bot 约束关键A股数据调用QVeris能力地图接口，关键数据交叉核验，异常数据人工复核，解决大半数据翻车问题。这次vibe coding我的Bot调用QVeris 的工具，越来越体会到：它不应该只被理解成”又一个数据 API”，更像是 Agent 调用金融能力时的路由层、治理层和审计层。 

坑四：没有预算意识

一次查三只股票没什么，批量扫 5000 只股票就是另一回事。 

我后来给 Bot 加了一个非常朴素的规则：执行批量任务前，先列出预计调用次数、单次 cost、失败处理方式和是否需要分批。这个规则让它从”热情助理”变成了”有预算意识的助理”。有次它在执行任务中因为”变笨”重复执行导致积分浪费，我还严厉责备了它，Bot马上给自己记了个”教训”，加深了这个原则。 

04

最有价值的启发

这次我最大的启发，是不再把 AI 工具看成一个万能黑箱，不把个体认知和智能完全托管给AI，而是把它拆开，看清楚执行的逻辑，跟它对练。我把它的执行过程拆成三件事： 

对零代码用户来说，Codex vibe coding 的意义不是让我一夜变成程序员，而是让我能用自然语言把流程越讲越清楚。Codex 帮我把这个流程落成配置和脚本；OpenClaw 让它成为一个可运行的 Agent；QVeris 让它能碰到真实金融数据和工具。 

05

适合谁，不适合谁

适合： 

想做个人自选股日报、复盘助手、财报摘要的普通投资者。

想把金融数据接进 Agent 的个人开发者。

想用自然语言做投研辅助，但又不想让 AI 胡编数据的人。

想尝试 OpenClaw、Codex、MCP、CLI 等 Agent 工具链的人。

不适合： 

想要”稳赚策略”的人。

想让 Bot 自动下单的人。

不愿意看数据来源、成本和风险提示的人。

把 AI 回答当成投资建议的人。

06

最后：我的小白结论

可以看一下我的bot，还是很粗糙的阶段，我还在不断打磨和调教它。 

我原来以为，搭炒股 Bot 的难点是”怎么让 AI 更聪明”。 

现在我觉得，难点其实是：怎么让 AI 别乱来。 

这个Bot给我的价值，不是某个神奇结论，而是把 Agent 调用金融数据这件事变成一个可发现、可理解、可执行、可审计的流程。 

这就够了。 

因为真正该做决定的人，仍然是我。 

附：资料来源

• 本文不构成投资建议，不提供任何买卖点、收益承诺或自动交易建议。

• 公开资料参考：QVeris OpenClaw Setup 文档、QVeris 官方 Skill for OpenClaw 博客、QVeris Skill Hub、QVerisBot 页面。

关于 QVeris AI

QVeris AI 聚焦于 Agent 时代的行动基础设施层，致力于构建 AI 可理解、可调用的”能力互联网”。

QVeris 当前定位：面向智能体的搜索和行动引擎，让智能体能够通过语义搜索发现并一键调用 10,000+ 真实且已验证的工具。

产品矩阵：

QVeris CLI — 终端中的万能 API 入口

QVeris MCP Server — IDE 智能体的工具网关

QVerisBot — 基于 OpenClaw 的生产级 AI 助手

QVeris REST API — 标准 HTTP 接口，适配任何语言和平台

官网：https://qveris.cn

GitHub：https://github.com/QVerisAI/QVerisAI

加入飞书群体验👇

觉得有用？ 点个❤️在看，转给还不知道的朋友  关注「QVeris」，获取更多 AI 数据工具资讯