[总结] OpenClaw 投研 skill 开发心得体会
主要作用是降本增效：和所有 Agent 一样，在投研领域，Openclaw 主要是代替人去设计任务，拆分任务，执行任务，实现思路，通过高并发和自动化能力，短时间完成很多人才能完成的设计和执行工作量。而工作完成的质量，则取决于模型算法设计打磨，以及数据源有效性和完整性。所以，如果只有免费数据源，思路设计也完全交给大模型，那么就不用期望会有太好的结果。
投研数据永远是基座：无论通过什么方式做投研，交易、基本面、资讯、研报等数据，都是最重要最基础的，像血液一样。不建议用免费的，免费的要么很有限，要么基于网络搜索，正确率和时效都不好。根据自己成本，寻找质量有保障，范围比较全面的数据源。无论是收费的 skill 还是 api，都要仔细调研数据能力和范围，避免和自己预想的有较大差别，白白浪费钱。
尝试开发自己的 skill：目前券商或者投研机构都有 skill 推出，但基本上能力和券商 APP 差不多甚至更差，无外乎换一个入口而已。个人建议，在拥有高质量数据源基础上，将自己沉淀的思路和经验，完善并实现出来，作为自己独有的定制化 skill，最贴合自己风格和需求，并且设计测试验证优化的迭代机制。当然，如果还没有什么思路，先建议研究思路，大模型和数据也可以辅助思路设计，有商用投顾垂直类大模型更好，不建议让通用大模型全权负责设计。
skill 开发模式很重要：如果没有代码开发经验，只能通过 CLI 自然语言让大模型开发 skill，但无论实现、调试测试、优化验证，都会消耗大量的 token，因为误解或者出错概率不低，我估计是大模型厂商故意这样，能让用户消耗更多算力，升级订阅模式。如果有编程基础，建议人工结合大模型混合模式，能够有效降低开发过程的 token 损耗，另外也建议和 git 等代码管理工具打通，便于 skill 维护部署。
合理利用缓存和存储：数据源和大模型，调用一次都有成本，投研基本上有很多重复的查询和计算，所以在入参相同的或者条件相近，可以重复利用多层次的缓存，降低数据源和大模型调用，可以有效控制成本，降低延时，而且有些大模型对高并发也有限制。但缓存要记得设置合理过期时间，和命中条件，避免缓存消耗过快，或者容易被击穿起不到作用。另外有些结果，可以通过 Openclaw 定时任务，每天或者每小时固定产出，放到缓存里，便于快速使用。
设计服务使用方式：Openclaw 支持多种 channel，比如飞书钉钉企业微信，或者 CLI 接口方式，根据自身需求，想好使用服务的方式。个人使用的话，可以更加方便，不用打开 Openclaw 网页，手机就可以。企业级部署，要想好如何进行用户基本调用隔离，以及容量扩展方式，最好是通过平台，自己维护部署机制风险也比较高。另外 skill 也可以单独发表到市场，但付费模式要注意有资质是否合规。
今天只做宽泛的 Openclaw 投研使用心得总结，后续会在各个环节深入探讨。
夜雨聆风
