关于小龙虾(OpenClaw)在交易场景的使用思考

不知道你有没有注意到一个现象：小龙虾的使用者大多是个人玩家在折腾，几乎看不到企业在生产环境里大规模部署。 

我是今年 3 月买了 coding plan 才开始用的。彼时的兴奋是真实的——过去的 AI 不过是个问答机器，顶多给你生成个文件；而这家伙，却能自己拿起工具去干活。X 上已有老外演示”一句话让 AI 去赚钱”，看得人血脉偾张。

 作为一个在大 A 被反复教育的中年散户，见到一个脑子好使、不用睡觉、不要五险一金的牛马，第一反应自然是：让它来替我炒股。

 思路并不复杂：写一份 SOP，让它在交易时段自己去抓财经新闻、查行情数据、读财务报表，然后让 AI 大脑分析判断，符合标准就自己下单。逻辑闭环，于是 Gemini 搭把手，AlphaClaw（操盘手）就诞生了。

 但抛开策略本身不谈，实战中问题接踵而至。最致命的是延迟：一次完整的 agent 操作涉及多轮工具调用，5 分钟几乎跑不完一轮。系统指令越长，token 烧得越快，我一度把节奏放宽到 10 分钟一次，却依然时不时卡死。更要命的是，长 SOP 加上大量新闻和行情数据塞进去，即便是号称 1M 上下文的模型，也会出现注意力涣散、思路跑偏的症状——用行话说叫幻觉，用散户话说叫”它又抽风了”。 

这在真金白银的盘面上，是绝对不被允许的。 

我猜这也是企业级场景对 agent 保持距离的原因之一：一句话就能把活干漂亮，理想很动人，现实却骨感得硌牙。算力限流、模型能力、工程稳定性，哪一道都是坎。 

走到这一步，是放弃吗？当然不。但方向得换。 和 AI 深聊几轮之后，最终的选择是——把”AI 自主调用工具”这把大杀器先收起来，让 AI 回归它真正擅长的事情：推理。 具体做法是：把 SOP 从自然语言翻译成 Python 程序，核心原则只有一句——凡是程序能算的，就不麻烦 AI。

打个比方：过去是我每 5 分钟叫醒一次 agent，让它自己去找资料、自己做判断、自己去下单；现在是每 5 分钟程序自己醒来，按部就班地拉新闻、拉行情、拉财报，把所有原始数据整理成一份结构化文本，然后 HTTP 直调 AI，让它只做一件事——读文本，做判断，按固定 JSON 格式输出交易指令，程序再解析指令自动下单。 

看明白了吗？区别不在工具本身，而在谁来调度工具：以前是 AI 一边思考一边动手，现在由程序负责动手，AI 只负责在信息完备的前提下做概率判断。就这么一换，原来 10 分钟跑不完的操作压到一分钟内完成，系统稳定，token 消耗骤降，幻觉基本消失。

 代价当然也有：它不再能自我进化了。策略要调整，得改代码。这是把灵活性换给确定性所必须付的租金。

 2026 年的 AI 比起 2023 年已是判若两人，但离”一句话搞定一切”还隔着不小的距离。正因如此，想清楚哪些事该让 AI 做、哪些事该让程序做，可能比追逐最新模型更重要。Agent 不是不好用，而是我们得学会——别让它当全能员工，让它当参谋。