夜雨聆风大家好，我是大飞， OpenClaw的深度用户。
昨天看到鲁工发表了一篇文章：《我用 OpenClaw + Discord 搭建了一个 AI 科研团队，7x24 在线干活》，深受启发。文章里那个 5 人科研团队让我眼前一亮：原来 OpenClaw 还能这么玩？
正好我自己也在琢磨一个问题：炒股这件事，能不能也用多 Agent 协作来搞定？
炒股和科研其实挺像的——都是信息密集型工作，都需要严谨分析，都容易被情绪干扰。科研有文献调研、数据准备、算法开发、论文写作；炒股有信息收集、技术分析、风险控制、交易执行。既然科研能用多 Agent，炒股为什么不行？
所以我参考鲁工的实战经验，用 OpenClaw + 飞书搭了一套面向炒股的多 Agent 协作系统。5 个 AI Agent 各司其职，跑在不同飞书群里，能自动扫新闻、看盘面、写复盘。这篇文章聊聊我的设计思路和搭建过程。
搭多 Agent 系统，第一个要解决的问题是：这些 Agent 跑在哪里？
我之前试过几种方案。用 Discord，功能确实强大，但国内访问要翻墙，不稳定。用微信群，机器人开发成本高，而且腾讯对自动化管控很严。用自建 Web 界面，开发维护都太累。
最后选了飞书，原因很直接：
• 国内访问友好，不用翻墙，延迟低 • 多维表格，天然适合存股票数据、持仓记录 • 机器人原生支持，@mention、消息推送都很方便 • 文档协作，自动写分析报告直接存飞书文档 • 免费额度够用，个人使用基本不花钱
说白了，飞书就是一个现成的多 Agent 协作平台，而且对国内用户更友好。
鲁工在文章里引用了余温（X 上@gkxspace）的一句话：如果你想让多个 Agent 配合起来，群内协作起来，那你就直接选 Discord，一个平台就够了。我把这句话改一下：如果你想让多个 Agent 在国内稳定运行，那你就直接选飞书，一个平台就够了。
另一个启发来自 Saboo（@Saboo_Shubham_），他用 OpenClaw 搭了 6 个 Agent 的团队，7x24 小时自动运行，每天替他省 4 到 5 小时。他的思路偏运营方法论，强调渐进式搭建和绩效反馈循环。
我的做法是把两边的精华融合起来，然后把角色体系重新设计成炒股场景的。
角色设计：5 个炒股专属 Agent
通用的多 Agent 系统，角色设计一般是总指挥、调研员、内容创作、工程师、审核员这种架构。但炒股场景有本质区别。
炒股是 Pipeline 驱动的：信息收集 → 技术分析 → 风险评估 → 交易执行，每个环节的输出就是下一个环节的输入。这和内容运营那种并行发散的模式完全不同。
而且炒股有个核心约束：风险控制必须贯穿全程。科研实验失败了可以重来，炒股亏钱了是真金白银。所以我在设计里把风控官独立出来，让它有"一票否决权"。
所以我设计了 5 个炒股专属角色：
1. 投资总监（director），相当于私募的基金经理。它负责接收投资指令、拆解任务、追踪进度、管仓位分配。在飞书群里，它是唯一一个全局监听所有消息的角色，其他 4 个 Agent 都要被@才会响应。
2. 情报官（intelligence），每天早上 8 点自动扫财经新闻、公司公告、研报、社交媒体情绪。它会抓取雪球、东方财富、新浪财经等来源，把重要信息整理成简报。比如昨晚美股涨跌、今早的政策新闻、个股的突发公告。
3. 分析师（analyst），核心技术执行者。负责技术指标计算（MA、MACD、KDJ、布林带）、基本面分析（PE、PB、ROE）、量化因子筛选。我在它的 SOUL.md 里特别强调了：所有指标必须用最新数据、不能 lookahead、必须标注数据来源。
4. 风控官（risk），独立于其他角色的监督者。负责止损监控、仓位管理、黑名单预警、异常波动提醒。它有一个"红色按钮"——如果触发重大风险（比如持仓股突发利空），可以直接@所有人暂停交易。
5. 交易员（trader），执行层角色。读取投资总监的指令、分析师的建议、风控官的许可，生成具体的买卖建议（价格、数量、时机）。注意：它只生成建议，不直接下单——最终决策由人来拍板。
这 5 个角色之间的数据流向很清晰：情报官的输出喂给分析师（提供新闻情绪因子）和交易员（提供突发信息）。分析师的技术信号喂给投资总监（辅助决策）和交易员（提供入场点位）。风控官全程监控，触发阈值时打断所有人。投资总监协调收口，交易员输出可执行建议。
飞书架构设计
角色定好了，怎么让它们在飞书里真正协作起来？这里有三个关键的架构设计。
Bindings 路由
每个飞书群 Bot 对应一个 Agent，通过 openclaw.json 里的 bindings 配置做硬绑定。消息进来，Gateway 先看是哪个 Bot 收到的，直接路由到对应 Agent。这是确定性路由，不依赖模型判断。
鲁工在文章里提到，如果不在入口层做路由，让所有 Agent 自己判断该不该处理，后面的协作全是乱的，有时候两个 Agent 抢答，有时候都不答。我完全认同，所以直接照搬了这个设计。
配置很简单，核心就是 channel + accountId → agentId 的映射：
{ "bindings": [ { "agentId": "director", "match": { "channel": "feishu", "accountId": "ou_xxxxxxxxx" } }, { "agentId": "intelligence", "match": { "channel": "feishu", "accountId": "ou_xxxxxxxxx" } } ]}每个 Bot 的 app_id 和 secret 在飞书开放平台申请，5 个角色就是 5 个自建应用。听起来麻烦，但其实每个应用都是复制粘贴改个名字，半小时搞定。
会话隔离
dmScope 设成 per-account-channel-peer，按账号 + 渠道 + 对端用户三维隔离。同一个人从飞书找同一个角色，上下文不串。不同用户找同一个角色，完全隔离。
这个设计对炒股场景特别重要。想象一下，如果你和朋友共用这套系统，但你们的持仓股票完全不同——会话隔离能确保你们的讨论、分析、建议绝不会混在一起。
双轨治理
这是我觉得整套系统里最精妙的设计（直接继承自鲁工的科研团队方案）。配置轨做硬约束（bindings 路由、会话隔离、Agent 互 ping 限制），规则轨做软引导（SOUL.md 人格定义、TEAM-RULEBOOK 协作规则、AGENTS.md 运行手册、TOOLS.md 定义每个 Agent 可以使用的外部工具）。两条轨道叠加，不把一切压在模型的自觉上。
举个具体例子：我把 Agent 之间的 ping-pong turns 设成了 0，物理上禁止 Agent 互相闲聊。同时在 TEAM-RULEBOOK 里写明：群聊中只有投资总监可以主动发言，其他角色等待被@，不要和其他 Agent 客套或做无意义确认。配置层管住了能不能聊，规则层则是管住了该不该聊。
炒股场景为什么特别需要双轨治理？因为信息准确性要求极高。如果不在 SOUL.md 里反复强调不编造数据、不传播谣言，模型在长对话后是真的可能开始创造不存在的利好消息。配置层控制不了内容质量，只能靠规则层加上渐进式记忆反馈来纠正。
记忆管理：五层记忆架构
多 Agent 系统跑起来之后，记忆管理是最容易被忽视但最影响长期效果的部分。
参考鲁工的设计，我采用的是五层记忆架构。最底层是每日流水日志（memory/2026-03-14.md），记录当天的新闻摘要、技术信号、操作建议。
往上是长期记忆（MEMORY.md），只存经过验证的稳定信息，比如"用户偏好中线持有，不玩超短线"、"止损阈值设为 -8%"、"不用杠杆"。
再往上是股票池记忆（STOCK_MEMORY.md），存每只持仓股的历史表现、关键价位、盈亏统计。比如"600519 在 1700 元附近有强阻力"、"002594 的财报季通常在 4 月下旬"。这里有个隐私红线：绝不混入其他人的持仓信息。
然后是冷归档（超过 30 天的 daily memory 自动归档到 archive/目录），最顶层是语义检索（先 memory_search 召回，再 memory_get 精确读取）。
Saboo 有句话说得好：Mental notes don't survive session restarts. Files do. Agent 随时间变好，不是因为模型在进步，是因为上下文和记忆越来越丰富。他的经验是第一版 Agent 表现平庸是正常的，到第 30 次迭代才会真正好用。
我把这句话记在了 AGENTS.md 的首页，每次启动都能看到。
自动化调度：Cron + HEARTBEAT
自动化调度也是炒股场景的刚需。我用 OpenClaw 的 Cron 功能配了几个定时任务：
调度顺序是故意设计的：情报官最先跑，因为其他角色可能需要最新新闻信息；分析师在关键时间点跑，对应盘中的重要节点；交易员在收盘后写复盘，这时候数据最全。
进入财报季或重大事件窗口（比如美联储议息会议），我会临时增加调度频率：情报官每 2 小时扫一次新闻，分析师每次扫完新闻后更新一次信号。事件结束后再把这些临时任务暂停掉。
配合 HEARTBEAT.md 的自愈机制，如果某个 Cron 任务滞后超过 26 小时，系统会自动 force re-run。炒股节奏不像内容运营那样每天要产出，但一旦进入关键窗口，任何一个环节卡住都可能影响决策。
外部能力：框架是骨架，数据才是肌肉
系统搭好了，5 个 Agent 跑起来了，但说实话，光靠 OpenClaw 和所使用的模型本身对话能力，其实几乎没啥炒股生产力。
这套系统要想真正转化为炒股生产力，关键在于每个 Agent 能调用的外部能力。
比如情报官，如果只靠模型自身的知识，它能给你的信息截止到训练数据的时间点，昨天的新闻它根本不知道。但是接上 web_search 技能、配上财经 RSS 订阅、使用飞书机器人推送，它就真的能每天扫描最新新闻了。
再比如分析师，如果它只能在对话里建议你"看看 MACD 金叉"，那和 ChatGPT 没太大区别。但如果配合外部数据工具（如 akshare/tushare 等 Python 库）读取行情数据、计算技术指标，那生产力就完全不是一个量级了。
风控官也是同理。配合飞书多维表格读取持仓数据、设置价格检查逻辑，它才能真正监控风险，而不只是在 chatbox 里面一顿瞎聊。
所以我的建议是：搭完基础的多 Agent 框架之后，第一时间把精力放在给每个 Agent 配备合适的 Skills 和 API 上。框架是骨架，外部能力才是肌肉。没有肌肉的骨架，站得起来但干不了活。
下面是每个角色的核心外部能力配置方向：
情报官：
• web_search / web_fetch：抓取财经新闻 • RSS 订阅：雪球、东方财富、财联社 • 飞书机器人：推送早间/晚间简报
分析师：
• 行情数据工具：如 akshare（需自行安装配置） • 财务数据工具：如 tushare（可选付费） • 飞书多维表格：存储股票池、历史信号
风控官：
• 飞书多维表格：读取持仓、成本价 • 价格检查逻辑：触发阈值时推送告警 • 黑名单检查：排除 ST 股、问题股
交易员：
• 飞书文档：自动生成交易日志、复盘报告 • 飞书多维表格：记录每笔建议的执行情况
投资总监：
• 飞书文档：生成周报、月报 • 会话管理：协调其他 4 个角色的任务分配
💡 说明：以上外部工具需要自行安装配置。OpenClaw 提供框架和调度能力，数据源需要用户根据需求选择合规可靠的渠道。
实际运行效果
系统搭好了，5 个 Agent 跑起来了，但说实话，光靠 OpenClaw 和所使用的模型本身对话能力，其实几乎没啥炒股生产力。
这句话是鲁工原文里的，我直接拿来用了，因为太真实了。
这套系统要想真正转化为炒股生产力，关键在于每个 Agent 能调用的外部能力。上面列的那些 Skills 和工具，配置起来是需要时间的。行情数据工具要装 Python 环境，飞书多维表格要设计字段，价格检查逻辑要调试——这些都不难，但都需要耐心。
借助 AI 编程工具，搭建这套系统的初始框架其实很快。创建 5 个飞书应用、写好 openclaw.json 配置、给每个 Agent 写一版 SOUL.md，一个下午基本能跑通。OpenClaw 的文档和社区教程都很齐全，照着配就行。
但能跑和好用是两回事。
我搭完第一版之后，投资总监的任务拆解太粗，情报官的新闻抓取范围不够精准，分析师的技术指标计算逻辑需要优化，交易员的建议和我的风险偏好不匹配。这些问题只有在实际使用中才会暴露出来。
Saboo 管这个过程叫 corrective prompt-engineering：观察 Agent 表现，给反馈，改 SOUL.md，再观察，再调。他的经验是第一版 Agent 表现平庸很正常，到第 30 次迭代才会真正好用。
所以建议是：搭建的时候大胆一点，5 个 Agent 一起上没问题。但上线之后要有耐心，每天用、每天观察、持续调 SOUL.md 和 MEMORY.md。框架搭得再漂亮，不经过实际使用的打磨也只是个空架子。
这套系统我反复折腾配置了几个晚上，到昨晚才搭建成功，各类外部工具配置都还没配齐，上下文都还有限，所以本身也需要逐渐运行和积累上下文来打磨其性能。
风险与合规
安全方面必须提一句。OpenClaw 目前已经有多个高危漏洞被公开披露，根据公开报道，ClawHub 上被发现的恶意 Skills 数量已经超过 800 个。
建议在隔离环境中运行 Gateway（专用 VM 或独立设备），不要暴露到公网，第三方 Skills 安装前务必审查源码（安装 skill-vetter 进行技能安全审查）。炒股场景还有额外的考量：你的持仓信息、交易记录、盈亏数据都属于敏感信息，要确保 Agent 不会通过外部 API 泄漏。
合规方面更要小心：
• 这套系统是我个人使用的工具，不构成任何投资建议 • 不代客理财，不分享持仓，不推荐股票 • AI 会犯错，会幻觉，会编造数据——最终决策由人来拍板 • 不要把所有资金交给 AI 管理，先用小资金测试 • 不直接对接券商 API 下单——AI 生成建议，人来执行
鲁工在文章里提到，他的科研系统还没发挥真正的科研生产力，因为 Claude Code 和 Codex 这类强生产力工具他还没敢在远程 VPS 上安装。我同理——我的交易系统也还没完全发挥生产力，因为外部数据工具的配置和调试还需要时间。
我的建议是：让 AI 做信息处理和分析，让人做最终决策。AI 帮你省的是重复劳动的时间，但思考和判断这件事，还得是人来。
成本
成本方面，飞书和 OpenClaw 本身都免费。主要开销是 AI 模型的 API 费用。
我个人的策略是不同角色用不同模型：投资总监和交易员用高端模型，情报官和分析师用性价比模型，风控官用快速响应模型。
全部配齐的话，大概每个月成本在几百元人民币左右（看使用频率和模型选择）。如果全部用国产模型，成本可以更灵活控制。
可选的付费数据（根据需求选择）：
• 财务数据工具付费版：年费几百元（更全面的财务数据） • 机构级数据服务：年费数千元（个人用户一般没必要）
对比一下：如果你雇一个真实的研究员，月薪至少 1 万。这套系统 5 个角色，7x24 小时干活，成本远低于人工。当然，能力也远不如真人——但这个性价比，对个人投资者来说已经够了。
总结
用 OpenClaw + 飞书搭炒股多 Agent 系统，核心就是这些。框架不复杂，5 个角色、Bindings 路由、会话隔离、双轨治理、五层记忆、Cron 调度，每一层都有明确的设计意图。
但从能跑到跑得好，中间的时间全在外部工具配置和日常 Agent 的交互中积累上下文。Agent 帮你省的是重复劳动的时间，思考和判断这件事，还得是人来。
最后给想动手的朋友几个建议：
1. 先跑通框架：5 个角色一起上，能跑起来再说 2. 再配外部能力：数据工具、飞书表格、新闻抓取，一个一个配 3. 持续迭代：每天用、每天观察、每周调一次 SOUL.md 4. 风险第一：AI 会犯错，最终决策你来扛 5. 合规底线：不代客理财，不推荐股票，纯个人工具 6. 预期管理：这是辅助工具，不是股神
这套系统不是股神，不能保证你赚钱。但它能帮你筛选信息、分析数据、执行纪律——这三件事，恰恰是散户最容易做不好的。
如果你也感兴趣，欢迎在评论区交流。
我建了一个安全“养龙虾”OpenClaw交流群，欢迎入群！
往期OpenClaw文章精选：
7步OpenClaw 安全加固，构建铜墙铁壁，“养龙虾”再无后顾之忧！
养了一个多月OpenClaw“龙虾”，我总结了六条“养虾”心得
OpenClaw 必装的18款投资理财Skills技能全解析（附安装命令）
本地部署"永久记忆脑"丨Ollama + LanceDB，让你的 OpenClaw 告别反应迟钝
Agent Reach 详解：给 OpenClaw 装上全网感知能力
这个Skills技能，让OpenClaw实现自我进化，越用越聪明！
自媒体人必看！42 个 OpenClaw 神仙技能，让你的内容效率翻倍
如何搭建你的专属 AI 团队： OpenClaw 多 Agent 配置实战指南
为什么你装 OpenClaw 总报错？Windows 正确部署姿势在这，新手也能一次过！
分享一个开源的OpenClaw精彩使用案例集，6.4k+Github Star！
你的 OpenClaw 不够好用？那是因为没装这 10 个必备 Skills技能！
让OpenClaw/Clawdbot支持联网搜索添加Brave Search API和Tavily MCP API保姆教程
Clawdbot->Moltbot->OpenClaw->Moltbook，一文搞清：是什么？发生了啥？怎么部署？
全网最全！OpenClaw (原 Clawdbot) 腾讯云部署，接入QQ / 飞书 / 钉钉保姆级教程
我是大飞，OpenClaw的深度用户，希望与OpenClaw协同，实现我创建一人公司的目标，如果你也这么想，一起交流分享。
本文不构成任何投资建议，股市有风险，入市需谨慎。