夜雨聆风不写代码只写中文，手把手带你搭出第一个炒股AI Agent团队。
50 美元，48 小时，翻了 59 倍。
不是段子，不是标题党。
这是上个月 OpenClaw 社区里流传的一个 Polymarket 量化交易案例——据说有人用龙虾搭了一套自动化交易 Agent，丢进去 50 美元做种子资金，48 小时后账户余额变成了 2950 美元。帖子下面炸了，光截图就转了上千次。当事人自己发了条帖子："睡了一觉，钱翻了。"
你可能会想：这跟我有什么关系？我又不是程序员。
说实话，你不需要是。
今天这篇文章，手把手带你用 Openclaw 从零搭建一套基础的炒股 Agent 团队。不写代码，只写中文。 你只需要会打字、会复制粘贴，就能搞定。搭完之后，每天早上 9 点半开盘，你的 AI 团队自动盯盘、自动分析、自动筛股、自动出报告，推送到你的飞书里。
话不多说，直接开始。
在动手之前，先搞懂一个核心概念
如果你之前看过我写的那些 OpenClaw 文章，这部分可以跳过。如果你是第一次接触——别走，两分钟就够。
Skills 是什么？
打个比方。你刚入职一家公司，领导不可能跟你说一句"去干活"就完了吧？至少得给你一份岗位培训手册：你的岗位职责是什么、工作流程是什么、遇到问题找谁、产出物交给谁、什么事情不归你管。
Skill 就是你写给 AI 的岗位培训手册。没有它，你的龙虾就是个陪聊的。
你跟没有 Skill 的龙虾说"帮我分析一下最近的 A 股行情"，它给你编一段看似专业的废话。为什么？因为它没有明确的工作流程，不知道从哪拉数据，不知道用什么指标，不知道输出格式该长什么样。它只能靠"猜"——而猜出来的东西，你敢用来做投资决策吗？绝对不能。
有了 Skill 就不一样了。你给它写清楚：去哪个 API 拉数据、用哪些技术指标分析、输出格式是什么、异常情况怎么处理。它就照着这套流程一步一步执行。从"随机应付"变成"标准化作业"。
这玩意在技术上长什么样？其实就是一个文件夹，里面放一个叫 SKILL.md 的 Markdown 文件。你用中文写清楚这个 AI 该干什么、怎么干、输出什么，它就按你的要求来。
不需要编程。会写 Markdown 就够了——确实，连 Markdown 不会写也没关系，后面我会教你让 AI 帮你写。
好，概念搞定，进入正题。
搭建炒股 Agent 团队：四步走
很多人一上来就想直接写 SKILL.md。
大错特错。
大部分人的第一个 Skill，是一个什么都干、什么都不精的万能废物。
为什么？因为你脑子里只有一个模糊的念头——"帮我炒股"——然后就一股脑塞进一个文件里。结果 AI 看完之后也是一脸懵：你要我做什么？盯盘？选股？写报告？还是帮你下单？全都干？那我先干哪个？数据从哪来？分析完了给谁？
一个什么都干的人，往往什么都干不好。AI 也一样。
正确的路径是这样的：
模糊需求 → 需求拆解 → 逐个搭建并验证 → 串成流水线
先想清楚，再一个一个搭，搭一个测一个，全部跑通了再串起来。
跟开餐厅一个道理。你不会先把厨师、服务员、收银员、采购全招进来，然后说"开始营业"。你会先让厨师试菜，菜过关了，再让服务员试跑流程，流程顺了，再接收银。每个环节单独验收，最后才开门迎客。
下面四步，一步一步带你走完。
第一步：把"帮我炒股"变成一份清晰的需求文档
还记得前面说的"万能废物"吗？大部分人打开 OpenClaw，第一句话就是"帮我搞一个炒股的 Skill"——然后 AI 真的给你搞了一个什么都干、什么都不精的东西。接口报错、逻辑瞎编、格式乱飞。因为从一开始它的工作范围就没有被定义过。
怎么避免？先写需求文档。
先别急着写 SKILL.md。先用一个 Prompt，让 AI 帮你把模糊的需求拆解成清晰的需求文档。
下面这个 Prompt 模板，你直接复制就能用。把最后的场景描述换成你自己的需求就行：
把这个 Prompt 丢进 OpenClaw，它会回你一份详细到令人发指的需求拆解文档。以炒股场景为例，它大概会给你拆出 4 个 Agent 角色：
1. 数据采集 Agent（盯盘员）——负责每天从股票 API 拉行情数据，覆盖沪深 300 成分股，输出标准化 JSON。它的工作是"跑腿取货"，不做任何分析判断。
2. 行情分析 Agent（分析师）——负责对数据做技术面分析，算均线、MACD、成交量异动，识别形态，输出分析报告。它的工作是"看图说话"，只陈述事实不做推荐。
谁来最终拍板？3. 策略决策 Agent（投资经理）。综合分析师的报告和市场情绪数据，筛选 5 支潜力股，给出买入/持有/卖出建议，附上风险评级。这是整个团队的大脑。
最后一个——4. 报告推送 Agent（秘书）。别小看这个角色，它干的是"让老板看得懂"的翻译活。把投资经理的决策结果格式化成一份排版漂亮的报告，推送到飞书。
四个岗位、四条职责边界、一套协作流程——从一句"帮我炒股"到一份完整的"招聘计划书"。
而且这个 Prompt 是通用的。把"炒股"换成"竞品分析""客户舆情"——任何场景都能用：先拆岗位，再写手册。
接下来，不急着一口气招满四个人。先招第一个，让他上岗试试。
第二步：搭你的第一个 Agent —— 数据采集员
先从最简单的角色开始：数据采集员。它的工作就是跑腿取货——去 API 拉数据，存好，完事。不做分析，不做判断。
让 AI 帮你写操作手册
OpenClaw 有一个内置技能叫 skill-creator。你只需要跟它说"帮我创建一个数据采集 Skill"，它会根据你前面的需求拆解，自动帮你生成完整的 SKILL.md。就像你跟 HR 说"帮我把这个岗位的 JD 写出来"，HR 根据你给的职责描述，直接给你输出一份规范的岗位说明书。
在 OpenClaw 对话框里说：
"根据刚才的需求拆解，帮我创建第一个 Skill：股票数据采集。要求每天 9:30 开盘后自动获取沪深 300 成分股的行情数据，输出 JSON 格式。"
它会生成一个完整的 SKILL.md 文件，长这样：
这里有一个细节很重要——description 字段。
这个字段不是给你看的，是给 OpenClaw 看的。龙虾靠这段描述来判断"什么时候该调用这个 Skill"。你写得越清晰，触发就越精准。写得模糊，它就乱调，甚至不调。
你可以这样理解：description 就是这个员工的岗位职责说明。写得好，他知道什么活该接、什么活不该接。写得烂，他要么什么活都抢，要么什么活都不干。
注意看 description 里那句"不适用于：加密货币数据、美股数据、基金净值查询"。这不是废话。这叫负面边界定义——明确告诉 AI 什么不该干，比告诉它什么该干还重要。
写得好的 description 是门卫，写得烂的 description 是摆设。
文件写好了，放在 ~/.openclaw/skills/stock-data-fetcher/ 目录下：
scripts 里的辅助脚本你也可以让 AI 帮你写。跟 AI 说一句"帮我写一个从东方财富 API 拉取沪深 300 数据的 Python 脚本"，它五分钟就给你生成好了。
创建 Agent，让它上岗
操作手册写好了，现在给这个岗位招人。继续输入：
"为stock-data-fetcher创建 agent！"
Agent, 上岗！
第一次对话测试：看看你的员工能不能干活
Agent 创建好了，但你不知道它到底行不行。别急着往下搭，先测一下。
在 OpenClaw 里直接跟它说话：
看到输出了。
第一个员工，正式上岗。
恭喜你——你刚才完成的这套流程："写 SKILL.md → 创建 Agent → 对话测试 → 验证输出"，就是搭建每一个 Agent 的标准动作。后面三个人，照着来就行。
你的第一个 AI 员工，不是招来的，是你亲手教出来的。
顺便说一个进阶小技巧。你可以给每个 Agent 配一个 SOUL.md，定义它的性格和工作风格——相当于给 AI 装了个良心。你是谁、你的原则是什么、你的底线在哪，全写进去。
比如分析师 Agent 的 SOUL.md 可以这么写：
有了 SOUL.md，这个 Agent 就不只是一个执行工具——它有了自己的"职业操守"。不该说的不说，不该做的不做。你不用每次都叮嘱它"别给我推荐个股"，因为 SOUL.md 里已经写死了。
第三步：用同样的方法，搭剩下三个人
你已经掌握了"搭→测"的节奏。接下来三个 Agent 的创建步骤完全一样：让 skill-creator 生成 SKILL.md → 创建 Agent → 对话测试。
唯一的区别在两个地方：模型选择和数据怎么接。
行情分析师：第一次接力
分析师的 SKILL.md 结构跟数据采集员一样，但有一个关键区别：它的输入不是 API，而是上一步存进去的 JSON 文件。 你让 skill-creator 帮你生成时，要特别强调这一点——"读取 skills/stock-data-fetcher/data 目录下的最新 JSON 文件作为输入"。
在 OpenClaw 对话框里说：
"根据刚才的需求拆解，帮我创建第二个 Skill：股票行情分析。要求读取 skills/stock-data-fetcher/data 目录下的最新 JSON 文件作为输入。"
搭完，测。
看到第一行了吗？"已读取 workspace/data/daily/2026-03-17.json"——这正是数据采集员刚才存进去的文件。数据像接力赛的接力棒，稳稳从第一棒传到了第二棒。
这就是多 Agent 协作的核心：上一个人的产出，就是下一个人的输入。每个人只管自己那段赛道。
投资经理和秘书：照葫芦画瓢
剩下两个人的搭建流程完全一样，我不再展开了——唯一的区别是模型选择。
投资经理是整个团队的大脑，综合分析师报告做最终决策，用 Claude Sonnet（脑力活配好脑子）。秘书负责把决策结果排版成飞书日报然后推送，用 DeepSeek（体力活不用杀鸡用牛刀）。
一个人什么都干，叫加班。四个人各干各的，叫体系。
四个 Agent，各就各位。
🌊
四个 Agent 各自都能独立干活了。但你可能注意到——刚才的测试都是你手动触发的。你一个一个跟它们说"该你了"，它们才动。
那能不能让它们自动串起来？你不用管，它们自己接力跑？
能。这就是最后一步。
第四步：让四个人串成流水线
你得告诉它们谁先干谁后干、干完了通知谁。就像导演画分镜——第一场谁出镜、第二场谁接戏、台词说完了谁喊 Action，全在剧本里写好。
怎么写？还是那句话——用中文说就行。
在 OpenClaw 对话框里直接说：
你没有手动编辑任何配置文件。你只是用中文说了一句"谁干完了通知谁"，OpenClaw 自己把路由配好了。
你不是在写代码。你是在排兵布阵。
搭完了。
四个 Agent 接力跑，整个过程你不需要动一根手指。
不完美。但真的能跑。
说几句掏心窝子的话
说实话，到这里我必须泼一盆冷水。
AI 炒股赚钱这事，风险极大。
前面提到的 Polymarket 案例，就算是真的，也是概率事件。量化交易的本质是赌概率，赢了的人到处发帖，亏了的人默默删号。你看到的都是幸存者。
四个安全要点你必须刻进脑子里：
第一，绝对不要让 AI 自动下单。 最终的买卖决策必须你自己来。把交易账户的 API Key 交给 AI，跟把银行卡密码告诉陌生人没有区别。这是底线。
第二，AI 的分析结论只是参考，不是真理。 它看的是历史数据和技术指标，它挡不住一条突发新闻把整个板块砸到跌停。
第三，数据安全要把住。 特别是那些免费的股票数据 API。天下没有免费的午餐，你的数据可能就是它的午餐。
第四，先用模拟盘跑至少一个月。 急什么呢？市场明天还在。
你给它清晰的策略，它帮你 7x24 执行。你给它模糊的指令，它帮你精准地亏钱。
说了这么多风险，不是要吓退你。恰恰相反——知道边界在哪的人，才走得最远。
你搭的不只是一个炒股工具
到这里，回头看看你做了什么。
你没有写一行代码。你做的事情是——想清楚需求、拆解岗位、写操作手册、建团队、设流程、定排班。
这不是编程。这是管理。
你管的不是代码，是团队。只不过团队成员是 AI。
而且这套逻辑，可以复制到任何场景。
想搭一个竞品监控系统？拆成信息抓取、变化检测、报告汇总三个 Agent，流程几乎不变。每天自动扫 10 个竞品官网，有新动态了自动总结、自动推送，你再也不用每天花半小时刷竞品。
想象一下这个场景。
早上闹钟 9:30 响了。你还在地铁上，耳机里放着播客。手机震了一下——飞书通知。
你点开一看，一份排版工整的日报已经安安静静地躺在群里了。标题、市场概览、五支推荐股、每支附带技术指标和风险评级，最后还有一段大盘情绪总结。
你的四个 AI 员工，比你先到岗 15 分钟。
你对象问你"又在看手机？"你说"我在开晨会。"
以前你是 AI 的用户，你问它答。
现在你是 AI 团队的管理者，你定流程，它们执行。
从用户到管理者——这个身份切换，比你搭出来的任何一个 Skill 都重要。
🌊
如果你跟着搭出了自己的第一个 Skill——不管是炒股的、写作的、还是别的什么——欢迎在评论区晒出来，我挨个看。
觉得有用的话，转发给你身边那个天天喊着要"让 AI 帮我干活"但从来没动手的朋友。
从一句"帮我炒股"到四个 Agent 接力跑——你今天做的，不只是搭了个工具。
你学会了一件事。
管理 AI。
而不是被 AI 管理。
PS：入市需谨慎啊！这篇文章主要是想让大家理解 Agent 团队的拆解和搭建！
以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～谢谢你看我的文章
