OpenClaw 龙虾做投研:实测两大“龙虾”AI投研工具,数据、模型、技能一个不能少,关键还靠人把关

平时，工作比较忙，时间精力有限，如果龙虾真的能够帮助做一些繁琐的事情，确实不错，周末这两天抽个时间，测试验证下龙虾刀子做投资研究如何？

一、原版龙虾：和预期有差距

先用原版龙虾openclaw，先用模型的qwen3-32B/DeepSeek-R1等模型，给他一个默认投资研究的角色。

一定安装一些skills技能，默认是不带的，可以通过界面安装，也可以自己手工命令行安装，我部署了投研的常用skills技能，比如：数据抓取data-fetcher、财务分析finacial-analyst、策略回归测试strategy-backtest等等，见下图。

接着，我让它做个宁德时代的投资研究分析报告，但刚开始，龙虾没有用2025年最新的财报数据，采用的是模拟数据，即使是模拟数据，生成的投研报告，过于简单了，过于小儿科了，没啥太多意义。

猜测背后原因，一种是它没有检索最新25年财务数据，导致数据是用模拟的，生成报告简单的原因，大概率是和提示词、LLM大模型有关，针对这两个方面，一是安装baidu的skills，用DeepSeek等其他大参数量模型，并修改提示词，最后结果有所改善。

总的来说，比以前改进提高了很多，感觉挺像回事儿，但跟我想象的、专业深度分析的还是差距比较大，包括每个数字怎么来的，背后逻辑是啥，还是不太清楚。

再试试其他大厂封装的龙虾！！

二、国产龙虾：有进步待完善

现在各个大厂，已经封装了龙虾，用下腾讯的qclaw和阿里的悟空，阿里的悟空，需要邀请码，还没收到，先用腾讯qclaw吧。

等了1周后收到邀请码，安装挺简单的，版本发布很快，有时1天就更新2个版本，中间有的版本不太稳定，有时问一个问题，直接崩掉了，或者直接清空了，看来还是在快速迭代中。

用它内置的大模型，猜测就是yuanbao、DeepSeek吧，现在免费的，羊毛能撸还是要撸

，问了下有哪些基本面研究工具，让龙虾自己安装上，比如有追踪财报发布earnings-tracker、宏观指标监控macro-monitor、深度研究报告autoglm-deepresearch..........，和前面的确实不太一样，估计和各个LLM不同有关。

看下生成的分析报告：采用东方财富的数据API接口，2025年的数据，是最新的，但23,24年的数据，都是估测的，都不是不是最新的

，估计这个推测值，是根据网上同比增加多少，大概推算出来的。趋势解读，基本还算可以，但数据经不起推敲，估计是从25年报得到的。

再看下其他几个模块的分析：

（1）核心竞争力，基本也说到了技术壁垒、成本优势、客户结构，但总体主要是罗列一下，缺少深度研究分析，如果有跟竞争对手比较就比较好了。

（2）风险分析，竞争分析、材料价格波动、政策性风险、技术迭代风险，尽管面面俱到，都考虑，但单多就是一句户，没有深入展开，当做简报是可以的。

再看下其他模块的分析：

1. 估值分析，应该比较详细了，在整个文档比重也是比较大的，抓取的应该也是最新的市场数据，对比了下，基本都是对的。

2. 考虑更多是相对估值法，重点考虑PE是多少：PEG估值法，它预测26年是增长20-25%，没有说具体原因，按照PE是20-25x，26年底目标价，388-505之间；如果按照，历史中位数PE，PE是35x，那26年大概是679-707太乐观；如果按照行业平均PE考虑，PE是25-30x，26年目标价，485-606元。综合考虑，最后是390-510元，中位数是450。最后得出结论，当前股价413元，是估值合理区间，往上有20-25%增长空间，往下有限（距离390元）。

感觉，这个估值，还算可以吧，逻辑是可以的，但最最重要的是利润增长20-25%，没有展开说，这也是最重要的，没有这个前提，其他PE的推算，都站不住脚的。

三、小结

经过这两天短暂测试验证了下，决定Agent投研质量的三个核心要素，三者缺一不可：

模型（LLM）是大脑：原版OpenClaw使用Qwen3-32B等模型，生成报告“过于简单”，而切换至DeepSeek等更大参数量模型后，逻辑性和深度明显提升。这说明模型的数学推理能力直接决定了财务模型构建的严谨性。
数据（Data）是血液：这是当前最大的痛点。发现QClaw虽然抓取了2025年最新数据，但23、24年数据为“估测值”。这暴露了Agent在数据源接入上的短板——它高度依赖外部API（如东方财富）的准确性与完整性。如果API返回的是模拟数据或滞后数据，Agent输出的就是“垃圾进，垃圾出”。
技能（Skills）是手脚：Skills定义了Agent能做什么。前面提到的strategy-backtest、financial-analyst等技能，本质是封装好的Python脚本或工具链。大厂封装版（如QClaw）的优势在于预装了经过调优的行业专用Skills，而开源版需要用户自己“调教”，门槛较高。

最后，谈下个人几点感想：

1. 龙虾确实可以帮助做一些投研方面很多工作。比如，搜集资料，处理数据，模型运算等等，这些繁琐的工作，都可以让它来做。

2. 但用好龙虾，关键是模型和数据、skills技能。不同的模型、不同技能，影响还是很大，数据，更是分析的基础，不同的数据，最后结果可能南辕北辙。

3. 所有工作，都需要人工审核，需要人来负责。龙虾，可能因为数据源错误或模型幻觉，生成看似合理但数据错误的结论（如错误的增长率推算）。在估值模块中，它机械地套用公式，但无法判断假设前提（如增长率）的合理性。本质，龙虾还是一个助手工具，它从网上、金融库中抓取数据，采用skills技能的写好的逻辑算法，进行分析处理，最后展现出结果，人工要对中间的分析逻辑、分析结果进行核对校验，对最终结果负责。

4. 无法替代Alpha（超额收益）的研究：投资研究的核心价值在于发现市场未充分定价的信息，或者说，找出企业其内在价值，写文章，也是个人认知分析思考过程，如果写文章仅仅是为了赚流量赚广告赚钱，用AI写好了。类似龙虾这类Agent基于公开数据和历史规律，只能做出Beta（市场平均）层面的分析，无法做出超越市场的独特判断。类似agent定位：效率工具，而非决策主体。用它做数据预处理、监控预警、报告草稿，但绝不用它直接给出买卖建议。