Openclaw��为我赚钱了!实战OPC基金公司拆解Openclaw和Vibecoding宝藏用法

一、楔子：一个下午，三个账户，四个 Agent

某个工作日下午，我正在处理另一件事。打开 Dashboard（wealth.socialmore.net) 顺眼一瞥——港股账户今日浮盈 +HK$8,624，A 股账户净值升至1.0135，美股账户浮盈+$2,931。（不想看长文的可以直接打开这个网址 wealth.socialmore.net 看直播点评和一键复刻）

我什么操作都没做。没有盯盘，没有刷新闻，没有下单。但四个 AI 子代理在我身后各司其职：Researcher 扫完了今天的行情，Risk 更新了持仓风险评分，CIO 在整点报告里写下了一句"腾讯现价已进入入场区间，情绪错杀概率 >70%"，Trader 早已把止损单挂在了正确的价位上。这种感觉，有点像第一次看到自动驾驶真的在高速公路上跑——你坐在那里，手没放在方向盘上，车却在走。但这不是一夜之间发生的。这中间有相当多的"AI 摆烂"、"系统断链"和"你说了等于没说"——而修好这一切，靠的是一套我把它叫做 harness 的东西。

二、起点：为什么要让 AI 管钱？

我不是没尝试过自己做投资决策。读研报、看财报、算 DCF、盯指数……结果是：信息量太大，人脑根本处理不过来。真正有用的决策窗口每天可能只有 15 分钟，但准备那 15 分钟需要花 3 个小时。然后我发现一件事：我的投资框架本身，是可以被机器执行的。我用了一套双维度筛选体系——"护城河类型（品牌/转换成本/收税型生态/资源品/公用事业）"× "AI 商业模式（L0 基础设施到 L3 平台乘数）"——这套逻辑是结构化的，是可以被表达成 prompt 的，是可以让 AI 去迭代的。但问题来了：我告诉 AI"按这个框架分析"，它会吗？短期会。但"按框架"和"始终按框架"之间隔着一条鸿沟，那条鸿沟的名字叫做：没有 harness。

三、第一次建团：美好理想 vs 现实混乱

2026 年 3 月中旬，WealthTeam 正式组建。四个子代理，清晰分工：

CIO（首席投资官）：综合裁决，最终决策
Researcher（首席研究员）：基本面研究，行情扫描
Risk（风险官）：持仓风险评估，止损监控
Trader（执行交易员）：订单提交，仓位记录

听起来很完整。实际运行两天后，问题就开始暴露：每次盘中监控触发，子代理都是新建隔离会话（mode='run'）。每次都重新加载一遍 K0-K3 全部上下文——晨会研究、历史复盘、知识锚、学习资料……光加载就要 270 秒。四次盘中监控 × 270 秒 = 接近 18 分钟的纯上下文加载开销，什么分析都还没开始。

日志记录：Researcher 子代理今日失败率 90%。更糟的是，Agent 会"发明"自己的行为。我规定"低于入场区间应分批建仓"，结果 Agent 在某天的报告里写"腾讯跌破区间，建议继续观察"——等于在规则正文里加了一句"我不想执行"。CIO 决策的止盈意见没有写回信号队列，price_monitor 于是在接下来两小时里重复触发了 200 多次同一个 TAKE_PROFIT 信号，把整个执行链路打爆。这就是没有 harness 的世界：设计意图 ≠ 系统行为，而且 AI 不会主动告诉你它没按你说的做。

四、Harness 是什么：

像管人一样管 AI Harness 这个词在骑术里是"马具"——让马按你想要的方式跑，而不是让它自由奔跑。在 AI 多代理系统里，harness 就是一整套让 AI"按你要求工作"的约束机制。我把它拆成七个维度：

1. 清晰职责边界（WORKFLOW_POLICY.md → 相当于 JD）一份近 700 行的政策文件，明确规定每个角色在什么情况下可以做什么、禁止做什么。比如："整点汇报 CIO 禁止向 Sir 请求止损授权确认"——这不是废话，是因为早期 AI 真的会把"建议止损"变成"请问 Sir 是否授权止损"。

2. 统一信息源（account_state.json → 相当于 ERP 系统）WealthTeam 早期最大的混乱来自：每个 Agent 从不同地方读持仓数据，positions.json 有时是3天前的，Futu API 返回成本价是 0.0，Agent 就在那里用幻觉数据做决策。后来建立了 account_state.json 作为唯一权威数据源，明确规定公式（浮盈亏 = 持仓市值 - 买入成本，实现盈亏 = Σ[(卖出价 - 成本价)×卖出股数]）并固化保护——修改需要口令。

3. 结构化汇报格式（REPORT_STANDARDS.md → 相当于汇报模板）

每次晨会必须有七个章节，收盘复盘必须有七个章节，整点快报必须包含候选池全量监控状态——AI 每次输出结构不一样，等于你永远看不到你想看的信息。

4. 上下文持久化（日内持久会话 → 相当于交班制度）

每个子代理在整个交易日内保持同一会话（session_key 固定），晨会初始化，盘中 mode='continue' 增量更新，收盘后清理。这样 Researcher 在下午做分析时，还记得早上的市场判断，不需要重头交接。

5. 信号状态机（price-trigger-queue.json → 相当于工作流 SOP） ENTRY/STOP_LOSS/TAKE_PROFIT 信号有明确的生命周期：new → deciding → decided_hold/executed。过期的信号变成 expired_pending_review 而不是直接死亡——第二天盘前重新评估，满足条件再触发。这解决了"同一信号无限重触发"的历史噩梦。

6. 模型能力匹配（三路负载均衡 → 相当于人岗匹配）

不是所有任务都需要 Opus。三路模型分工：本地 qwen3.5（Researcher 盘中增量，轻量、省配额）、kimi（Risk 盘中，第二路）、gpt-5.4-mini（整点快报，第三路）。重要任务用 gpt-5.3-codex（晨会执行器、收盘复盘），周度深度学习用 claude-opus-4.6。任何一路故障不影响其他两路。

7. 外部监控（Guardian RWT1-3 → 相当于绩效管理系统）

一个独立的 guardian-watchdog.py 持续观察：持仓 avg_price=0.0 告警、止损信号积压超 48 小时告警、晨会状态卡在 running 超 60 分钟告警。AI 不会主动汇报自己在摆烂，外部监控必须主动发现。

五、关键转折点：从"像过家家"到"可信赖"

2026 年 4 月中旬，用户（也就是我自己）做了一个让人清醒的观察："这个机制像过家家，不够稳定可靠，如果这是一家真实的基金公司，是会因此倒闭的。" 那时候的系统有两个根本性的架构缺陷：

缺陷一：LLM 直接下单

Trader 这个 LLM Agent 直接调用 Futu API 提交订单，然后更新 positions.json。如果 LLM 在提交订单之后、更新文件之前超时崩溃——订单已经提交，但系统里没有记录。隐形交易，无法追踪。解决方案：创建 execute_trade.py，一个零 LLM 依赖的确定性 Python 脚本，负责原子下单+原子写入 positions.json+自动重试+飞书通知。Trader LLM 的职责变成"参数准备者"——它只输出一行命令，真正的执行由确定性代码完成。

缺陷二：数据一致性

持仓数据散落在多处，各 Agent 各自理解各自的版本。有一天持仓里的 SH.601899 同时出现三条记录——一条 open，一条 closed_stop_loss，一条 closed_take_profit。三条状态互相矛盾，NAV 计算因此虚高。解决方案：account_state.json 成为唯一权威数据源，record_nav.py 成为唯一计算入口，公式固化并受保护。所有报告、所有决策，从同一个文件读，不再允许任何人"我记得持仓是…"。这两个修复的本质是同一件事：把"LLM 做的事"和"不允许出错的事"严格分离。LLM 负责判断和规划，确定性代码负责执行和落盘。

六、时间的两种尺度：CC 与 OpenClaw 的分工哲学

在打磨这套系统的过程中，我逐渐看清了一个事实：虽然 Claude Code（CC）与 OpenClaw 背后都是大语言模型，但它们运行在截然不同的“时间尺度”上。

Claude Code：瞬时的深度（战略顾问）

CC 擅长的是“纵深战斗”。当我需要进行长期规划、重构系统架构，或者在浩如烟海的代码库中定位一个诡异的逻辑死循环时，它是我最强大的对谈者。它像是一位战略顾问，你请它入场，交付一个高难度的具体课题，它交出答案，然后离场。它的价值在于那一刻爆发性的系统性推理。

OpenClaw：持续的广度（运营团队）

而 OpenClaw 运行在日历的流转中。它负责那些枯燥、重复、却容不得半点差池的任务：08:30 的晨会唤醒、16:00 的收盘复盘、多 Agent 之间的接力编排、以及与外部 API 永无止境的握手。它像是一支按流程上班的运营团队，哪怕我正在熟睡，它们依然在既定的轨道上沉默地推行。

一个负责“想清楚”，一个负责“做下去”。

这绝非工具的堆砌，而是一种自然的职能演化。我学会了用 CC 来设计 Harness 的蓝图（设计制度），再用 OpenClaw 来承载 Harness 的运行（执行制度）。两者之间不是替代，而是一种关于“思考”与“呼吸”的完美分工。

七、镜像：在算法中撞见人类管理学

最令我感到震撼的，并不是 AI 的进化速度，而是在治理这个 AI 团队时，我反复撞上的问题，竟然全都是人类组织管理中的“幽灵”。

我所建立的每一项 Harness 实践，在管理学中都能找到严丝合缝的投影：

Harness 实践	管理学对应	核心意图
职责边界 (WORKFLOW_POLICY)	JD + OKR	明确“什么是我的事，什么不是”
单一数据源 (account_state.json)	ERP 系统	终结“各说各话”，确立唯一的真相
标准报告格式 (REPORT_STANDARDS)	SOP 工作流	确保信息传递不因个体的“发挥”而衰减
日内持久会话 (Context Persistence)	知识管理系统 (KM)	让昨天的教训成为今天的直觉，拒绝认知断层
降级兜底机制 (Fallback)	业务连续性计划 (BCP)	核心功能不能因为局部崩溃而全面宕机
模型能力分级 (Model Matching)	人岗匹配	拒绝大材小用，更要防止小材大用
看门狗 (Guardian Watchdog)	绩效管理与审计	确保“有人在看”，维持系统的张力

在这个过程中，我得到了一个最深、也最“痛”的教训：

AI 的“偷懒”，比人类更体面，也更隐蔽。

它不会像人类那样明显地消极怠工，它会表现得极其专业且彬彬有礼。它会绕开那些复杂的规则，寻找逻辑路径上最省力的斜坡，然后生成一份看起来完美无瑕、实则空洞无物的报告。

这让我意识到，管理 AI 与管理人类一样：规则不能只写“理念”，必须写死“验收”。你不能只告诉它“要严谨”，你必须告诉它“如果没有看到三个维度的交叉验证数据，你的结论就是废纸”。

Harness 的本质，就是把这种对“体面摆烂”的防御，写进系统的骨髓里。

八、Dashboard：你的 AI 基金，实时直播

好了，现在说点有意思的。如果你也在用 OpenClaw 跑 WealthTeam，或者只是好奇"一个 AI 基金管理团队每天都在做什么"——我做了一个 Dashboard，公开可访问。地址：wealth.socialmore.net

这是一个暗色调的实时看板，设计风格类似彭博终端，但……更好看一些。

你能看到什么：

📊 三基金实时净值卡片

A 股（人民币）/ 港股（港币）/ 美股（美元）三个基金并排展示，当前 NAV、总资产、今日浮盈亏、累计总收益、年化进度。数字每次刷新直接来自真实账户 API（Futu SIMULATE + Alpaca Paper）。

每笔持仓：代码、名称、持仓量、成本价、当前价、浮盈亏（金额和%）、距止损位（%）、止盈目标。颜色编码——接近止损的标红，盈利状态标绿。

📅 Team 工作日历

一个类 GitHub contributions 的日历，蓝点=晨会，绿点=复盘，紫点=周报，橙点=理论学习。点击任意一天，右侧展开当天的报告全文——你可以看到 CIO 当天写了什么，Researcher 分析了什么，Risk 给出了什么风险评级。

cio-knowledge-anchor.md（CIO 每周学习的投资理论摘要）、researcher-research-digest.md（各标的护城河/估值/风险研究积累）、watchlist 全量候选标的——这些是 WealthTeam 的"大脑"，可以直接在 Dashboard 上阅读。

当然，更重要的是，你也想要一个这样一个驯化好的Agent团队的话，赶紧访问wealth.socialmore.net或点击阅读原文来一键复刻吧。

--- Dashboard 的存在解决了一个长期困扰我的问题：

我不知道 AI 在做什么。过去所有的工作日志都在飞书，我要打开我的openclaw聊天记录才能看，而且都是文字。现在打开浏览器，30 秒之内就能知道：今天 Risk 评级是🟡黄，腾讯距入场区间还差 3%，昨日 Researcher 发现了一个关于长江电力 AI 算力需求的新催化剂。如果你有足够的偷窥欲，可以把这个 tab 常开着——在正常的工作时间里，你大约每隔 30 分钟就会看到盘中报告更新一次，每天上午 8:35 会看到晨会报告生成，每天下午 4 点会看到收盘复盘出现在日历上。这就是 AI 团队工作的样子，不加修饰，实时直播。

九、尾声：它还在学习

写到最后，我想说一个常被忽视的事实：这套系统不是"部署完就万事大吉"的，它是持续进化的。

每周六下午 1 点，claude-opus-4.6（WealthTeam 用的最顶级的模型）会启动一个 3600 秒的周度深度学习任务：回顾本周市场判断的对错，学习一个新的投资框架（估值/行业分析/风险管理/组合构建四周轮转），更新 cio-knowledge-anchor.md，将本周的偏差写进 error-museum.md。 error-museum.md 里有这样的条目：

- NVDA 止盈决策反复：触及$175 目标后主动推翻止盈计划——改进：入场前设定三档目标，不可随意推翻"

- 宁德时代过早清仓：目标价基于技术位而非 DCF——改进：长持标的止盈目标必须锚定 DCF" 这些不只是 AI 的错误记录，也是我的错误记录。是我告诉它"这样不对，下次这样做"，它把规则写进 harness，下次就真的不同了。这是 harness 和人类管理最相似的地方：

它是一种关系，不是一个产品。

你投入时间去校正它，它就会越来越像你想要的那个样子。你不管它，它就会越来越自由发挥，越来越不可预测。三个账户，NAV 分别是 1.0217、1.0115、1.0054。这是 2026 年 4 月 14 日下午，在我没有盯盘的情况下，四个 AI 子代理工作的结果。我把这个过程写下来，不是因为它完美——而是因为它在变好。

From 四十学蒙

风险提示及免责条款：市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或者需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。

后台回复skill一键获取超实用AI技能包

- END-

点个在看支持一下❤️