投研 Agent 的最佳形态是什么？AlphaEngine 给出了一种新答案

投研领域的 OpenClaw 能做到什么程度？

OpenClaw 火了之后，各行各业都在抢着做落地，几乎每周都能看到新的案例冒出来。

很多团队的思路是：把 OpenClaw 当作一个「数字员工」，再往里面接入搜索工具，让它在具体场景里干活。

但金融圈是其中比较特殊的存在。原因其实很简单：投研这个行业，本质上是「数据密度极高」的行业。

一个投资经理，在做判断时要面对的是完全不同级别的信息复杂度。大量的信息往往散落在不同数据库、券商研报、会议记录和内部资料里。

如果靠的是所有人都能看到同样的数据，信息本身并不会形成优势。

所以，如果把专业数据这块短板补上，搭配上 OpenClaw，在投研领域到底能做到什么程度？

最近，这个领域出现了一个新产品，它叫 Alpha Claw，简单说就是 OpenClaw 加上了一个专业级的金融数据库。

接下来，分享我们的深度实测。

有庞大数据库支持的「OpenClaw」能做到什么程度？

AlphaClaw 其实整体上能看到 Claude Code 和 Co-work 的影子，整体是一套 Agent 系统，对投研场景的适配度很高。

用之前先在本地选一个工作区。选好之后，它就能直接操作里面的文件，或者把生成好的文件放进去。

OpenClaw 有个大家都知道的优点：记忆力很强。

在 Alpha Claw 里，你可以直接跟它说：你现在是我的投资小助理，每次回答开头都要说"尊贵的散户大人，祝您发发发"。

说完它就会自动把这个记到记忆里。以后每次回答都会照着来。

之后每次对话，它都会用这个开头语。

然后说说 Alpha Claw 的门槛。说实话，门槛很低。不用配置，不用折腾，打开就能用。

1）Miro AI 估值回落逻辑解析

Alpha Claw 其实是从一个网站版来的，叫 Alpha Engine。

原版里面有超多专业的投研数据库。会议纪要、海外研报、国内研报，都有。研报出来的速度也很快。还有大量知识库和洞察内容。

总之数据库非常大：

我之前去浏览他们官网的时候，发现这些数据库里面有个比较特别的模块：会议纪要。

因为 AlphaEngine 跟很多企业签了渠道合作，所以这些会议纪要基本都是一手的。你点进去一个会议纪要，里面不只是文字。有完整转录、QA问答，甚至连语音录音都在。

现在 Alpha Engine 出了桌面版，也就是 Alpha Claw，之前网站版那些功能全都带过来了。它同时也是投研 Agent 的底层支撑，所以能做很多专业的事。

说个最近的例子。

传统行业里有几家以前的头部公司，进入 AI 时代之后估值跌了很多，但产品本身还是很能打。

最典型的两家就是 AirTable 和 Miro AI。一个是 Excel 表格领域的头部，一个是画布协作的头部，当年估值都很高。这两年估值跌得挺快，但因为产品本身够好，加上其他一些原因，现在还是很值得关注的 AI SaaS。

所以我们就可以直接用 Alpha Claw，快速研究这类传统企业在 AI 时代估值缩水背后的逻辑，还能从很多维度展开分析。

另外，Alpha Engine 继承了很多 OpenClaw 的东西，内置了大量 Skill。

其中有一个叫 Skill Creator 的 Skill，很有意思，你问它问题、给它答案，它能直接把这个过程转化成一个新的 Skill，用起来很方便。

提示词如下：

帮我全面研究MiroAI估值在AI时代大幅缩水的逻辑。

从多个维度展开分析，并将研究框架整理成一份结构化的Skill

Alpha Claw 本质上就是一个 Agent。

你给它一个指令，它会先去大量收集相关信息。来源有两块：一块是网络搜索，另一块是它自己内部的数据库。

所以它拿到的基础数据，又多又全。

速度挺快的，3 到 5 分钟就出来了。出来的是一份 Miro AI 估值回落的深度研究报告，而且结构很专业。

你仔细看的话会发现，它有一套完整的研究框架：核心数据、泡沫形成、增长失速、AI冲击、估值重估，还有同类协作工具的可比公司分析，最后给出投资结论。

这个结构说实话，跟 VC 写的 Investment Memo 非常像。

前面说过，Alpha Claw 内置了很多 Skills。其中有一个 Skill Creator，挺好玩的。它可以直接帮你创建新的 Skill。

不用自己手动配置，让它来搞就行。

上一份报告出来之后，我觉得结构已经很满意了，不用再改什么。所以我一开始就让它顺手帮我做一个 Skill。

它把报告做完之后，就开始创建 Skill。创建完会来问你：这个 Skill 主要用在哪类企业？比如是聚焦 SaaS，还是科技独角兽？

它会根据上下文给你推荐一个方向，然后让你确认。

然后它就开始做这个 Skill 了。

Skill 做好之后会直接存到 AlphaEngine 的后台文件夹里。这是一个全局目录，所有项目都能用，不用重复创建。

它还会告诉你怎么触发。比如你在对话里说"分析某某公司的估值"，或者"某某独角兽现在值多少钱"，它就会自动调用这个框架来回答你。

后来我又让它去拉了 Figma、Canva、Notion 这些可比公司最新一轮的估值倍数，拿来做参照。

然后它帮我直接出了一份资产配置建议，还顺手做了个自选股清单。

还有一点是，Alpha Claw 内置了专业绘图工具，能直接画敏感性分析图表：

后来我又让它帮我做了一份 Excel 表格。

Alpha Claw 是个 Agent，所以它能直接产出实际的文件，做好就存到你本地。我让它基于前面所有的报告，做一个 VC 级别的复杂报表。七个工作表，还要有丰富的颜色标注和格式。

这七个工作表分别是：仪表盘、自选股详情、估值对比、敏感性分析、资产配置、风险矩阵、投资策略。

每个表里还要有多级表头和批注。

你可以直接在 Alpha Claw 里让它把这些内容做成一个 HTML 网页。

比如 Miro 估值敏感性热力图、历史走势、倍数对比、自选股清单，全都有，而且这些都是可以点的，可以交互的。

2）把对 AI 行业的思考，变成一套可复用的分析框架

前面说的 Skill 创建，其实只是个开始。

深度用下来之后我发现，它还能做一件更有价值的事：把你过去积累的那些超长篇幅的思考，直接变成一套可以反复用的分析框架。

很多人跟我一样，对 AI 行业有大量零散的想法。平时刷新闻、看论文、研究产品，脑子里其实一直在形成判断：哪些产品可能跑出来？哪些模式更容易赚钱？

但每个人看 AI 的角度都不一样，这些想法也都是你自己的。

如果能把这些零散的思考整理成一个框架，再做成 Skill 反复调用，体验会好很多。

我之前就干了这件事。把我们所有文章加上自己的思考，让通用 Agent 帮我整理成了一份文档。500 多页，将近 30 万字。

这份文档基本上就是我之前对 AI 行业所有思考的合集，都让通用 Agent 帮我整理好了。

接下来就可以直接把这些思考丢给 Alpha Claw，让它做成一个分析框架。然后拿这个框架去分析传统行业的产品或公司，看它们在 AI 时代能怎么走。

整个逻辑是通的，比较闭环。

提示如下：

这是我过去几年写的关于 AI 行业和 AI 产品的思考，包括产品分析、行业判断和技术趋势。请仔细阅读，总结我的核心分析框架，并整理成一个 Skill。

Alpha Claw 读取了这份 550 页、近 30 万字的文档，然后把里面所有内容整理成了一个 AI 产品视角的分析框架。

之后就可以拿这个框架，去分析传统行业在 AI 时代有哪些机会。

提示词如下：

使用这个Skill，分析一个传统行业在AI时代的机会，比如Johnson & Johnson、UPS、Shell、Caterpillar

这些传统企业，其实多多少少都在往 AI 方向转了。

但问题是，每个人看一个企业的角度都不一样。你自己积累的那套视角，往往才是最有价值的。

Alpha Claw 调用了我整理好的这个 Skill 之后，就会用我平时常用的那些角度去分析，比如 AI 战略成熟度、数据护城河、场景护城河、技术品牌这些维度：

3）产业链梳理

最后说一个我觉得特别好用的场景：产业链梳理。

以前用那些通用 AI chatbot 做 Deep Research，分析产业链出来的基本就是一份深度报告，不够垂直。

Alpha Claw 不一样，它有自己的垂直数据库，加上搜索能力和制图能力，梳理产业链这件事它做得很好。

我举个例子。我让它帮我梳理人形机器人的产业链，上中下游所有环节、核心公司，还有每家公司的营收、毛利率、研发投入这些关键指标，全部可视化。

这其实是个挺复杂的任务。

提示词如下：

梳理人形机器人产业链，从研报库中抓取产业链图谱，梳理上中下游环节和核心公司，对每家公司提取最新营收、毛利率、研发投入等关键指标。

最终生成一份带有产业链可视化图和个股对比矩阵的投研报告（PPT或Excel均可）。

然后 Alpha Claw 就出了一份比较全的人形机器人产业链报告，产业图谱、核心公司的财务对比、关键指标分析、整个市场规模预测基本都会覆盖到：

我们来仔细看看这份报告里有哪些亮眼的地方。

首先是产业链图谱。它会画出一张投研报告那种风格的图，把整条产业链拆得很细。上游是各种核心零部件，伺服电机、传感器、减速器，这些很细分的东西都在里面。

中游是整机制造，特斯拉、宇树、智元机器人这些，还有模组和系统集成的公司。再往下是各种应用场景。

而且这个图谱其实只是个简化版，是它最开始给你看的一个概览而已。

往下翻你会发现，它把整条产业链扒得很细。

上游零部件的公司、中游整机制造和系统集成的公司，还有相关的上市公司，全都列出来了。每家公司的代码、名称、所在产业环节、营收、毛利率，能查到的都查了。

2024 年的、2025 年 Q3 的数据都有。每家公司在机器人业务上的最新进展，也都梳理进去了。

而且我还没截完，这只是一部分。整个产业链梳理下来，大概涵盖了将近50 家企业。

Alpha Claw 的投研绘图其实还可以，财务对比、核心指标分析、上下游零部件矩阵图、市场规模预测折线图都有。

而且每张图都标了数据来源，这个细节做得很好。你要是仔细看，还会发现它甚至去查了产业链里各个零部件的国产化率。

还有一个核心公司毛利率的排行榜，来源标的是各家研报，很规范。

下面那个折线图里预测了国内人形机器人整机厂从 2025 年到 2030 年的出货量，颜色搭配很协调，整体是咨询报告的风格。

整体体验下来之后，AlphaClaw 把几件事串起来了。

之前用通用 AI 做投研，往往会被认为是「骗骗局外人」，因为它最大的问题就是数据不够专业，出来的东西看着像那么回事，但真正做投资的人一眼就能看出来是「空对空」。

而 AlphaClaw 把一个很大的专业投研数据库接进去，研报、会议纪要、产业数据这些东西，它都能直接调用。

然后 Skill 这个设计可以把自己的分析框架、写作风格、甚至别人的投资逻辑都存下来，之后随时复用。

当然了，AI 做出来的东西肯定不能直接拿来就用，最终的判断还是得靠人。

但它确实能帮你把那些特别耗时间的任务先跑一遍，你拿到结果再去调整和深挖，效率差别还是很大的。

OpenClaw 刚火的时候，很多人觉得它离金融圈还挺远的。但也就几个月的时间，已经有人在尝试入局了。

接下来一两年，投研这个行业的工作方式大概率会变。这并不是说 AI 要替代分析师，目前 AI 的「替代能力」并不充足。

但会用 AI 的分析师，效率会越来越高，能覆盖的东西也越来越多。

如果你也是做投研的，或者对金融 + AI 这个方向感兴趣，AlphaClaw 还是值得自己上手试试的。

Alpha Claw 安装地址为：www.alphaengine.top

（ 目前还仅对机构投资者开放）

文章来自于“十字路口Crossing”，作者 “镜山”。