前腾讯云架构师打造的“金融龙虾”，用 Agent 打造你的专属基金

过去两年，AI 的叙事正在发生一个明显转向：从“更聪明的模型”，走向“更完整的系统”。最先被彻底重构的是编程领域——从 Copilot 到 Cursor，再到 Devin，开发者开始把一整段工作流程直接交给 Agent 完成。写代码这件事，不再只是效率提升，而是在被系统逐步接管。

如果把视角再往外拉，会发现编程只是一个起点。更多行业还停留在“用 AI 提升一点效率”的阶段，而不是被整体重写。金融就是其中一个最典型的例子：一边是机构级团队用系统化能力处理市场，另一边是数亿个人投资者依赖碎片信息做决策，这种结构几十年没有变化。

OpenFinClaw 团队把试图填补这层能力断层的系统，称为“金融龙虾”——一只可以 7×24 小时持续运行、替用户完成分析、建模、执行与风控的 AI 基金经理。但在产品定位上，它更接近一个工具提供商，而不是资产管理方：用户资金仍在自己的账户中，系统只负责提供策略生成、执行与风控能力，把原本属于机构的整套工作流，以工具的形式交付给个人。

▍“金融龙虾”帮你打造专属基金

过去一年，Coding 领域已经完成了一轮非常明确的验证：Agent 已经可以定义新的生产力单元。Cursor、Devin、Anthropic 这一批公司，从产品形态到商业化路径都在证明同一件事——当 Agent 能够接管完整工作流时，价值不再来自“辅助”，而来自“替代一部分组织能力”。

从结果上看，这种变化已经被资本市场定价。Anthropic、Cognition 以及 Cursor 估值被推高至千百亿美元，本质上反映的是同一个判断 —— 当一个系统可以接管一整类工作时，它对应的就是岗位市场。

把这个逻辑放到金融领域，会看到一个更有张力的场景。编程 Agent 面对的是约 500万开发者，而金融市场面对的是数亿级个人投资者，两者最大的差别不在规模，而在结构——开发者具备专业能力，而大多数投资者，并没有系统化工具。如果把对比口径进一步收窄，这种差异会更清晰。真正具备量化能力的专业从业者，全球规模可能不到 50 万人，而他们对应的，是一个拥有数亿参与者的市场。

再往下看，这种结构会变得更直观。一端是机构：团队、系统、基础设施与 7×24 小时的持续运转；另一端是个人投资者：依赖信息、经验和直觉做决策，底层是工具层面的差距，就像是铁锹对坦克，这个结构几十年没有发生变化。

在这样的背景下，OpenFinClaw 将机构内部的一整套工作流程拆解，并通过 Agent 重新组合为一个系统。用户只需要输入一个判断，系统就会自动完成数据获取、策略生成、回测验证与执行路径设计，整个过程被压缩在几十秒内完成。

OpenFinClaw 将自己定位成一家工具提供商。用户资金始终留在自己的账户中，系统只提供计算与执行能力。它真正改变的，是过去只有机构才能拥有的整套能力，第一次被压缩成一个可以订阅的工具。

此外，用户还可以一键让 金融龙虾学会策略回测和提交到进化策略社区：

在 OpenFinClaw 的策略社区里，一条策略不再只是静态结果，而是一个可以持续演化的“活体系统”，在真实市场反馈中不断被修正的过程：

为什么选择现在呢？过去 LLM 更多停留在生成与理解层面，而这一轮能力跃迁，使其开始具备处理复杂决策链条的能力；同时，多 Agent 协作协议逐渐成熟，让“系统内分工协作”成为现实；再叠加本地执行与安全机制的完善，涉及资金的应用第一次具备了可落地条件。

▍在 OpenFinClaw 体验金融龙虾

那么 OpenFinClaw 实际体验如何？

这得从它的前身 Findoo 开始说起。Findoo 是 xDAN 团队已经上线的金融专家 Agent，它的主页面展示了全球实时市场脉搏，不同市场的信息流同步滚动，来源覆盖主流财经媒体和 Twitter 实时讨论。用户不用再一个个来源手动刷新，信息自己就可以跑过来。

但 Findoo 仍然是“被使用”的工具，需要用户主动提问与驱动。OpenFinClaw 在这一点上做了一个关键跃迁：从“响应指令”，变成“持续运行”。

团队用一个更直观的比喻来解释这种变化——“养一只金融龙虾”。用户每天打开界面，不再只是看到行情或信息，而是看到 Agent 的工作状态：是在优化策略、生成报告，还是发现了新的交易信号；某个策略是否需要审批；系统当前处于怎样的运行阶段。用户的角色，也从执行者，变成了一个在管理系统的人。

这种体验和传统交易 App 的差异非常明显。后者提供的是工具：行情、新闻、下单入口，所有研究与决策压力都在用户身上。而在这里，系统本身是一支持续运转的“后台团队”：自动扫描市场、分析标的、生成并回测策略。用户更多是在观察结果，并在关键节点做判断，而不是从零开始做每一个决策。

从我们的测试体验来看，印象最深的主要体现在以下几个场景：

1）对话式研究：输入一个问题，例如分析某只股票走势，系统会自动调用多个数据源，完成信息收集、整理与推理，并在短时间内输出结构化结果，包括趋势判断、行业背景与操作建议。更重要的是，这个过程不是简单的信息拼接，而是基于已有上下文持续推理，后续追问时可以直接延续原有逻辑，而不是重新开始。

2）策略生成与验证：只需要用自然语言描述一个简单规则，例如基于 RSI 的动量策略，系统就可以自动完成策略构建与回测，并给出收益、回撤与关键问题分析。整个过程不涉及代码，也不需要理解底层逻辑，策略的调整更像是对话——修改条件、优化参数，系统会立即重新计算并给出结果。策略从一个高门槛能力，变成一个可以快速试错和迭代的过程。

3）全链路运行体验：当用户不再只问问题，而是直接设定目标，例如启动一个模拟组合，系统会自动完成初始化，包括策略设计、资金管理与风控规则配置，并进入持续运行状态。在这个过程中，系统不仅执行任务，还会根据市场变化主动给出判断，例如是否需要等待入场时机。这种状态更接近“管家”，而不是工具。

以白酒行业为例，我们让 OpenFinClaw 分析一下贵州茅台最近的走势，结合宏观环境和行业动态，给一个综合判断。

OpenFinClaw 做了以下操作：

• 自动调用数据源：收到指令后，不需要用户主动告诉它需要读取哪类资料，OpenFinClaw 自动触发多个工具调用。系统界面显示其连续执行了数次web_fetch操作，尝试获取实时行情及相关数据。

• 透明化处理局限：因数据接口受限，OpenFinClaw 明确说明“实时行情接口受限”，并声明后续分析基于公开信息及知识库。
• 快速交付结构化报告: OpenFinClaw 在 1 分钟内生成了一份结构化报告，包含近期走势、行业动态表格、操作建议等。

在这个任务中，OpenFinClaw 并没有做简单的信息搜索和罗列，其快速整理信息、建立因果推理、并给出明确看法，效率极高，且思考有框架。

为了检测 OpenFinClaw 的上下文记忆，我们继续追问 OpenFinClaw 紧接着追问：“如果我想做一个基于白酒行业的策略，需要关注哪些因子？”

OpenFinClaw 不仅在连续对话中承接了茅台分析的逻辑，更列出了一份详实的白酒行业策略因子框架。最后，也不忘提醒投资者避免“用茅台逻辑套用所有酒企”、“忽视渠道库存”等常见错误。

尽管 OpenFinClaw 在实时数据的全面获取上可能仍有局限，但其在处理海量信息、构建分析框架、提供多维视角方面的能力，已经足以成为一个随时在线、思维缜密、不知疲倦的金融分析师。

▍塑造 OpenFinClaw 背后的三段经历

OpenFinClaw 的形成，并不是简单的产品演进，而是一条相对完整的能力路径自然收敛的结果——从理解模型能力边界，到理解系统安全边界，再到理解金融场景中的真实代价。

最早的一段经验来自基础设施。创始人成一鹏曾在腾讯云参与 Cloud OS 体系建设，核心工作是资源调度与系统效率优化，其相关算法每年为公司节省数千万成本（专利 CN110162379A）。这类能力本质上是在解决一个问题：一个复杂系统如何在长期运行中保持稳定与可控。而金融场景恰恰是对这一能力要求最高的领域，一次错误，不是性能问题，而是资金损失。

随后进入模型阶段，能力开始向另一侧延伸。成一鹏并不是简单调用模型，而是直接参与模型训练。从 xDAN-R1 到 100B MoE，再到 xDAN-R2-Thinking，一系列迭代的关键，不在于榜单位置，而在于不断逼近模型的能力边界。模型在哪些问题上可靠、在哪些情况下会产生幻觉、哪些决策必须被约束，这些判断不是理论推演，而是在训练过程中被反复验证出来的。

在此基础上，进一步进入多 Agent 系统层。通过参与 IronClaw 的多智能体协议与安全机制建设，开始面对另一个问题：当多个 Agent 协同工作时，错误如何被隔离，风险如何不在系统中扩散。

这些经历帮助成一鹏形成了一个完整的判断体系：既知道模型能做什么、会在哪里出错，也知道系统如何防止错误放大，更清楚在金融场景中这些错误意味着什么。OpenFinClaw 的风控从一开始就被写进系统结构里的约束条件。

在这样的前提下，产品底层选择了一条更偏“系统”的路径，而不是单点工具优化。包括多云环境下的 Agent 调度能力，使系统可以在 AWS、Google Cloud、腾讯云等环境中快速部署并隔离运行；基于 Rust 构建的高性能交易引擎，将回测、模拟盘与实盘打通为一条链路；以及覆盖股票以及加密货币等多市场的接入，使策略可以在更大范围内执行。这些能力的组合，本质上是在复刻一整套机构级基础设施，但以工具形式交付给个人。

成一鹏表示，“在金融领域，Move fast and break things 是不可接受的。我们的设计原则是：Agent 主动出击，但人类永远握有否决权。”

这种能力结构很难通过简单复制获得。开源框架可以复用，模型能力可以接入，但对系统边界的理解、对风险的约束方式，以及在真实场景中长期运行的经验，才构成真正的壁垒。

▍OpenFinClaw 的终极形态

OpenFinClaw 改变的，是投资策略这条路径本身。普通人有时也有很好的投资想法和策略，但很难像机构那样形成搭建、验证和执行的体系。

OpenFinClaw 把策略构建这件事拆解成一个可以对话的过程：用户只需要表达一个判断，比如“降息周期利好港股科技”，系统就会自动完成数据获取、因子构建、策略生成与历史回测，并输出收益、回撤等结果，整个过程压缩在几十秒内完成。

对于没有明确判断的用户，也可以直接使用 OpenFinClaw。据悉， OpenFinClaw 内部持续运行不同策略，比较表现、筛选优劣，并将结果反馈给用户。用户不一定需要从零构建策略，也可以基于已有结果进行选择和组合。这里存在策略之间的流动，但它更多是一种辅助路径，而不是核心逻辑。

那么 OpenFinClaw  的最终形态是如何呢？创始人成一鹏表示，当多策略并行运行、自动组合管理，并在不同市场之间持续调整时，用户面对的是一整套持续运转的系统。策略在生成、验证、执行与淘汰之间循环，风险在多层结构中被控制，整个过程接近一支长期运行的“专属基金”，但它服务的对象只有一个人。

对比当前市场上的产品，一类产品本质仍是规则引擎，例如 3Commas、Cryptohopper，策略依赖人工配置，并没有真正的智能；另一类是通用 Agent，例如 Manus，具备信息整理能力，但缺乏行情、回测与执行链路。

前者停在“执行”，后者停在“理解”，而中间这条从判断到执行的完整路径，一直是空白。OpenFinClaw 填补的正是这一段能力：让判断可以变成策略，让策略可以被验证和执行，并在运行中持续进化。

目前，OpenFinClaw 的定价从 0 到 299 美元/月 分层，其中核心档位在 99 美元/月，如果按照 1 万个付费用户即可对应约 1200 万美元 ARR，这种增长路径更接近 SaaS，而不是传统金融依赖资金规模扩张的模式。

文章来自于微信公众号 “有新Newin”，作者 “有新Newin”