OpenClaw技能开发：为Qwen3.5-9B添加股票数据查询功能

1. 项目背景与需求分析

去年冬天，我发现自己每天要花大量时间手动查询股票数据、整理Excel表格。作为一个技术爱好者，我决定用OpenClaw和Qwen3.5-9B搭建一个自动化解决方案。这个项目不仅帮我节省了时间，还让我深入理解了OpenClaw技能开发的完整流程。

金融数据查询看似简单，实际开发中会遇到几个典型问题：

• 不同数据源的API格式差异大
• 原始数据需要清洗才能被模型理解
• Token消耗随数据量增长会快速上升
• 可视化呈现需要特定格式转换

2. 开发环境准备

2.1 基础环境配置

我使用的是macOS系统，已通过以下命令安装OpenClaw：

curl -fsSL https://openclaw.ai/install.sh | bash
openclaw onboard --model-provider local --model qwen3-9b

关键配置项选择：

• 模型提供商：local（本地部署的Qwen3.5-9B）
• 默认模型：qwen3-9b
• 技能开发模式：Advanced

2.2 金融数据API选择

经过对比测试，最终选择Alpha Vantage作为数据源，原因包括：

• 免费层足够个人使用
• 响应速度在200-500ms之间
• 数据格式相对规范

需要提前申请API Key并设置环境变量：

export ALPHA_VANTAGE_KEY=你的API_KEY

3. 技能开发实战

3.1 项目结构设计

采用模块化设计，核心文件结构如下：

stock-skill/
├── package.json
├── src/
│   ├── api/          # API封装层
│   ├── processors/   # 数据处理
│   ├── renderers/    # 可视化
│   └── index.js      # 主入口
└── test/

3.2 API封装实现

在src/api/alpha-vantage.js中封装核心请求逻辑：

const axios = require('axios');

class AlphaVantage {
  constructor(apiKey) {
    this.client = axios.create({
      baseURL: 'https://www.alphavantage.co/query',
      params: { apikey: apiKey }
    });
  }

  async getDaily(symbol) {
    const res = await this.client.get('', {
      params: { function: 'TIME_SERIES_DAILY', symbol }
    });
    return this._normalize(res.data);
  }

  _normalize(data) {
    // 数据标准化处理
    const meta = data['Meta Data'];
    const series = data['Time Series (Daily)'];
    return {
      symbol: meta['2. Symbol'],
      lastRefreshed: meta['3. Last Refreshed'],
      data: Object.entries(series).map(([date, values]) => ({
        date,
        open: parseFloat(values['1. open']),
        high: parseFloat(values['2. high']),
        low: parseFloat(values['3. low']),
        close: parseFloat(values['4. close']),
        volume: parseInt(values['5. volume'])
      }))
    };
  }
}

3.3 数据处理器开发

在src/processors/summary.js中实现关键指标计算：

function processSummary(data) {
  const latest = data.data[0];
  const weekData = data.data.slice(0, 5);
  
  return {
    symbol: data.symbol,
    date: latest.date,
    current: latest.close,
    change: latest.close - weekData[weekData.length-1].close,
    weekHigh: Math.max(...weekData.map(d => d.high)),
    weekLow: Math.min(...weekData.map(d => d.low)),
    avgVolume: Math.round(
      weekData.reduce((sum, d) => sum + d.volume, 0) / weekData.length
    )
  };
}

3.4 可视化渲染器

使用ASCII图表生成简洁的终端输出：

function renderChart(data) {
  const points = data.data.slice(0, 10).reverse();
  const closes = points.map(p => p.close);
  const min = Math.min(...closes);
  const max = Math.max(...closes);
  
  let chart = '\n';
  for (let i = 0; i < 5; i++) {
    const level = max - (max - min) * i / 4;
    chart += `${level.toFixed(2)} | `;
    chart += closes.map(c => 
      c >= level ? '■' : ' '
    ).join(' ');
    chart += '\n';
  }
  return chart;
}

4. Token优化策略

4.1 数据采样技术

当检测到返回数据量过大时，自动启用采样：

function smartSampling(data) {
  const maxItems = 10; // 控制数据点数量
  if (data.length <= maxItems) return data;
  
  const step = Math.floor(data.length / maxItems);
  return data.filter((_, i) => i % step === 0);
}

4.2 摘要生成模式

当Token预算不足时，自动切换为摘要模式：

function fallbackToSummary(fullData) {
  return {
    symbol: fullData.symbol,
    latestPrice: fullData.data[0].close,
    trend: fullData.data[0].close > fullData.data[1].close ? '↑' : '↓'
  };
}

5. 技能集成与测试

5.1 主入口实现

src/index.js整合各模块：

module.exports = async (task, context) => {
  const api = new AlphaVantage(process.env.ALPHA_VANTAGE_KEY);
  const rawData = await api.getDaily(task.symbol);
  
  // Token预算检测
  const useDetail = context.tokenBudget > 2000;
  
  return {
    summary: processSummary(rawData),
    chart: useDetail ? renderChart(rawData) : null,
    rawData: useDetail ? smartSampling(rawData.data) : null
  };
};

5.2 本地测试命令

通过OpenClaw CLI测试技能：

openclaw skills test ./stock-skill --symbol AAPL

6. 部署与使用

6.1 技能安装

将开发完成的技能打包发布：

clawhub publish ./stock-skill --type skill --name stock-quote

6.2 日常使用示例

在OpenClaw对话窗口输入：

查询AAPL股票最近行情

系统将返回：

AAPL 最新股价 $182.63 (↑2.1%)
近5日最高$184.25 最低$179.2
平均成交量 45.2M

194.00 |     ■     
190.00 |   ■ ■ ■   
186.00 | ■ ■   ■ ■ 
182.00 |   ■     ■ 
178.00 |           

7. 开发经验总结

这个项目让我深刻体会到OpenClaw技能开发的几个关键点：

设计阶段要考虑模型限制，比如Qwen3.5-9B的上下文长度是32K，但实际可用Token要预留部分给系统指令。我的经验是单次查询数据量控制在15-20个数据点最合适。

数据处理层的抽象非常重要。最初我把所有逻辑都写在一起，后来发现当需要切换数据源时改动成本很高。分层设计后，更换API只需修改封装层。

可视化呈现需要平衡信息密度和可读性。终端环境下ASCII图表虽然简陋，但避免了复杂的依赖，且在任何环境都能正常显示。

最意外的收获是发现Token优化带来的副产品 - 摘要模式反而成为移动端最常用的功能。这提醒我们，技术限制有时会催生更好的用户体验设计。

---

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。