1. 项目概述：一个可部署的美股AI多智能体投研系统

如果你对美股投资感兴趣，同时又对AI智能体技术充满好奇，那么你很可能已经厌倦了手动盯盘、四处搜集信息、凭感觉做决策的低效模式。我自己在量化交易和自动化系统领域摸索了十多年，从最早的简单脚本到复杂的回测框架都折腾过，但真正将多个AI智能体协同起来，构建一个从调研、分析、决策到执行全自动的闭环系统，这还是头一次见到如此清晰、完整的开源实现。这个名为“US Stock Investment Team”的项目，本质上是一个基于OpenClaw框架构建的、由5个专业AI智能体组成的自动化投研与交易执行团队。

它不是一个简单的行情提醒机器人，也不是一个孤立的预测模型。它的核心价值在于模拟了一个专业投资机构的完整工作流：有负责全局协调和交易执行的“首席投资官”（CIO），有负责挖掘数据和新闻的“研究员”（Research），有负责沉淀知识和记录决策的“知识官”（KO），还有负责审计系统健康度的“运维官”（Ops），以及提供专业数据顾问的“顾问”（Advisor）。这五个角色通过明确的协议互相协作，替代了传统投资中大量重复、耗时的劳动。最吸引我的是，它内置了严谨的风险控制机制（如分级止损止盈）和知识沉淀流程，这意味着系统不仅能自动执行，还能在实践中学习和优化自己的策略，避免犯同样的错误。

这套系统非常适合有一定编程基础，希望将AI能力应用于金融场景的开发者、量化交易爱好者，或是小型投资团队。它默认使用Alpaca的模拟交易API，这意味着你可以零风险地部署和测试整个流程，验证你的投资想法是否真的能被AI有效执行。接下来，我会带你深入拆解这个系统的每一个环节，分享从环境搭建到策略定制的全流程实操经验，以及我在部署过程中踩过的那些“坑”。

2. 系统架构与核心设计哲学拆解

在动手部署之前，我们必须先吃透它的设计思路。一个复杂的多智能体系统如果架构不清晰，后期维护和定制将会是一场噩梦。这个项目的设计明显受到了现代软件工程和机构投研流程的双重影响，其核心思想可以概括为“分工明确、协议驱动、风险前置、知识闭环”。

2.1 多智能体协作模型：为何是五个角色？

很多自动化交易系统只有一个“大脑”，这带来了单点故障和思维局限的风险。本项目采用五Agent设计，是一种典型的功能解耦与责任分离思想。

  • CIO Agent（首席投资官） ：这是系统的“指挥官”和“执行者”。它的核心职责不是做最前沿的研究，而是统筹全局、管理风险、并最终按下交易按钮。它持有交易API密钥，负责监控持仓、执行止损止盈指令、验证其他Agent的建议是否合乎风控规则。你可以把它想象成投资公司的基金经理，他可能不亲自写每一份研究报告，但他必须对每一笔交易的风险和合规性负责。
  • Research Agent（研究员） ：这是系统的“信息触角”。它的工具库里有 yfinance （获取美股行情和基本面数据）、 akshare （获取宏观经济和A股数据，用于交叉参考）以及RSS新闻订阅。它的任务是7x24小时扫描信息，回答诸如“苹果公司最新财报亮点是什么？”、“半导体行业最近有什么政策动向？”这类问题。它为CIO的决策提供原材料。
  • KO Agent（知识官） ：这是系统的“记忆中枢”和“流程秘书”。在真实的投资团队中，每一次决策的逻辑、依据、乃至犯过的错误，都需要被记录下来，形成组织的知识资产。KO Agent就扮演了这个角色。它负责整理投资原则、记录决策日志，并且通过一套“Signal评分”机制，将实践中有效的策略沉淀到知识库中。这解决了AI系统常被诟病的“没有长期记忆”和“无法持续进化”的问题。
  • Ops Agent（运维官） ：这是系统的“审计员”和“守门人”。它的职责是确保系统自身健康、稳定、不“跑偏”。它会定期检查各个Agent的配置文件是否被意外修改（配置漂移）、检查止损止盈阈值是否被随意调整、审核KO沉淀的知识质量是否达标。这是一个非常重要的安全层，防止系统在运行中因人为误操作或意外情况而失控。
  • Advisor Agent（顾问） ：这是一个可选的“专家外脑”。它对接更专业的金融数据API，可以提供更深度的投顾服务，比如复杂的期权链分析、外汇市场联动解读、基金持仓穿透等。在初始阶段，如果数据源有限，可以暂时弱化它的作用。

这五个角色通过 A2A_PROTOCOL.md （Agent间协作协议）进行通信。例如，当用户问“CIO，分析一下TSLA”，CIO不会自己动手分析，而是会生成一个结构化的研究任务包，通过A2A协议派发给Research Agent。Research完成任务后，将报告返回给CIO，同时也会通知KO Agent记录此次调研事件。这种设计使得每个Agent都可以独立升级或替换，系统的可维护性大大增强。

2.2 风险控制机制：不止于简单的止损单

风险控制是自动化交易的生命线。这个项目没有采用简单的固定百分比止损，而是设计了一套更精细、更有层次的风控规则，这体现了对交易心理和市场波动性的深刻理解。

默认的止损止盈规则表，其背后的逻辑是这样的：

  1. 分级止盈（Profit Taking） ：当盈利达到8%时，卖出30%仓位。这锁定了部分利润，让剩下的仓位可以“放飞自我”，去博取更高的收益。如果股价继续上涨至15%，再卖出30%，此时大部分利润已经落袋为安。当盈利达到25%时，只保留10%的底仓。这个策略承认了“卖在最高点”几乎是不可能的，通过分批卖出，既能抓住趋势，又能有效规避利润大幅回撤的风险。
  2. 分级止损（Stop Loss） ：当亏损达到12%时，减仓50%。这不同于一次性清仓，是一种“试探性撤退”。因为市场有时会出现短暂的、非理性的恐慌下跌，一次性清仓可能卖在最低点。先减半仓，既控制了风险的进一步扩大，也保留了反弹时回本的可能性。如果亏损继续扩大至18%，说明判断可能出现了根本性错误，此时坚决全部清仓，避免陷入深套。

实操心得 ：这些阈值（8%，12%，15%，18%，25%）绝不是神圣不可更改的“魔法数字”。它们应该与你交易标的的波动率、你的投资周期和风险偏好相匹配。对于波动性极高的科技股，止损线可能需要放宽；对于波动性较低的大盘蓝筹股，止盈线可以适当调低。我的经验是，在模拟盘至少运行一个完整的市场周期（包含上涨和下跌）后，再根据统计结果来调整这些参数。

2.3 知识沉淀流程：让系统越用越“聪明”

这是本项目区别于大多数“一次性”脚本的精华所在。系统通过 KNOWLEDGE_PIPELINE.md 定义了一套知识提炼流程。核心是“Signal评分”机制：每一次投资决策（无论是买入、卖出还是持有）都会产生一个结果，这个结果会和最初的预期进行对比。

例如，Research Agent基于“新产品发布”的新闻给出“强烈推荐”的信号，CIO据此买入。一周后，股价上涨20%。那么，这次决策中“新产品发布”这个因子与“股价上涨”这个结果之间的关联，就会得到一个很高的Signal评分。KO Agent会将这些高评分的事件和逻辑，结构化地记录到 MEMORY.md 或原则库中。反之，如果某个因子多次与亏损关联，其评分就会降低，未来系统在决策时会谨慎参考这个因子。

这就形成了一个“实践 -> 记录 -> 评分 -> 提炼 -> 指导新实践”的正向循环。长期运行下来，你的系统会沉淀出一套独一无二的、经过市场验证的“投资直觉”。

3. 从零开始的完整部署与配置实战

理解了架构，我们就可以动手了。项目的 README 提供了快速开始的命令，但其中有很多细节和潜在的坑。我会结合自己的部署经历，带你一步步走通。

3.1 环境准备：不只是安装包

首先，你需要一个Linux服务器或MacOS开发环境。Windows用户建议使用WSL2。 

# 1. 安装Node.js和npm（OpenClaw依赖）
# 建议使用nvm管理Node版本，避免权限问题
curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.0/install.sh | bash
# 重启终端后
nvm install --lts
nvm use --lts

# 2. 安装OpenClaw CLI工具
npm install -g openclaw
# 验证安装
openclaw --version

# 3. Python环境准备（强烈建议使用虚拟环境）
python3 -m venv venv
source venv/bin/activate  # Linux/Mac
# venv\Scripts\activate  # Windows

# 4. 安装Python依赖
pip install yfinance akshare alpaca-trade-api pandas numpy
# 注意：akshare可能需要额外的系统依赖，如gcc，请根据其官方文档安装

关键步骤：配置本地搜索引擎（SearXNG） Research Agent需要搜索新闻，直接使用公共搜索引擎API通常有频率限制且可能不稳定。项目推荐部署开源的SearXNG，这是一个元搜索引擎，能聚合多个结果且保护隐私。 

# 使用Docker部署是最简单的方式
docker run -d --name searxng -p 8888:8888 -e “SEARXNG_SECRET_KEY=$(openssl rand -hex 32)” searxng/searxng

部署后，访问 http://你的服务器IP:8888 ，确保能打开搜索页面。之后需要在Research Agent的配置中，将搜索工具指向这个本地实例的API（通常是 http://localhost:8888/search ）。

3.2 克隆项目与核心配置详解

接下来获取项目代码并进行最关键的一步——配置。 

git clone https://github.com/IanLiYi1996/us-stock-investment-team.git
cd us-stock-investment-team
chmod +x setup.sh && ./setup.sh

运行 setup.sh 脚本，它会创建必要的目录，并提示你输入Alpaca API的密钥。这里是你遇到的第一个决策点： 使用模拟盘还是实盘？

  • 对于99%的用户，第一步必须选择模拟盘（Paper Trading） 。去Alpaca官网（https://alpaca.markets ）注册账号，在Dashboard中找到 Paper Trading 板块，生成API Key和Secret Key。实盘（Live Trading）的密钥格式相同，但操作的是真实资金，绝对不要在未充分测试前使用。

脚本运行后，会生成 config/alpaca.env 文件，里面包含了你的密钥。 务必确保这个文件不被上传到任何公开仓库！ 项目已将其加入 .gitignore 。

3.3 OpenClaw与Slack的集成：通信中枢的搭建

这是整个系统配置中最复杂但也最重要的一环。Agent之间、Agent与用户之间的通信，需要通过一个“消息网关”来完成。项目默认使用Slack作为这个网关，因为它的频道、线程、机器人机制非常适合组织多Agent对话。

  1. 创建Slack工作区 ：如果你没有，先去Slack官网创建一个免费的工作区。
  2. 创建Slack应用 ：
    • 访问 https://api.slack.com/apps ，点击“Create New App”，选择“From scratch”。
    • 给应用起个名字，比如“My Stock AI Team”，并选择你刚创建的工作区。
  3. 获取关键令牌（Tokens） ：
    • Bot Token ( xoxb- 开头) ：在左侧菜单“OAuth & Permissions”页面，给Bot添加以下权限范围（ scopes ）：
      • channels:history
      • channels:read
      • chat:write
      • groups:history
      • groups:read
      • im:history
      • im:write
      • mpim:history
      • mpim:write
      • users:read
    • 添加权限后，点击页面顶部的“Install to Workspace”，授权后你就能看到 Bot User OAuth Token ，这就是 xoxb- 令牌。
    • App-Level Token ( xapp- 开头) ：在左侧菜单“Basic Information”页面，找到“App-Level Tokens”，点击“Generate Token and Scopes”。创建一个新Token，只赋予 connections:write 这一个scope。生成的就是 xapp- 令牌。
    • 频道ID ：在Slack客户端，右键点击你想要使用的频道（例如 #invest-us-market ），选择“Copy link”。链接末尾的一串字母数字组合（如 C06H5MABC12 ）就是频道ID。
  4. 配置OpenClaw ： 
    cp openclaw/openclaw.example.json ~/.openclaw/openclaw.json
nano ~/.openclaw/openclaw.json
    编辑这个JSON文件，找到 slack 配置部分，填入你刚才获取的三个值： 
    “slack”: {
  “enabled”: true,
  “botToken”: “xoxb-your-bot-token-here”,
  “appToken”: “xapp-your-app-token-here”,
  “channels”: {
    “invest-us-market”: “C06H5MABC12” // 你的频道ID
  }
}
    agentConfigs 部分已经预配置了五个Agent，通常无需修改，除非你想改变Agent的名字或默认频道。

踩坑记录 ：Slack的权限（Scopes）非常关键。如果权限没给够，Bot会无法读取频道消息或发送回复，导致系统“哑火”。务必严格按照列表添加。另外， xapp- 令牌用于Socket Mode连接，这是让Bot能实时接收消息的新方式，比传统的“Events API”需要公开URL的方式更简单。

3.4 启动系统与初步测试

完成所有配置后，就可以启动系统了。 

# 1. 启动OpenClaw网关（后台运行）
openclaw gateway start --daemon

# 2. 检查Agent注册状态
openclaw agents list
# 你应该能看到CIO, Research, KO, Ops, Advisor五个Agent的状态均为 online 或 idle。

# 3. 在Slack的 #invest-us-market 频道进行测试
# 输入：@CIO 你好
# 如果配置正确，CIO Agent应该会回复你的问候。
# 输入：@CIO 分析一下AAPL
# CIO会触发一个完整的流程：派单给Research，Research搜索信息并分析，然后CIO汇总信息给出观点。

如果测试成功，恭喜你，核心通信链路已经打通。接下来需要配置定时任务，让系统自动运行起来。

3.5 配置定时任务（Cron Jobs）

系统预设了几个关键的定时任务，比如盘前扫描、盘中监控、收盘总结。你需要配置 cron.json 来激活它们。 

cp openclaw/cron/cron.example.json ~/.openclaw/cron/cron.json
nano ~/.openclaw/cron/cron.json

这个文件定义了任务的时间表和执行的指令。例如，一个美东时间每天开盘前（早上8点）扫描重大事件的任务可能长这样： 

{
  “name”: “pre_market_scan”,
  “schedule”: “0 8 * * 1-5”, // 周一至周五，8:00 AM
  “command”: “agent_message”,
  “args”: {
    “agent”: “CIO”,
    “channel”: “C06H5MABC12”,
    “message”: “执行盘前扫描”
  }
}

你需要将 channel 替换成你实际的Slack频道ID。配置好后，OpenClaw的Cron调度器会根据时间表自动在对应的频道@CIO并发送指令消息。

4. 深度定制：打造属于你的AI投资团队

默认配置是一个很好的起点，但要让系统真正为你所用，必须进行定制。这主要涉及修改各个Agent的“灵魂”文件（ SOUL.md ）和用户画像（ USER.md ）。

4.1 定制投资策略 ( agents/cio/SOUL.md )

这是最重要的定制文件，它定义了CIO Agent的“投资哲学”。你需要重点关注以下几个部分：

  • 关注列表 ( US_STOCKS ) ：将默认的示例股票（如AAPL， TSLA）替换成你真正关注和研究的标的。不要贪多，初期5-10只足够了。
  • 风险参数 ( RISK_PARAMETERS ) ：修改止损止盈的阈值。如前所述，根据标的波动性调整。例如，对于NVDA这样的高波动股，我可能会将第一级止损设为15%，止盈设为10%。
  • 仓位管理规则 ( POSITION_MANAGEMENT ) ：定义单只股票的最大仓位比例（例如，不超过总资金的20%）、总仓位上限（例如，牛市满仓，熊市不超过50%）等。这是控制风险集中度的关键。
  • 决策逻辑 ( DECISION_LOGIC ) ：这里定义了CIO如何采纳Research的建议。例如，你可以要求“只有当Research的推荐强度为‘强烈买入’，且KO的知识库中有类似成功案例时，CIO才执行买入”。这增加了决策的严谨性。

修改后，你需要重启CIO Agent或重新加载配置，才能使更改生效。

4.2 定制研究范围 ( agents/research/SOUL.md )

Research Agent决定了你看到什么样的信息世界。

  • 数据源优先级 ：如果你更看重基本面，可以把 yfinance 的财务数据查询优先级调高；如果你做短线交易，可以把新闻和RSS源的优先级调高。
  • 重点关注行业 ：在 FOCUS_INDUSTRIES 部分，列出你深耕的行业，如 [“Semiconductors”， “Renewable Energy”， “AI & Robotics”] 。Research在扫描新闻时会优先抓取这些行业的相关信息。
  • 报告模板 ：在 OUTPUT_TEMPLATE 部分，你可以定义Research报告的输出格式。比如，要求它必须包含“最新股价”、“当日涨跌幅”、“市盈率（PE）”、“近期重大事件摘要”、“分析师评级变化”等固定栏目。这样CIO收到的信息就是结构化的，便于快速处理。

4.3 添加新的数据源或工具

系统具有很强的扩展性。如果你想接入新的数据源，比如Bloomberg Terminal的替代品、或者另类的社交媒体情绪数据，需要做两件事：

  1. 在OpenClaw中注册新工具 ：这通常需要你编写一个简单的插件或脚本，封装该数据源的API调用，并遵循OpenClaw的工具接口规范。
  2. 在对应Agent的 TOOLS.md 中声明 ：告诉Agent它现在拥有了这个新工具，并描述工具的用途和调用方法。
  3. 在Agent的 SOUL.md 中更新工作流 ：例如，让Research Agent在分析公司时，除了看财报，也调用一下社交媒体情绪分析工具。

这个过程需要一定的开发能力，但项目结构清晰，为这种扩展留好了位置。

5. 运维、监控与常见问题排查

系统跑起来不是终点，稳定运行才是关键。Ops Agent负责内部审计，但你作为“超级管理员”，也需要从外部进行监控。

5.1 系统健康度监控

  1. 日志查看 ：OpenClaw和各个Agent的运行日志是首要的排查依据。日志默认位置通常在 ~/.openclaw/logs/ 。定期检查有无错误（ERROR）或警告（WARN）信息。
  2. Agent状态监控 ：定期使用 openclaw agents list 查看所有Agent是否在线。某个Agent频繁掉线可能意味着配置错误或资源不足。
  3. 财务核对 ：定期登录Alpaca Paper Trading后台，核对系统的交易记录、持仓市值是否与你的预期一致。这是发现逻辑错误（比如错误执行了订单）的最后防线。

5.2 常见问题与解决方案实录

以下是我在部署和运行过程中遇到的一些典型问题及解决方法：

问题现象 可能原因 排查步骤与解决方案
Slack中@Agent无反应 1. OpenClaw网关未运行。
2. Slack Bot令牌或权限错误。
3. 频道ID配置错误。 		1. openclaw gateway status 检查状态。
2. 在Slack API控制台检查Bot Token的权限范围是否齐全。
3. 核对 openclaw.json 中的频道ID是否与Slack中完全一致（区分大小写）。
Research Agent无法获取股票数据 1. yfinance 库网络问题或API限制。
2. 股票代码错误或已退市。 		1. 在服务器上手动运行 python -c “import yfinance; print(yfinance.Ticker(‘AAPL’).info)” 测试。
2. 确认代码格式正确（如美股代码大写）。
定时任务未触发 1. Cron配置时间表达式错误。
2. OpenClaw的Cron服务未启动。
3. 命令格式错误。 		1. 使用在线Cron表达式验证器检查。
2. 确认启动网关时Cron服务也一并启动（默认是开启的）。
3. 查看Cron专用日志文件。
交易指令被Alpaca拒绝 1. 模拟盘账户余额不足。
2. 订单参数错误（如市价单在非交易时段）。
3. API密钥权限不足（实盘密钥用于模拟盘环境）。 		1. 检查Alpaca Paper Trading账户的购买力。
2. 检查CIO的 TOOLS.md 中订单逻辑，确保符合Alpaca API规则。
3. 确认使用的是Paper Trading的API密钥和对应端点（ https://paper-api.alpaca.markets ）。
Ops Agent报警“配置漂移” 某个Agent的 SOUL.md 或 USER.md 文件被手动修改，与知识库中记录的基准哈希值不符。 这是正常的安全特性。检查修改是否是你有意为之。如果是，需要在Ops的配置中更新基准哈希值，或让它学习这次变更。

5.3 模拟盘的重要性与策略验证

我必须再次强调，在将系统连接到实盘账户之前， 务必进行充分的模拟盘测试 。模拟盘测试的目标不仅仅是看系统能不能运行，而是要验证：

  1. 策略逻辑是否正确 ：你设定的止损止盈规则，在模拟盘中是否被精确执行？在极端波动行情下，系统的反应是否符合你的预期？
  2. 风险暴露是否可控 ：当同时监控多只股票时，系统的总仓位是否遵守了你设定的上限？有没有出现单一个股仓位过重的情况？
  3. 信息流是否有效 ：Research提供的信息是否及时、准确？CIO依据这些信息做出的决策，在长期统计下，胜率和盈亏比如何？

建议至少用模拟盘跑完一个季度，经历不同的市场环境（上涨、下跌、震荡），并详细分析交易日志和KO Agent沉淀的知识，不断调整优化策略参数和Agent的决策逻辑。只有当模拟盘的业绩曲线和风险指标都稳定达到你的要求时，才考虑切换到实盘。

部署并运行这样一个多智能体系统，就像组建和管理一支小型投资团队。初期会花费不少精力在配置和调试上，但一旦系统稳定运行，它将7x24小时不知疲倦地为你工作，执行纪律严明的交易，并持续积累市场知识。这个过程本身，就是对AI应用于复杂现实任务的一次深刻实践。

# 量化交易
Logo
龙虾开发者社区

小龙虾开发者社区是 CSDN 旗下专注 OpenClaw 生态的官方阵地，聚焦技能开发、插件实践与部署教程，为开发者提供可直接落地的方案、工具与交流平台，助力高效构建与落地 AI 应用

更多推荐

cover

我用 NVIDIA SkillSpector 纯静态扫了一遍 GitHub 最火的 agent skills：能挖出多少注入？0 个

avatar 龙虾开发者社区
cover

周榜换血九成，Agent Skills 星数翻倍

avatar 龙虾开发者社区
cover

智能体从入门到精通：6个必学GitHub开源项目

avatar 龙虾开发者社区