早上起来，总监"萧聋瞎"为我发来了今日汇报：4只持仓股全部分析完，低估池筛了5只，牛散跟踪标的有3只出现了异动。
个股分析报告和日报都是按目录整理好的飞书文档，消息会有摘要，点击消息中的链接就可阅读全文。
这么好玩的事，只用了一台2015年的旧MacBook，以及订阅腾讯云一个Coding Plan套餐。（这里不是广告哈😅）
⚠️ 个人投研体系是一个俗套的兴趣方向，拿来做实验挺合适，文章里的内容只是展示效果，不构成任何投资建议。
01我想养出个什么样的虾团队
实验项目也需要有个工程目标，那么我设想的这个小龙虾团队：
1. 是一个多Agent系统，有一个"总监"分派并监督任务进度与效果，其它成员互相衔接。
2. 它要有"专业"的分析体系，对政策方向、行业趋势、上下游生态、个股基本面、估值计算都能自动化完成。
3. 它要主动并闭环，自动创建行动信号，自动流转到分析、操作决策流程。
4. 它要自我监督，永不停歇！
我给这个团队起名"五笨虾"。运转方式是这样的：
◆自选池、持仓、牛散动向、雪球组合，这些在人的参与下开发成了信号源。
◆信号进来，研究员虾"烟酒佬"自己启动分析，基本面、估值、趋势、风险挨个过一遍，生成飞书文档报告。
◆总监虾统筹，分任务、管优先级（只有我亲自安排的事，才是P0，信号驱动P1，长期持续工作P2）。
自选池/持仓/牛散/雪球 → 烟酒佬自动启动分析 → 总监统筹调度 → 早报/周报/持仓监控/个股深度，归整飞书
02到底要花多少钱
TOKEN烧得有底
一晚上烧几百上千美元，这个成本对普通人来说就是养虾最大的一个门槛（身边有老板已经花了几十万了），所以我初次安装后，也是浅尝辄止了。
直到发现腾讯云、阿里云、火山引擎都推出了50到200元包月的方案，也提供GLM、Kimi、MiniMax这些国产顶尖模型。
Token费用有底了，才敢再次尝试养虾，那么够用吗：
1. 大模型效果：我觉得够用，大家可以参照我上面展示的效果。
2. 用量不超限：完全够用，我的200元腾讯云coding plan pro套餐基本用不到10%的限额，以至于有次把总监虾的KPI设成了消耗Token量，它们卷了一晚上，飞书里全是汇报文档，也离限额甚远。
3. 速度与稳定性：推理响应速度还是跟按美元计Token的没法比，有不多见的响应超时，但都不影响整体使用。
硬件不用花钱我用的是2015年的MacBook Pro，双核16G，十年前的电脑养五只虾，完全没压力。
03怎么把虾养起来
现阶段Agent工具本质上还是程序框架里面嵌入了大模型的推理环节，结论是：
要玩转OpenClaw、Claude Code，没有程序开发基础，不进入"虾体"养不出"大虾"。
1. 装OpenClaw
2. 装飞书官方的OpenClaw插件，不要用小龙虾自带的。官方插件更新快，而且飞书文档是非常好的知识库工具，天然配套
3. 用vscode/cursor/claude code等打开 ~/.openclaw 目录，根目录下openclaw.json是关键文件。
其它重要的目录是workspace是主Agent的工作区，里面有它的SOUL.md、AGENTS.md、MEMORY.md、HEARTBEAT.md等重要文件，其它Agent的目录是workspace-xxx
4. 把研究所需的数据源准备好，数据必须就绪，不然推理会瞎编
5. 建多Agent团队
五只虾不需要手动配置的，直接告诉主Agent需要什么就行了，重要是要有指令、干活、校验三个角色。
我的五只虾是这样分工的：萧聋瞎是投资总监，接指令、分任务、管进度、每30分钟巡查一次；基佬负责基建，写代码、搭数据库；
八卦姐盯信息面，收新闻、整资料；烟酒佬是行业研究员，搭分析体系、写深度报告、做估值；诸葛量是量化操盘手，汇总结果、给出操作方向。
随时查看，处理问题。
我用本地电脑本身方便，但是电脑太老跑不了IDE等工具，所以开了共享目录，主力机可以直接操作文件，同时还用VPS搭了frps，这样不在家也可以ssh和使用dashboard。
04养好虾，这几件事要做对
Memory要定期整理，不然虾会变笨。
时间一长，MEMORY中积累很多信息，还可能互相冲突，虾开始犯"老年痴呆"。
我的笨办法是，每周人肉去梳理五只虾的记忆文件，花时间但值得。
靠叮嘱没用，要用定时机制。
小龙虾工作的机制本质是进程中跑的任务，一轮任务跑完，程序结束，虾就停下来睡觉了，所以跟它说"持续干活"，它会答应得好好的，但觉照睡！
所以你不想卷自己人肉不断发指令，又想让它主动完成些持续长期性or多步骤的任务，就要靠它的定时机制加任务描述的文档。
OpenClaw有两种定时机制：定时任务（Cron）像闹钟⏰，到点必执行；心跳机制（Heartbeat）像保安巡逻，每30分钟自动唤醒，有活就干，没活就静默。
叮嘱它不如写成Skills。
一个重要的事情是把大模型推理的灵活性和程序的确定性组合好，要不断把确定性的流程写成程序，封装成技能（Skills），所以你要研究怎么写好Skills。
社区新的讨论是随着大模型的进化，太多的Skills反而不好，但现阶段这部分工作至关重要。
大多数人停在装完发几条指令那一步。真正的玩法，从打开那个文件夹开始。
