1. 项目概述：为什么我们需要一个AI选股系统？

在信息爆炸的今天，个人投资者每天面对的是海量的财经新闻、公司财报、技术指标和社交媒体情绪。手动筛选和分析这些数据，不仅耗时耗力，还极易受到情绪和认知偏差的影响。你是否有过这样的经历：看到某只股票大涨后追悔莫及，或者因为错过一个关键信息而做出错误决策？这正是传统人工选股的痛点所在。

“10分钟打造你的AI选股系统”这个项目，正是为了解决这个核心痛点。它不是一个复杂的量化交易策略，而是一个轻量级、自动化、基于规则的“潜力股侦察兵”。其核心价值在于，利用OpenClaw这个新兴的AI Agent框架，结合实时行情数据，构建一个能够每日自动运行、执行预设筛选逻辑，并最终将结果推送给你的自动化流程。整个过程，从环境搭建到收到第一份股票清单，目标是在10分钟内完成初始化。之后，系统便会像一个不知疲倦的助手，在每天收盘后（或你设定的任何时间）自动工作，为你从茫茫股海中初步筛选出值得进一步关注的5支标的。

这个系统适合谁？它非常适合有一定编程基础、对金融市场感兴趣、希望将重复性分析工作自动化，并想亲身实践AI Agent落地的个人开发者或量化爱好者。你不需要是金融专家或AI科学家，只需要跟着步骤操作，就能拥有一个属于你自己的、7x24小时待命的初级分析工具。接下来，我将带你一步步拆解这个系统的每一个环节，从工具选型到核心逻辑，再到避坑指南，让你不仅能复现，更能理解其背后的“所以然”。

2. 核心工具与框架选型解析

构建这个系统的基石是选择合适的工具。我们的目标是快速、稳定、可扩展，同时兼顾学习成本和部署难度。经过对当前技术生态的评估，我选择了以下核心组件，并解释为什么是它们。

2.1 为什么选择OpenClaw作为AI Agent框架？

在众多AI Agent框架（如LangChain、AutoGen、CrewAI）中，我最终选择了OpenClaw，主要是基于以下几点实战考量：

第一，开发语言亲和力。OpenClaw是基于C#开发的。对于广大使用Windows环境、熟悉.NET生态的开发者来说，这是一个巨大的优势。你不需要额外配置复杂的Python环境（虽然它也支持），在Visual Studio或VS Code里就能获得一流的开发体验和调试支持。这大大降低了入门门槛。

第二，设计理念清晰。OpenClaw强调“技能（Skill）”和“操作（Operation）”的模块化。在我们的选股场景中，“获取股票列表”、“计算技术指标”、“评估基本面”、“生成报告”都可以被设计成独立的Skill。这种设计让系统的逻辑非常清晰，易于维护和扩展。比如，未来你想增加“舆情分析”功能，只需要开发一个新的Skill并注入到工作流中即可，不会影响原有逻辑。

第三，对大模型的良好支持。OpenClaw可以灵活配置后端大模型。无论是通过API调用云端模型（如OpenAI GPT-4、DeepSeek），还是本地部署的Ollama（运行Llama 3、Qwen等开源模型），都能轻松接入。这给了我们成本控制和数据隐私上的灵活性。对于选股这种对实时性要求高、可能需要频繁调用模型的任务，使用本地Ollama+轻量化模型是性价比极高的方案。

第四，社区与热度。从提供的热搜词可以看出，OpenClaw近期关注度很高，围绕其安装、部署、技能开发的教程和讨论正在快速增长。选择一个处于上升期的框架，意味着你能更快地找到解决方案和灵感，踩坑时也更容易获得帮助。

注意：网络热词中提到了“openclaw llamap svr operator(): got exception: { “error“: { “code“: 400” 这类错误。这通常是配置不当，特别是Ollama服务地址或模型名称错误导致的。在后续配置环节我们会重点规避。

2.2 数据源：实时行情API的选择与考量

AI选股，数据是燃料。我们需要稳定、准确、及时的股票数据。这里有几个主流选择：

1. 免费公开API（如AKShare、Yahoo Finance）：优点是免费，适合学习和轻度使用。缺点是稳定性无法保证（雅虎API经常变动），数据可能延迟，且国内访问可能不畅。AKShare是一个优秀的国内开源库，数据源丰富，但需要一定的Python知识来搭建一个简单的数据服务接口供OpenClaw调用。
2. 专业金融数据服务商（如Tushare、Baostock、JoinQuant）：这类数据源通常提供更稳定、更全面的数据，包括历史行情、财务数据、板块信息等。Tushare和Baostock有免费的基础接口，但高级功能需要积分或付费。对于严肃的选股系统，投资一个可靠的数据源是值得的。
3. 券商API：部分券商为量化交易提供API，数据直接、实时，但通常需要开户并有资金门槛，且绑定特定交易终端，灵活性较差。

我的建议与选择：为了平衡快速启动和系统可靠性，本项目采用“AKShare + 备用数据源”的策略。我们将用AKShare作为主要数据获取工具，因为它免费、开源、支持A股全市场数据，且社区活跃。同时，我们会设计一个简单的数据访问层（Data Access Layer），这样未来如果需要切换到Tushare或其他付费API，只需修改这个层的实现，而不会影响上层的选股逻辑。这是系统可扩展性的一个关键设计。

2.3 自动化调度：让系统自己“醒来”工作

一个不能自动运行的系统，价值减半。我们需要一个调度器，在每天下午收盘后（例如15:30）自动触发整个选股流程。

• Windows系统：可以使用系统自带的任务计划程序（Task Scheduler）。我们可以创建一个任务，定时执行一个批处理（.bat）文件或PowerShell脚本，这个脚本负责启动我们的OpenClaw选股程序。
• Linux/macOS系统：首选Cron。这是类Unix系统上最经典、最强大的定时任务工具。一行Cron表达式就能搞定每日定时执行。
• 跨平台方案（推荐）：使用Docker容器来封装整个应用，然后在任何系统上使用Docker的调度工具或结合系统级Cron/任务计划来定时启动容器。这是最干净、最一致的部署方式，避免了“在我机器上好好的”这类环境问题。这也是为什么“docker部署openclaw”成为热词的原因。

在本指南中，我将以Docker + Cron（Linux为例）作为最终部署方案，因为它能确保环境一致性，并且部署步骤清晰。对于Windows用户，我会额外说明如何使用任务计划程序达到相同效果。

3. 系统架构与核心工作流设计

在动手写代码之前，我们必须理清系统的骨架。一个好的架构能让开发事半功倍，也便于后续迭代。我们的AI选股系统核心工作流可以分为四个阶段，如下图所示（概念图）：

[定时触发器] -> [数据获取与预处理] -> [AI智能筛选与评分] -> [结果生成与通知]

3.1 第一阶段：定时触发与任务初始化

每天下午3点30分（A股收盘后），Cron服务（或Windows任务计划）被触发。它执行一个简单的Shell脚本或直接命令。这个命令的核心是启动我们的Docker容器，或者直接运行编译好的OpenClaw应用程序。

关键设计点：我们需要确保每次任务都是“无状态”的。即每次运行都从干净的数据开始，避免上次运行的结果影响本次判断。这可以通过在程序开始时清理临时数据、从API重新拉取最新数据来实现。OpenClaw的Agent可以设计成每次启动都重新加载所有Skill和上下文。

3.2 第二阶段：数据获取与预处理

这是整个系统的基石。Agent被触发后，首先调用“数据获取Skill”。这个Skill会执行以下操作：

1. 获取全市场股票列表：通过AKShare接口，获取当前沪深两市所有上市公司的基本列表，包括股票代码、名称、所属板块等。
2. 筛选基础池：根据一些硬性规则进行初筛，例如：
   • 剔除ST、*ST股票（高风险警示）。
   • 剔除上市不足N天（例如60天）的次新股（数据不稳定）。
   • 剔除当前停牌的股票。
   • 可选：剔除某些特定板块或股价过低（如低于1元）的股票。 这一步的目的是将几千支股票缩小到一个几百支的“基础股票池”，减少后续计算量。
3. 获取行情与指标数据：对基础股票池中的每一支股票，并行或批量获取其近期（例如最近60个交易日）的日K线数据。然后，利用这些数据计算出一系列技术指标，例如：
   • 趋势类：MA（移动平均线，如5日、10日、20日）、MACD。
   • 动量类：RSI（相对强弱指数）、KDJ。
   • 波动类：Bollinger Bands（布林带）。 这些计算可以在数据获取Skill中完成，也可以拆分成独立的“指标计算Skill”。

实操心得：批量获取数据时一定要注意API的频率限制。AKShare虽然免费，但过于频繁的请求可能导致IP被临时屏蔽。建议在代码中加入适当的延时（例如time.sleep(0.5)）。更好的做法是，如果数据量允许，可以一次性获取全市场数据再在内存中处理，这比逐支股票调用API高效得多。

3.3 第三阶段：AI智能筛选与评分

这是OpenClaw大显身手的环节。我们将设计一个“选股策略Skill”，它接收预处理后的股票数据（DataFrame或对象列表），并应用我们的核心筛选逻辑。

重要认知：这里的“AI”并非指一个黑箱模型凭空生成股票代码，而是用大模型的语言理解能力来执行我们预先定义好的、可解释的量化筛选规则，并可以对结果进行简单的自然语言总结。这是一种“规则引擎+AI润色”的模式，兼顾了确定性和智能性。

我们的筛选逻辑可以分层级：

1. 量化规则层（硬性过滤）：这是一系列明确的、可编程的条件。例如：

   • 条件A：收盘价站上20日均线，且20日均线向上。
   • 条件B：RSI(6) 大于50但小于70（表明处于强势但不过热）。
   • 条件C：成交量大于5日均量线的1.2倍（放量）。
   • 条件D：市值在50亿到500亿之间（中盘股）。 程序会遍历基础股票池，选出同时满足所有（或满足其中若干组合）条件的股票，形成一个“候选清单”。

2. AI评分与排序层（柔性评估）：将“候选清单”连同每支股票的关键指标（价格、涨跌幅、所属板块、市盈率等）一起，构造一段Prompt，提交给OpenClaw配置的大模型（如Llama 3）。Prompt可以这样设计：

   “你是一个专业的股票分析师。请根据以下股票列表及其关键数据，综合考虑技术面强度、基本面健康度（以小市值、低市盈率为佳）和近期市场热度，从中选出你认为未来一周最具上涨潜力的5支股票。请严格按照JSON格式输出，包含股票代码、名称和简要的推荐理由。” 模型会根据其“知识”和上下文理解，对候选股票进行排序和筛选，最终输出5支股票。

为什么这样做？纯量化规则可能选出几十支股票，我们还需要最后一道“人工智能”的关口来压缩到5支，并给出一个像样的理由。这模拟了专业分析师在初步筛选后做最终决策的过程。

3.4 第四阶段：结果生成与推送

“选股策略Skill”输出结果后，由“通知推送Skill”接手。它将AI输出的结构化数据（JSON）格式化成易读的消息。

• 消息模板：“【AI选股日报】YYYY-MM-DD\n今日为您筛选的5支潜力股如下：\n1. [代码][名称]：推荐理由...\n2...”
• 推送渠道：根据热搜词，我们可以接入飞书或微信。飞书提供了开放的机器人Webhook接口，非常简单。微信推送相对复杂，通常需要借助企业微信机器人或ServerChan等第三方服务。我强烈建议从飞书机器人开始，配置简单，成功率高。
• 最终动作：推送完成后，Agent记录本次任务日志，然后正常退出。Docker容器停止，等待下一次被Cron唤醒。

4. 详细实现步骤与代码剖析

理论讲完，我们进入实战环节。请跟随以下步骤，一步步搭建你的系统。我将以在Ubuntu服务器上使用Docker部署为例，同时兼顾本地开发调试的场景。

4.1 第一步：基础环境准备与OpenClaw部署

首先，我们需要一个运行环境。使用Docker可以最大程度避免环境冲突。

1. 安装Docker与Docker Compose：如果你的系统没有安装，请参考Docker官方文档。在Ubuntu上，通常几条命令就能搞定。

2. 获取OpenClaw镜像与配置：OpenClaw的Docker镜像可能不在官方仓库，我们需要从其项目地址获取。根据网络热词，我们需要关注配置细节。

# 假设我们从某个Registry拉取镜像，这里用示例名 # docker pull some-registry/openclaw:latest # 更常见的做法是克隆源码，使用提供的Dockerfile自行构建 git clone <OpenClaw的Git仓库地址> cd openclaw

3. 关键配置：连接大模型（Ollama）这是最容易出错的一步。我们需要配置OpenClaw使用本地运行的Ollama服务。

• 启动Ollama服务：确保Ollama已在后台运行，并下载了所需模型（如llama3.1:8b）。

  ollama run llama3.1:8b # 第一次会自动拉取模型 # 服务默认运行在 http://localhost:11434

• 配置OpenClaw：在OpenClaw的项目目录中，找到配置文件（通常是appsettings.json或config.json）。你需要修改大模型连接设置。

  { "OpenClaw": { "ModelProvider": "Ollama", // 指定使用Ollama "Ollama": { "BaseUrl": "http://host.docker.internal:11434", // 关键！从容器内访问宿主机服务 "DefaultModel": "llama3.1:8b" // 你下载的模型名 } // ... 其他配置 } }

  致命坑点详解：很多人在Docker中部署时，会遇到openclaw llamap svr operator(): got exception: 400错误。这几乎都是因为BaseUrl配置不对。在Docker容器内部，localhost指向容器自己，而不是宿主机。因此，不能配http://localhost:11434。正确做法是：

  • 在Linux/macOS的Docker Desktop中：使用http://host.docker.internal:11434。
  • 在原生Linux Docker环境中：可能需要使用宿主机的真实IP（如http://172.17.0.1:11434），或者创建自定义网络。最稳妥的方式是在docker-compose.yml中将Ollama和OpenClaw放在同一个自定义网络内，然后通过服务名访问。

4. 编写Dockerfile与docker-compose.yml为了管理方便，我们使用Docker Compose来定义Ollama和OpenClaw两个服务。

docker-compose.yml示例：

version: '3.8' services: ollama: image: ollama/ollama:latest container_name: ollama ports: - "11434:11434" volumes: - ollama_data:/root/.ollama restart: unless-stopped openclaw-stock: build: . container_name: openclaw-stock depends_on: - ollama environment: - ASPNETCORE_ENVIRONMENT=Production # 将本地项目目录挂载到容器，方便开发调试 volumes: - ./:/app - ./data:/app/data # 用于持久化数据或配置 working_dir: /app command: ["dotnet", "run", "--project", "YourOpenClawProject.csproj"] restart: "no" # 我们由Cron控制启动，所以不自动重启 volumes: ollama_data:

Dockerfile（位于OpenClaw项目根目录）：

FROM mcr.microsoft.com/dotnet/sdk:8.0 AS build WORKDIR /src COPY . . RUN dotnet publish "YourOpenClawProject.csproj" -c Release -o /app/publish FROM mcr.microsoft.com/dotnet/aspnet:8.0 AS final WORKDIR /app COPY --from=build /app/publish . ENTRYPOINT ["dotnet", "YourOpenClawProject.dll"]

4.2 第二步：开发选股核心Skills

现在，我们在OpenClaw项目中创建我们的核心Skill。假设项目结构如下：

OpenClawStock/ ├── Skills/ │ ├── DataFetchSkill.cs │ ├── StockFilterSkill.cs │ └── NotificationSkill.cs ├── Services/ │ └── MarketDataService.cs (封装AKShare调用) ├── appsettings.json └── Program.cs

1. DataFetchSkill（数据获取技能）：这个Skill负责与外界数据源交互。它内部会调用一个MarketDataService，这个服务封装了所有对AKShare的调用逻辑。

// Skills/DataFetchSkill.cs using OpenClaw.Core.Skills; using System.Threading.Tasks; namespace OpenClawStock.Skills { [Skill(Name = "DataFetch", Description = "获取A股市场数据并进行初步清洗")] public class DataFetchSkill { private readonly IMarketDataService _dataService; public DataFetchSkill(IMarketDataService dataService) { _dataService = dataService; } [SkillOperation] public async Task<StockDataSet> ExecuteAsync() { // 1. 获取全市场股票列表 var allStocks = await _dataService.GetAllStockListAsync(); // 2. 应用硬性规则初筛 var basicPool = allStocks .Where(s => !s.Name.Contains("ST")) // 去ST .Where(s => s.ListingDays > 60) // 上市超60天 .Where(s => s.MarketCap > 5_0000_0000) // 市值大于5亿 .ToList(); // 3. 批量获取这些股票的日K线数据 var symbols = basicPool.Select(s => s.Symbol).ToList(); var historyData = await _dataService.GetBatchDailyHistoryAsync(symbols, 60); // 最近60天 // 4. 计算技术指标 (这里可以调用专门的指标计算库，如Ta-Lib的.NET绑定) foreach (var data in historyData) { data.Indicators.MA5 = CalculateMA(data.ClosePrices, 5); data.Indicators.MA20 = CalculateMA(data.ClosePrices, 20); data.Indicators.RSI6 = CalculateRSI(data.ClosePrices, 6); // ... 计算其他指标 } // 返回一个包含基础池和行情数据的数据集 return new StockDataSet { BasicPool = basicPool, HistoryData = historyData }; } private double CalculateMA(List<double> prices, int period) { /* 实现略 */ } private double CalculateRSI(List<double> prices, int period) { /* 实现略 */ } } }

2. StockFilterSkill（股票筛选技能）：这是大脑，它依赖DataFetchSkill获取数据，然后应用规则并调用大模型。

// Skills/StockFilterSkill.cs using OpenClaw.Core.Chat; using OpenClaw.Core.Skills; using System.Linq; using System.Text.Json; using System.Threading.Tasks; namespace OpenClawStock.Skills { [Skill(Name = "StockFilter", Description = "应用量化规则和AI模型筛选潜力股")] public class StockFilterSkill { private readonly IChatClient _chatClient; // OpenClaw注入的聊天客户端，用于调用大模型 private readonly DataFetchSkill _dataFetchSkill; public StockFilterSkill(IChatClient chatClient, DataFetchSkill dataFetchSkill) { _chatClient = chatClient; _dataFetchSkill = dataFetchSkill; } [SkillOperation] public async Task<List<SelectedStock>> ExecuteAsync() { // 1. 获取数据 var dataSet = await _dataFetchSkill.ExecuteAsync(); // 2. 应用量化规则进行硬筛选 var candidates = new List<StockWithIndicator>(); foreach (var stockData in dataSet.HistoryData) { var last = stockData.DailyBars.Last(); var indicators = stockData.Indicators; // 示例规则：价格上穿20日线，且20日线趋势向上，RSI健康，放量 bool rule1 = last.Close > indicators.MA20 && indicators.MA20 > indicators.MA20_PreviousDay; bool rule2 = indicators.RSI6 > 50 && indicators.RSI6 < 75; bool rule3 = last.Volume > indicators.VolumeMA5 * 1.2; if (rule1 && rule2 && rule3) { candidates.Add(new StockWithIndicator { Stock = stockData.Stock, Indicators = indicators, LatestBar = last }); } } if (candidates.Count == 0) return new List<SelectedStock>(); // 3. 如果候选太多（>10），先按某些规则排序截断，减少token消耗 var topCandidates = candidates .OrderByDescending(c => c.LatestBar.ChangePercent) // 按当日涨幅排序 .Take(15) .ToList(); // 4. 构造Prompt，调用大模型做最终5选 var prompt = BuildPrompt(topCandidates); var modelResponse = await _chatClient.GetChatCompletionAsync(prompt); // 5. 解析模型的JSON输出 var selectedStocks = ParseModelResponse(modelResponse); return selectedStocks.Take(5).ToList(); // 确保只返回5支 } private string BuildPrompt(List<StockWithIndicator> candidates) { var candidateInfo = candidates.Select(c => $"- 代码：{c.Stock.Symbol}，名称：{c.Stock.Name}，最新价：{c.LatestBar.Close}，涨跌幅：{c.LatestBar.ChangePercent:F2}%，所属板块：{c.Stock.Industry}，市盈率(PE)：{c.Stock.PE:F1}").ToList(); string infoString = string.Join("\n", candidateInfo); return $@"你是一个专业的A股投资顾问。请从以下股票列表中，综合考虑技术面表现（趋势、动量）、基本面健康度（优先选择市盈率较低、市值适中的）以及所属板块的近期热度，筛选出5支你认为在未来一周（5个交易日内）最具上涨潜力的股票。 请严格按照以下JSON格式输出，不要有任何额外的解释或标记： {{ ""selected_stocks"": [ {{ ""symbol"": ""股票代码"", ""name"": ""股票名称"", ""reason"": ""不超过20字的简要推荐理由"" }}, ... ] }} 候选股票列表： {infoString}"; } private List<SelectedStock> ParseModelResponse(string response) { // 使用System.Text.Json解析响应 try { var jsonDoc = JsonDocument.Parse(response); var stocks = new List<SelectedStock>(); // ... 解析逻辑 return stocks; } catch { // 如果模型没有返回标准JSON，可以启用一个备用规则（例如按涨幅前5名） return new List<SelectedStock>(); } } } }

4.3 第三步：组装Agent与配置工作流

在OpenClaw中，我们需要在Program.cs或启动配置中注册这些Skill，并定义它们的工作流（Orchestration）。

// Program.cs 或 Startup.cs 的简化示例 using OpenClaw.Core.DependencyInjection; using OpenClawStock.Skills; var builder = WebApplication.CreateBuilder(args); // 1. 添加OpenClaw核心服务 builder.Services.AddOpenClaw(config => { config.ModelProvider = ModelProvider.Ollama; config.OllamaBaseUrl = builder.Configuration["OpenClaw:Ollama:BaseUrl"]; config.DefaultModel = builder.Configuration["OpenClaw:Ollama:DefaultModel"]; }); // 2. 注册我们自定义的服务和Skill builder.Services.AddSingleton<IMarketDataService, AkShareMarketDataService>(); builder.Services.AddSkill<DataFetchSkill>(); builder.Services.AddSkill<StockFilterSkill>(); builder.Services.AddSkill<NotificationSkill>(); // 3. 定义一个简单的顺序工作流 builder.Services.AddHostedService<StockSelectionWorkflow>(); var app = builder.Build(); app.Run(); // 工作流服务 public class StockSelectionWorkflow : BackgroundService { private readonly StockFilterSkill _filterSkill; private readonly NotificationSkill _notificationSkill; public StockSelectionWorkflow(StockFilterSkill filterSkill, NotificationSkill notificationSkill) { _filterSkill = filterSkill; _notificationSkill = notificationSkill; } protected override async Task ExecuteAsync(CancellationToken stoppingToken) { // 这个服务会在应用启动时运行。对于定时任务，我们更希望它被外部触发一次。 // 因此，我们可以把主要逻辑放在一个可调用的方法里，并由Cron启动的进程调用。 // 这里为了示例，我们假设是手动触发或一次性任务。 await RunDailySelectionAsync(); } public async Task RunDailySelectionAsync() { Console.WriteLine($"[{DateTime.Now}] 开始执行每日选股任务..."); try { var selectedStocks = await _filterSkill.ExecuteAsync(); await _notificationSkill.ExecuteAsync(selectedStocks); Console.WriteLine($"[{DateTime.Now}] 每日选股任务完成。"); } catch (Exception ex) { Console.WriteLine($"[{DateTime.Now}] 任务执行失败: {ex.Message}"); // 这里可以添加失败通知 } } }

为了让Cron能调用，我们需要一个简单的入口点。可以在项目中创建一个控制台应用项目，或者直接暴露一个HTTP API端点来触发RunDailySelectionAsync方法。更简单的方式是，将上述工作流编译成控制台程序，由Cron直接执行。

4.4 第四步：配置自动化调度与通知

1. 创建执行脚本：在项目根目录创建run_selection.sh（Linux）或run_selection.bat（Windows）。

#!/bin/bash # run_selection.sh cd /path/to/your/openclaw-stock-docker-compose-directory # 启动服务，执行任务，然后关闭。使用docker-compose run可以运行一次性命令。 docker-compose run --rm openclaw-stock dotnet /app/YourOpenClawProject.dll --task select

假设我们的程序支持一个命令行参数--task select来触发选股工作流。

2. 配置Cron定时任务（Linux）：使用crontab -e编辑当前用户的Cron任务。

# 每天下午15点35分（收盘后5分钟）执行选股任务 35 15 * * 1-5 /bin/bash /path/to/your/run_selection.sh >> /path/to/your/stock_selection.log 2>&1

• 1-5表示周一到周五。
• >> ...log 2>&1将标准输出和错误都重定向到日志文件，便于排查。

3. 配置飞书机器人通知：在NotificationSkill中实现飞书Webhook调用。

• 首先，在飞书群里添加一个“群机器人”，获取它的Webhook URL。
• 然后在Skill中发送HTTP POST请求。

// Skills/NotificationSkill.cs using System.Net.Http.Json; using System.Threading.Tasks; public class NotificationSkill { private readonly string _feishuWebhookUrl; private readonly HttpClient _httpClient; public NotificationSkill(IConfiguration config, HttpClient httpClient) { _feishuWebhookUrl = config["Feishu:WebhookUrl"]; _httpClient = httpClient; } [SkillOperation] public async Task ExecuteAsync(List<SelectedStock> stocks) { if (stocks == null || !stocks.Any()) { await SendMessage("【AI选股日报】今日未筛选出符合条件的潜力股。"); return; } var message = new { msg_type = "text", content = new { text = $"【AI选股日报】{DateTime.Now:yyyy-MM-dd}\n" + string.Join("\n", stocks.Select((s, i) => $"{i + 1}. {s.Symbol} {s.Name}：{s.Reason}")) } }; var response = await _httpClient.PostAsJsonAsync(_feishuWebhookUrl, message); response.EnsureSuccessStatusCode(); } }

5. 部署、调试与常见问题排查

将代码部署到服务器并让整个流程自动运转起来，可能会遇到各种问题。以下是实战中总结的关键步骤和避坑指南。

5.1 完整部署清单

1. 服务器准备：一台有公网IP的Linux服务器（如Ubuntu 22.04），安装好Docker和Docker Compose。
2. 代码上传：将你的OpenClawStock项目文件上传到服务器，例如/opt/openclaw-stock。
3. 环境变量配置：在服务器上创建.env文件或直接修改docker-compose.yml，填入正确的Ollama BaseUrl（在服务器上，容器间通信通常用服务名http://ollama:11434）。
4. 构建与测试：

   cd /opt/openclaw-stock docker-compose build docker-compose up -d ollama # 先启动Ollama # 等待Ollama启动并拉取模型 docker-compose run --rm openclaw-stock dotnet run --task select

   观察日志，看是否成功运行并收到飞书消息。
5. 配置Cron：编辑crontab -e，添加定时任务，指向你的run_selection.sh脚本。记得给脚本添加执行权限(chmod +x run_selection.sh)。
6. 日志监控：定期检查stock_selection.log文件，确保任务正常运行。

5.2 高频问题与解决方案速查表

5.3 性能优化与扩展建议

当系统稳定运行后，你可以考虑以下优化和扩展方向：

1. 引入缓存：股票的基本信息、板块分类等变化不频繁的数据，可以缓存到本地数据库（如SQLite）或文件中，避免每次任务都从API拉取，大幅提升速度。
2. 并行处理：获取多支股票的历史数据和计算指标是CPU密集型任务，可以使用C#的Parallel.ForEach或Task.WhenAll进行并行处理，充分利用多核性能。
3. 策略回测框架：将筛选规则抽象成可配置的策略，并实现一个简单的回测引擎。这样你就可以用历史数据验证不同规则组合的有效性，而不仅仅是凭感觉调整参数。
4. 多因子评分系统：替代简单的规则过滤，为每支股票在技术、基本面、资金、舆情等多个维度打分，加权求和得到总分，再选择排名靠前的股票。这能让筛选逻辑更精细。
5. 接入更多数据源：除了行情，可以接入财经新闻、社交媒体情绪分析（通过大模型总结）、龙虎榜数据等，让AI的决策依据更全面。
6. 实现简单的监控告警：除了每日推送，还可以监控任务是否成功执行。如果Cron任务失败（通过检查日志或进程状态），可以发送一条告警消息到你的手机。

这个“10分钟打造”的系统，是一个强大的起点而非终点。它为你打开了一扇门，让你能够将想法快速转化为一个自动运行的智能体。最重要的是，你通过亲手搭建，彻底理解了从数据获取、策略设计、AI调用到任务调度的完整链条。接下来，你可以根据自己的投资理念，不断迭代和优化其中的每一个模块，让它真正成为你投资路上的得力助手。记住，所有工具和代码都是为你服务的，核心永远是你对市场的独立思考和判断。