OpenClaw应用：为Agent重构投研信息底座

金融工程专题报告/2026.04.24 证券研究报告 核心观点 ❖核心矛盾识别：当前Agent在投研场景中的性能瓶颈，主要源于信息基础设施与Agent能力的错配。Wind、同花顺终端、Word/PPT文档、PDF研报等传统载体都是“人类友好型”数据形态，对Agent而言是“高成本可读”的。真正释放Agent性能的关键，是在“人类友好型数据”与“Agent友好型数据”之间搭建稳定、可扩展的转换层。 分析师缪铃凯SAC证书编号：S0160525060003miaolk@ctsec.com 相关报告 1.《市场震荡上行，公募指增大部分回撤》2026-04-182.《市场情绪回暖，指增组合集体回撤》2026-04-113.《市场持续调整，指增组合表现欠佳》2026-04-04 ❖两条主线的系统性建设： ❖数据源侧：以“问财SkillHub”为专业数据接入的官方通道，覆盖数据查询、选股器、事件宏观、研究评级、信息搜索五大类数十个Skill，为OpenCLaw个人投研Agent团队提供稳定、合规、专业化的原始数据来源。 ❖知识库侧：以“Obsidian+LLM维护的Wiki”为本地知识底座，配合OpenCLI、Obsidian Web Clipper、MarkItDown等工具链，构建“信息采集-格式归一-知识沉淀-高效检索”的全链路闭环。 ❖在专业数据源与知识库双翼加持下，原有的ClawResearch Agent升级为具备稳定数据访问能力与私有知识沉淀的投研分析助手，真正具备辅助投资决策的现实基础。 ❖风险提示：大语言模型输出随机性风险；大语言模型理解偏差风险；模型迭代升级风险；信息安全事故风险；AI技术发展不完善风险 内容目录 1Agent时代的信息基础设施瓶颈................................................................................42数据源选择：从散乱取数到统一接入..........................................................................52.1问财SkillHub能力矩阵.......................................................................................52.2Skill安装和调用.................................................................................................62.3应用场景与能力边界............................................................................................73知识库搭建：从信息堆积到知识复利..........................................................................83.1知识库工具选择..................................................................................................83.2知识库管理架构..................................................................................................93.3核心工作流程....................................................................................................103.3.1录入（Ingest）..............................................................................................103.3.2查询（Query）..............................................................................................103.3.3体检（Lint）.................................................................................................103.4信息流通道.......................................................................................................123.4.1公开信息采集.................................................................................................123.4.2私有信息处理.................................................................................................143.5检索加速与规模化扩展........................................................................................154赋能与总结..........................................................................................................165风险提示.............................................................................................................17 图表目录 图1：问财SkillHub中Skill安装方式..........................................................................6图2：问财SkillHub中Skill功能测试..........................................................................6图3：Obsidian知识库管理工具.................................................................................8图4：LLM-Wiki知识库管理范式...............................................................................9图5：ClawWiki Agent工作流程示例.........................................................................11图6：Obsidian知识库关系图谱................................................................................11图7：使用OpenCLI采集公开信息示例......................................................................12图8：使用Obsidian Web Clipper保存网页示例.........................................................13 谨请参阅尾页重要声明及财通证券股票和行业评级标准2 图9：使用MarkItDown进行格式转换示例.................................................................14 表1：人类友好型数据与Agent友好型数据差异............................................................4表2：问财SkillHub功能分类....................................................................................5表3：OpenClaw Agent团队数据源优化概览...............................................................7表4：qmd检索架构...............................................................................................15 1Agent时代的信息基础设施瓶颈 在《OpenClaw：打造智能投研Agent团队》报告中，我们构建了由ClawGuide、ClawScout、ClawWatch、ClawQuant、ClawResearch等OpenClaw Agent组成的投研团队，基于OpenClaw的核心架构以及配置文件构造共同搭建了Agent团队的Harness架构。然而，目前仍然普遍存在一个问题是：相同的架构、相同的模型，相同的Prompt，在不同用户手中往往呈现出巨大的性能差异。这一差异的根因，并非模型本身的波动，而在于能否为Agent提供一个足够友好的工作环境。 传统投研工作流高度依赖专业工具和数据终端。研究员习惯使用Wind、同花顺等平台获取行情信息、财务数据，使用Word、PPT等办公软件进行报告撰写与演示。然而，当前大多数模型尚不具备直接操作这些专业软件的能力——无法打开Wind终端、识别屏幕上的可视化图表、解析Word、PPT等二进制文件的内部结构。 这意味着，Agent所面对的信息世界，与人类所处的信息世界是两个不同的“解析空间”。在Agent的视角下，一个看似触手可及的金融终端，其实是完全不可操作的黑盒。 为了破解上述矛盾，本报告希望在"人类友好型数据"和"Agent友好型数据"之间建立系统化的转换层，解决以下两个问题： 1.数据从哪里来？Agent需要访问哪些专业数据源？如何以稳定可靠的方式接入？ 2.知识沉淀在哪里？Agent产生的中间结论、研究员积累的私有信息，如何沉淀为可复用的长期资产？ 本报告将围绕这两个问题，阐述在Agent数据源选择与知识库建设方面的实践路径，并给出工具选型建议与落地架构。 2数据源选择：从散乱取数到统一接入 2.1问财SkillHub能力矩阵 首先解决第一个问题："数据从哪里来"。一个自然的解决方案是让Agent直接调用各类数据厂商的API。 投研Agent对数据源的选择需满足三个核心标准： （1）专业性：数据需为业界广泛认可的专业来源，在投研实践中具有较高接受度。 （2）接口化：数据需可通过标准化接口获取，而非依赖人工操作或屏幕解析。API、Skill接口模式可确保Agent高效、稳定地获取目标数据。 （3）覆盖度：单一数据源应尽可能覆盖投研所需的多种数据类型，减少Agent需要对接的外部接口数量，降低系统复杂度。 同花顺问财SkillHub在这一背景下成为当前较为理想的通道。首先，同花顺是金融