勃对立第三周跑完了。先说结论：账户从一百万出头到周五收盘，回撤控制在3.7%以内，跑了两次止损、三次防守性加仓，最后一天尾盘做了一笔试探性买入。这个成绩放在一周单边下杀的市场里，我自己是满意的，更重要的是——全程交易决策，基本都由基于OpenClaw搭建的AI交易员“雪球”独立完成，我只负责看它有没有按规矩办事。
雪球是什么？简单说，我用开源的OpenClaw智能体框架搭了一个专门盯大A的交易员。它每天帮我做复盘、盯盘、算仓位、找买点、执行止损，甚至能把盘中情绪失控的时刻压住。为什么这么干？因为我以前手工交易，最大的毛病不是不会分析，而是情绪：套住了舍不得割，涨了又拿不住。雪球没有这个问题，它只认规则。
这篇是第三周的百万实盘运行报告，内容主要包含：这一周市场发生了什么、雪球如何识别系统性退潮并进入防守模式、两次“断臂求生”式止损的真实执行记录、防守反击的具体打法，以及OpenClaw在实盘运行中踩过的坑。适合三类人看：一是正在用OpenClaw或其他Agent框架做自动化交易的爱好者，二是对AI量化交易感兴趣但还没下场的观望者，三是想了解AI交易员在极端行情下到底靠不靠谱的投资者。
1. 项目背景与“雪球”的整体设计思路
1.1 为什么选择OpenClaw来当交易员
可能有人会问：市面上的量化交易框架那么多，QMT、PTrade、vn.py、backtrader，哪个不比OpenClaw专业？这个问题的答案其实很简单：我不需要雪球直接去下单执行交易，我需要的是一个能深度思考、能调用工具、有长期记忆的“交易大脑”。OpenClaw正好是这个定位。
OpenClaw本质上是一个开源智能体框架，你可以把它理解成一个什么都能干的“AI管家”：它能接入各种大语言模型，能记忆长期上下文，能执行自定义Skill，能对接微信、飞书、钉钉这些IM工具。我选择它来当交易员，是因为交易的决策链比很多人想象的长：看盘、复盘、读公告、判断市场情绪、决定仓位、执行买入卖出、记录每一笔交易的教训……这些环节非常分散，用传统量化框架得写一堆代码来拼装，而OpenClaw通过编排Agent的能力，把整个决策链串起来了。
具体部署上，我跑在Mac mini上用Docker本地部署OpenClaw，理由有三：一是行情数据涉及个人账户信息，本地部署能保证数据不出本地；二是Mac mini功耗低，7x24小时跑着不心疼电费；三是Docker方式部署简单，备份、迁移都方便。Windows上也能跑，但建议装好Windows Terminal再用PowerShell脚本部署，不然容易遇到oneclaw node runtime not found这类问题，后面排查章节我会详细说。
至于为什么用“百万实盘”这个级别，是因为雪球这种低换手、偏防守的策略需要一定资金量才能摊平交易成本和滑点。十万块钱和一百万块钱在交易心理上完全不一样，AI虽然没情绪，但策略对流动性的要求不同。百万这个量级在国内市场刚好不构成对大市值标的的冲击，又能比较真实地检验策略。
1.2 雪球的系统架构与模块划分
雪球这个名字，是我自己起的。A股市场里“滚雪球”是经典的投资概念——找到足够长的坡和足够湿的雪，让资金复利增长。系统搭好人，我顺手在终端里跑了一个命令问它：“给自己起个名字吧。”它回复：“雪球。”行，就叫雪球。
雪球的整体架构分五层：模型层、记忆层、Skill层、执行层、通知层。
模型层是推理底座。我做了多模型配置：行情快照、新闻摘要把这种高频低耗的任务，走快一点的小模型；定期复盘、策略推演这类需要深度推理的任务，走大模型。这其实就是OpenClaw的多模型路由能力，相比全链路用一个模型，既能省token又能提升响应速度。刚开始我试着只用一个大模型全包，结果调一次API就心疼一次，而且小任务响应又慢。后来改成多模型路由，效率提升非常明显。
记忆层是雪球能持续进化的关键。这一周里我用了很多Active Memory高阶技巧：每天收盘后，把当天持仓变化、市场情绪、关键决策依据写入长期记忆；每周日，做一次记忆压缩和归档。没有长期记忆的LLM，第一天你跟它说“我买入的是低波动策略”，第三天它就忘了。Active Memory让雪球变成了一个“有长期工作记忆的智能体”，这对交易特别重要——交易本质上是一个连续决策过程，不是单次问答。
Skill层是一组自定义能力。OpenClaw的Skill相当于给智能体装插件，我根据交易场景写了5个核心Skill：行情拉取、技术指标计算、盘后复盘、仓位计算、风控检查。每个Skill本质上是给OpenClaw的一组提示词和函数定义，它知道什么情况下该调用哪个工具。最核心的一条经验是：Skill之间要解耦，行情拉取Skill和仓位计算Skill各自独立，不要写成一个Skill，不然调试时想改一个功能就得动整个流程，很痛苦。
执行层负责把决策落地到券商账户。这里我目前采用半自动化方案：雪球的买卖信号出来后，先推送到飞书，我确认无误后再手动在券商App下单。为什么不直接全自动？因为目前OpenClaw还没有一个足够成熟稳定的大A券商对接插件，而且我也不想上来就把资金完全控制权交给AI，总得给人留个最终判断的余地。真出了极端行情，人还