تم اختبار اختيار الأسهم بـ"الروبيان": ظننت أنه يمكن أن "تربح بسهولة" لكن الواقع ليس سهلاً

问AI · “龙虾”选股为何在实测中频频遭遇数据错误؟

“可不可以委托‘龙虾’炒股？”带着这个问题，中国证券报记者打开了“龙虾”软件。随后，记者发现：理想很美好，现实却并不容易。

不加模块化专业工具包（Skills，包含SKILL.md文件的目录，该文件可为LLM提供指令和工具定义）的问答得到的只是堆砌的数据，而当翻遍Skills攻略、提出各种专业化的策略构建需求后，得到的却是“运行超时”的“尴尬”。或许对于普通个人投资者而言，使用“龙虾”炒股所付出的人力、物力、财力，跟获得结果的准确性和实用性并不对等。

有基金经理对记者表示，团队至今还没有接入“龙虾”类应用，一是从合规方面来看，该类软件存在较大风险，二是现有的量化模型其实已可以较快解决股票池筛选、策略回测等方面的投资需求。

从打开“龙虾”到关闭电脑

本地部署是安装“龙虾”的重要安装方式。但记者实测中发现，该项操作方式的权限过高——它需要获得电脑的最高管理员权限，将个人账户密码等资料“全盘托出”，一旦被黑客攻破或被指令“带偏”，很可能会将自己的资金暴露在较高风险之下。

接着，记者在云端尝试了各类“龙虾”应用，先后登录了Kimi Claw、Art Claw、JVS Claw等多个互联网大厂和AI大模型公司的“龙虾”产品，并购买了初阶版会员进行进一步尝试。

记者了解到，如果想获得更加真实可靠的数据，需要安装模块化专业工具包（Skills）。以Art Claw为例，记者向Art Claw发出安装“stock-market-pro”的指令，但始终无法安装。

图为Art Claw平台截图

随后，记者只能尝试用“PB-ROE”的策略构建思路让Art Claw推荐股票。

图为Art Claw平台截图

尽管Art Claw梳理出了策略构建思路，并给出了相关股票推荐（如下图），但记者发现，其推演过程中出现了多处数据错误。以贵州茅台为例，其股价与归母净利润的数值均与实际不符。

图为Art Claw平台截图

几个小时后，在记者尝试若干次skill安装后，“龙虾”终于装上了该skill，并宣称可以从炒股软件API拉取最新真实股价。但记者发现，不少数据仍与真实数据存在较大出入。

记者在Kimi Claw平台的指令亦“处处碰壁”——指令稍一繁琐，便会停止回答。首次尝试向Kimi Claw下达指令，要求其搜索并安装用于分析A股行情数据的技能，系统表示“IM runtime dispatch timed out after 300000ms”，即算力资源调度超时，任务失败。

图为Kimi Claw平台截图

随后，记者按照《Kimi Claw用户使用说明》提到的示例话术再次尝试，Kimi Claw表示已创建四个分析A股专业技能，并据此分析了三只股票2025年第三季度财报。结果显示，其给出的财务数据与公司年报一致，同时对现金流风险进行了提示与解释，附有综合评级和投资建议。

图为Kimi Claw平台截图

记者进一步尝试安装实时互联网新闻搜索技能，操作成功并得到了上市公司相关的舆情信息。然而，当记者希望Kimi Claw接入盯盘功能并按照其建议操作后，系统再次出现相同的超时提示。记者随后求助付费199元开通的K2.5 Agent集群模型，结果也不尽人意。

图为Kimi Claw平台截图

对于不少普通投资者来说，培养一只聪明能干又反应迅速的“龙虾”，既需要使用者持之以恒的努力，还需要使用者较为丰富的专业技能。此外，有投资者表示，股票的复杂筛选工作需要耗费较大量的Token，成本较高。

“我现在虽然可以让‘龙虾’每天给我发送股市报告，但是需要让Skills保持时刻更新的状态，让其随时抓取最新一轮的迭代变化。这其中最好用一些智能编程软件来辅助，可以提升效率。”一位使用“龙虾”做投资的投资者对记者表示，“培养过程经历了很多‘坎坷’，后续如果想加入一些策略因子，可能需要进一步调试。”

智能化投资之路道阻且长

一位基金经理向记者透露，其团队目前尚未引进“龙虾”类应用。这主要出于两方面考虑：首先，在合规性上，这类软件具有较高风险；其次，团队现有量化模型已能较为高效地满足股票池筛选、策略回测等投资需求。

“我在自己的电脑上尝试‘龙虾’，确实能帮我处理一些编程代码，但总体体验下来，并没有让工作效率提升太多。”一位量化基金经理对记者表示，“目前团队还没有引进‘龙虾’的计划。”

谈及“龙虾”的部署，中欧基金基金经理宋巍巍表示，统一内存（Unified Memory）的硬件是更好的OpenClaw部署硬件。OpenClaw作为“私人AI大脑”的三个核心诉求是：大内存、高效计算、常驻运行。在传统PC中，CPU使用内存，GPU使用显存，两者是独立的。数据搬运需要在两者之间复制，效率低且浪费资源。

宋巍巍表示，统一内存架构，即CPU、GPU和NPU（神经网络引擎）共享一个物理内存池，可以无缝访问同一份数据，无需来回拷贝。运行大语言模型，最大的瓶颈是显存。模型参数必须全部加载进显存才能运行。在PC上，要运行一个700亿参数的大模型，需要一块拥有32GB以上显存的顶级显卡，这通常意味着上万元的成本和巨大的功耗。

此外，“龙虾”的使用风险亦是不少业内人士关注的话题。宋巍巍表示，单纯依靠自然语言提示词作为安全护栏极其脆弱。当AI获得Full Disk Access（完全磁盘访问权限）后，任何安全漏洞都可能导致数据的系统性泄露。OpenClaw的第三方插件生态（ClawHub）亦可能存在安全隐患风险。另外，当AI从工具变成自主执行者，传统的责任归属逻辑彻底失效。

如果OpenClaw在执行指令时，无意间泄露了商业机密、发出了诽谤性邮件、甚至参与了网络攻击，责任该由谁负？是下达指令的用户，是编写代码的开发者，是提供底层模型的厂商，还是那个拥有“自主决策”能力的AI本身？目前，全球对此几乎处于法律真空状态。

（文章来源：中国证券报）