OpenClaw 火了，但金融圈的分析师们并不买账。

作为每天要处理数十份研报、实时追踪数百家公司的分析师来说，它更像是一个"技术玩具"，部署门槛高，缺少金融数据，无法真正融入投研工作流。其问题的本质在于，投研不是通用知识问答，一个"裸奔"的 Agent 框架，无法替代一个真正懂投研、有数据、能自主执行的 AI 分析师。

熵简科技CEO费斌杰在嘉实基金做了三年 TMT 分析师，太清楚这其中的痛苦了。2017 年，他创办熵简科技，过去几年为中金、嘉实、华夏、博时等头部机构建立投研数据中心，标准化地积累了海量私域行业数据。

近日，熵简科技正式推出 AlphaClaw，一个开箱即用、内置海量投研数据的 AI Agent，专为金融场景设计。无需 API Key，无需 Docker，下载即用，技术小白也能在 5 分钟内拥有一只会做投研的小龙虾。 

（机构投资者体验链接：www.alphaengine.top，个人投资者暂无法使用。）

智客ZhiKer：能先介绍一下你的背景吗？为什么会从金融行业转向科技创业？

费斌杰：我 2014 年从清华大学五道口金融学院硕士毕业后，加入嘉实基金担任 TMT 板块的股票分析师。在工作中，我逐渐发现了资管行业面临的一个核心痛点，无论是投资研究、风控合规，还是业绩归因，大量繁复的数据处理工作都是由业务人员手动完成的。

这种重复性工作大大降低了公司的产能，也导致数据处理中的错误层出不穷。大量的数据分散在不同的载体，找到有效数据需要花费的时间成本很高。作为分析师，我深刻体会到这种痛苦。

2017 年，25 岁的我决定创办熵简科技。“熵”在热力学和信息论中都是描述系统混沌程度的概念，熵增定律揭示了万物趋向从有序变得无序的过程。我们希望用智能化的手段简化企业业务数据化、数据资产化的复杂程度，实现数据驱动、降本增效。

智客ZhiKer：AlphaClaw和市面上其他 AI 投研工具有什么本质区别？

费斌杰：如果说上一代 AI 投研工具是有问必答的 AI 助手，那么 AlphaClaw 则完成了向“自主执行”的进化，它是一位能够独立跑通复杂投研工作流的 AI 分析师。

它不只是回答问题，而是直接交付结果，Excel 表格、回测报告、研报点评，一条龙搞定。这背后最关键的差异是数据。

投研的本质是“数据+逻辑”，没有数据，再强的 AI 也只能输出“正确的废话”。

AlphaClaw 内置了AlphaEngine平台的投研数据库，日更资料近万篇，包括全量内外资券商研报库、A 股/港股/美股上市公司会议纪要库、行业点评资讯库、专家访谈纪要库等等。这是它和 OpenClaw 最大的区别和优势，不是在通用知识上回答问题，而是基于专业金融数据做分析。

智客ZhiKer：能举几个具体的应用案例吗？

费斌杰：我分享三个最让用户惊艳的场景。

第一个是“让投资大师帮你选股”。你可以把珍藏多年的巴菲特股东大会纪要（3200 多页）喂给 AlphaClaw，让它提炼巴菲特的投资逻辑，几分钟后他生成一个名为“Buffett Investment Philosophy”的 Skill，涵盖能力圈原则、护城河评估标准、财务舞弊识别等核心要点。

更绝的是，你可以直接用这个 Skill 来分析当前市场。比如让它站在巴菲特角度分析霍尔木兹海峡禁运对全球能源体系的冲击，提出资产配置建议，生成自选股清单并保存为 Excel。

AlphaClaw 会调用刚创建的 Skill 作为分析框架，结合平台内置的研报数据，输出一份完整的投资建议，不是空泛的“建议关注能源板块”，而是具体到标的、逻辑、风险点。

用户甚至用 AlphaClaw 可以读完《金融炼金术》《投资最重要的事》，分别生成索罗斯、霍华德·马克斯的投资逻辑 Skill。以后遇到任何市场事件，可以召集这些“投资大师”开个专家会审。

智客ZhiKer：其他案例呢？

费斌杰：给基本面投资者插上量化的翅膀。很多基本面投资者有独特的选股逻辑，但因为不懂 Python、不会回测框架，只能让这些灵感停留在脑海中。AlphaClaw 可以弥合这个鸿沟。

你只需要让它梳理最新 1 个月有价值的金工量化报告，筛选出 3 个最有价值的量价因子，比如凸显性因子、行业拥挤度因子等。然后一句话“帮我实现成代码，应用于我的自选股票池，保存成 Excel”，AlphaClaw 就能输出完整的 Python 代码，把投资灵感变成可回测的量化策略。

这意味着什么？巴菲特帮你选股，量化因子帮你择时，主观和量化的结合，从未如此简单。

最后一个是年报季的救星。年报季是分析师的噩梦，上市公司扎堆发财报，听完会议还得熬夜写点评。AlphaClaw 可以成为你的“投研分身”。

你只需要喂几篇你写过的点评，它就能学会你的遣词造句、段落结构、分析框架，把你的写作风格总结成 Skill。然后让它模仿你的风格，批量生成所有自选股的业绩点评。输出的点评 100% 按你的风格生成，数据来源于平台内置的研报和公告，你只需要做最后的审核和调整。

年报季的苦，让 AI 帮你吃。你可以把节省的时间，投入到更有价值的深度思考中。

智客ZhiKer：金融机构对数据安全非常敏感，AlphaClaw 如何解决这个问题？

费斌杰：AlphaClaw 采用“Local-First”架构：个人知识库（私有笔记、内部纪要）在本地完成向量化处理；你沉淀的投资逻辑 Skill 仅在本地运行；物理隔绝云端，杜绝数据泄露风险。

你的投资策略不会成为大模型的“训练语料”，AlphaClaw 是一款真正可以在本地环境下放心使用的专属私密参谋。

智客ZhiKer：对于 AI 与投研的未来，你有什么判断？

费斌杰：我有三点核心判断。

第一，必须适应“指数化”思维。Anthropic 的 CEO Dario 明确提出：We do not see Scaling Law hitting the wall。2026 年 AI 产业将进一步加速。如果把 AI 能力提升比作爬楼梯，前 100 阶累计的震撼加在一起，只不过是之后一节楼梯的零头。不要高估当下，更不要低估未来！

第二，AI 是新时代的“印刷术”。14 世纪印刷术催生了欧洲文艺复兴。2026 年开始，编程将成为标配技能，可以被教师、医生、律师、分析师等任何人掌握。金融行业的“文艺复兴 2.0”，正式拉开序幕！

第三，让研究回归思考。AlphaClaw 的初心是成为分析师的效率超级倍增器，从建立估值模型到选股回测，从模拟文风到自动撰写点评，这些事务性工作统统交给 AI，分析师只需聚焦产业前瞻研究和公司业务交流等核心事务，形成高效的人机交互关系。

智客ZhiKer：当前 AI 基础设施发生了哪些重大变化？

费斌杰：当前 AI 基础设施发生了重大变化，特别是从传统的线性控制模式向闭环自我生产的学习系统转变。例如，特斯拉就通过视觉信号融合技术，在机器人无需依赖外部标注的情况下即可自主学习和生成内容。

随着技术的进步，大模型将在金融行业中发挥更大的作用。但现阶段更重要的是将最先进的 AI 技术与具体应用场景相结合，切实解决客户面临的问题。我们在过去 4-5 年帮助国内券商、公募基金等大型资管机构建立了投研数据中心，标准化地积累了私域的行业数据，这是我们能够快速落地 AI 应用的基础。

智客ZhiKer：你如何预测未来 5 年 AI 在投研领域的角色演变？

费斌杰：我们内部有一个“AI 投研能力进化路线图”。从 L0 功能模块到 L5 基金经理，AI 的角色会逐步演进：

• L1 实习生阶段：AI 直接面向业务用户，工具辅助，单一环节任务。

• L2 初级分析师阶段：工具调用与工具创造，自动化作业。

• L3 中级分析师阶段：多步骤串联，自主编排工作流，创造性解决问题。

• L4 基金经理助理阶段：特定场景端到端任务处理，仍需人类主导。

• L5 基金经理阶段：完全自动化，绝大部分任务无需 human in the loop，模型层可自我进化。

目前我们处于 L2 向 L3 过渡的阶段，AlphaClaw 的推出标志着我们在这个方向上迈出了重要一步。（作者｜郭虹妘，编辑｜陶天宇）

更多对全球市场、跨国公司和中国经济的深度分析与独家洞察，欢迎访问 Barron's巴伦中文网官方网站