金融 AI 新工具 FinClaw，免费提供1000+ 金融专属Skills

FinClaw 是由上海财经大学人工智能金融实验室联合研发的首个开源金融专属自主 AI 智能体执行框架，专门解决通用 AI 在专业金融场景里不太够用的问题。FinClaw 拆出了银行、证券、保险、基金、期货、信托六只“金融龙虾”，每只都对应一个细分赛道，让 AI 能像资深金融从业者一样思考和做事，贴合实际业务和监管要求。FinClaw 自研了 1000 多个高质量、可复用的金融 Skills，覆盖从数据获取、处理分析到结果输出的所有流程。为了保证数据稳定和专业，FinClaw 搭了一个统一的金融数据抽象层，通过智能路由和容错降级，把底层各种数据源的差异屏蔽掉，让接口保持统一。FinClaw 支持 Docker 一键部署，把运行环境和服务打包在一起，开箱即用，原生兼容 OpenClaw Agent OS 架构，不用额外 API Key 或复杂配置，用户通过对话或命令行就能直接调用金融 Skills，和通用能力一起编排协同。

FinClaw 是面向金融行业的开源自主 AI 智能体执行框架，由上海财经大学统计与数据科学学院、上海金融智能工程技术研究中心主任张立文教授领衔的人工智能金融实验室（AIFinLab）联合研发。和通用型 Agent 不同，FinClaw 针对金融行业做了垂直拆分，造出六只专属金融龙虾，让 AI 能复刻资深金融从业者的思考和行为逻辑，贴合银行、证券、保险、基金、期货、信托六大核心赛道的业务场景和监管要求。

FinClaw 为每个金融赛道都配了专属智能体，每只龙虾定位明确，能力也贴合各自赛道，能落到具体业务里解决实际问题。

实际业务里，银行龙虾能快速生成行业信用风险监测清单、自营账户的大类资产配置思路；证券龙虾能精准抓住政策和市场主线，让投研和经纪业务踩准节奏；保险龙虾能结合险企实际情况给出资产配置思路，覆盖保险业务里常见的各种任务；基金龙虾能一键拆解 ETF 跑输基准的原因，定位净值拖累在哪；期货龙虾几分钟就能完成主力合约复盘，把尾盘波动的原因说清楚；信托龙虾能为家族信托、非标估值这些场景出专业建议，帮着把完整方案做出来。

针对六大金融行业的特性，FinClaw 筛选并深度适配了高频业务能力，把通用 AI 在专业金融场景里的短板补上。结合典型金融业务流程，把这些能力做了标准化抽象和结构化沉淀，做成可复用的高质量 Skills 能力集，从数据获取、处理分析到结果输出都能搞定，而且能力体系统一接入了多源真实数据，保证任务执行的稳定、一致和专业。

这 60 个精选 Skills 按六大赛道分成六个套件，每个套件 10 个，覆盖各赛道的核心业务分析能力，每个 Skill 都有对应的专属数据源，数据够专业也够准。

• 银行套件：涵盖银行业整体分析、单家银行财务分析、净息差分析、信贷收支分析等，数据源包括央行/金融监管总局、银行年报、中国理财网等。
• 证券套件：包含证券业整体分析、券商投行业务分析、两融业务分析、券商评级分析等，数据源来自证券业协会、沪深交易所、证监会分类评价等。
• 期货套件：支持商品期货分析、持仓追踪、套利分析、保证金计算等，数据主要来自五大期货交易所、历史价差统计等。
• 保险套件：实现保险公司分析、寿险/财险业务分析、偿付能力分析、热点事件分析等，数据源有金融监管总局、公司年报、新闻舆情等。
• 基金套件：具备基金筛选、风险分析、归因分析、基金监控预警等，数据来自中基协、历史净值、实时数据等。
• 信托套件：涵盖信托产品分析、家族信托设计、估值引擎、投后监控等，数据源包括用益信托/协会、产品公告、项目数据等。

FinClaw 的 Skills 体系不是简单按行业拆，而是从底层能力结构出发，把金融业务里的通用能力抽象出来做标准化沉淀，这些能力可以灵活编排组合，落到六大金融应用场景里。1000 多个 Skills 覆盖了金融业务的很多细分方向，具体分布如下：

这些 Skills 全部免费开放，不用注册，装上就能用。

FinClaw 搭了一套标准化的数据访问层，定好了跨数据源的统一 schema、代码规范和访问协议。系统靠智能路由和容错降级，动态调度 AkShare、东财、同花顺、巨潮这些数据源，把底层差异屏蔽掉，同时保证数据服务稳定，上层 Agent 和 Skills 通过统一接口就能完成数据调用。

数据调用的核心逻辑是：用户请求 → cn-stock-data（统一入口）→ 智能路由 → efinance / akshare / adata / ashare / snowball。不同数据类型也设了对应的路由优先级，系统统一了代码格式（比如 SH600519）、字段名（英文 snake_case），还支持自动 Fallback，上层 Skill 完全不用管底层数据源是哪家。

FinClaw 既支持标准本地安装，也提供 Docker 容器化部署，把运行环境、依赖组件和核心服务打包在一起，启动简单，开箱即用。容器隔离能避免环境冲突，提升系统稳定性和可复现性，在数据和业务层面也更安全。这套方案扩展性和环境适配能力都不错，企业级部署和生产环境也能直接用。

安装 FinClaw

# 1. 安装 OpenClaw
curl -fsSL https://openclaw.ai/install.sh | bash

# 2. 克隆 FinClaw
cd ~/.openclaw/workspace
git clone https://github.com/aifinlab/FinClaw .

# 3. 安装依赖
pip install akshare pandas numpy requests

# 4. 启动
openclaw start

Docker 部署

# 1. 启动 OpenClaw 容器
docker run -d --name openclaw -p 18789:18789 openclaw/openclaw:latest

# 2. 复制 FinClaw 到容器
docker exec openclaw mkdir /home/node/.openclaw/workspace/
docker cp ./FinClaw openclaw:/home/node/.openclaw/workspace/FinClaw

# 3. 重启容器
docker restart openclaw

如何调用龙虾的金融能力

FinClaw 原生兼容 OpenClaw Agent OS 架构，能无缝接入它的消息路由、会话管理、技能注册和权限控制体系。系统不用额外 API Key 或复杂环境配置，按标准方式启动后就能执行金融任务。用户可以在对话里直接调用金融 Skills，也能把金融 Skills 和通用能力编排在一起协同执行。

方式一：通过 OpenClaw Agent 调用（推荐）

启动后，直接在对话里和 OpenClaw 交互就行，比如：

• 查询茅台股票行情
• 帮我做贵州茅台的 DCF 估值
• 分析北向资金近期动向
• 用动量策略回测沪深300成分股

方式二：命令行直接运行 Skills

# 查看所有 skills
ls -1 skills/

# 按类别查找
ls -1 skills/ | grep "^bank-"        # 银行业务
ls -1 skills/ | grep "^a-share-"     # A股相关
ls -1 skills/ | grep "^fund-"        # 基金相关