【作品集】OpenClaw-AgentOps企业级多智能体贵金属交易分析平台

FatCarrot

362人浏览 · 2026-05-15 20:46:46

FatCarrot · 2026-05-15 20:46:46 发布

项目名称：OpenClaw-AgentOps 企业级多智能体贵金属交易分析平台
展示方式：保留原有项目架构图，同时加入系统真实页面切片，用“设计图 + 实物图”的方式完整展示项目。

1. 项目一句话介绍

OpenClaw-AgentOps 是一个面向贵金属交易研究场景的企业级 AI Agent 平台。用户在飞书或微信里发送一句自然语言指令，例如“今日贵金属分析”“今日指标速览”“今日变量评分”“停止分析”，系统会通过 OpenClaw 读取会话消息，自动识别任务意图，并调度多个智能体完成行情数据采集、原始资料归档、RAG 证据检索、六阶段大模型分析、风险审校、报告生成、飞书/微信推送和本地看板沉淀。

这个项目的重点不是“调用大模型回答一个问题”，而是把一个真实业务流程做成可运行、可恢复、可追踪、可交付的 Agent Runtime。系统既有架构设计，也有真实页面、真实日志、真实报告、真实任务状态和真实交付产物。

项目可以概括为一句话：

用 OpenClaw 打通企业会话入口，用多智能体拆解贵金属分析流程，用 RAG 和工具调用约束大模型输出，用看板和消息推送完成企业交付。

2. 系统真实界面总览

系统运行台_标题导航与执行日志

这张截图展示的是系统的真实运行台，包括项目标题、导航入口、任务按钮、执行日志和运行状态。它在作品集中承担“实物证明”的作用：说明项目不是只停留在架构图或文字描述，而是已经形成了可操作的 Web 看板。

从这张图可以看到几个关键点：

系统有统一的页面标题和业务定位，围绕贵金属投资分析展开。
页面顶部保留了任务入口和运行控制区，可以触发或查看流程。
中间黑色日志区域展示了自动执行过程，说明系统具备真实任务运行链路。
日志按时间顺序沉淀，便于排查数据采集、模型调用、报告生成和推送过程中的问题。

这部分适合在作品集开头展示，因为它能快速证明项目“能跑、能看、能追踪”。

3. 项目背景与业务问题

贵金属交易分析每天都需要处理多源信息：黄金现货、白银现货、美元指数、美债收益率、ETF 持仓、CFTC 持仓、CME 库存、上金所数据、宏观经济日历、央行政策、突发新闻和历史复盘记录。传统做法依赖人工打开多个网站、复制数据、整理截图、对照历史报告、撰写分析结论，再同步到飞书或微信。

这个流程存在明显问题：

数据源分散，人工采集容易遗漏。
分析流程长，重复操作多，稳定性依赖个人经验。
大模型如果没有证据约束，容易出现事实不稳或结论发散。
报告需要在飞书、微信和看板中多处交付，人工同步成本高。
长任务失败后难以定位是采集、模型、格式、推送还是网络问题。

OpenClaw-AgentOps 的目标就是把这套流程改造成企业可用的智能体系统：会话触发、自动执行、阶段留痕、证据可追溯、异常可恢复、结果可交付。

4. 项目总览架构

01_项目总览架构

系统分为四层：用户入口层、Agent 运行时、AI 能力层和企业交付层。

4.1 用户入口层

用户入口层负责把业务指令转成系统可处理的标准事件。项目通过 OpenClaw Gateway 接入飞书、微信、CLI 和本地看板，监听器从 OpenClaw 会话索引中读取消息，完成消息清洗、乱码修复、来源识别、消息去重和触发词判断。

关键能力包括：

飞书和微信自然语言指令触发。
OpenClaw sessions 消息读取。
消息 ID 和内容指纹去重。
支持历史消息回放和单次监听。
支持停止指令，避免长任务失控。

4.2 Agent 运行时

Agent 运行时是系统核心。它不是简单的函数调用，而是维护任务状态、上下文、工具调用记录、阶段产物和异常信息的运行环境。

核心组成包括：

Planner Agent：识别任务模式并生成执行计划。
TaskState：保存任务 ID、运行模式、当前阶段、产物路径、错误信息和停止状态。
LangGraph Runtime：用于表达长任务状态图，支持分支、重试、Checkpoint 和恢复。
Agent Trace：记录每个节点的输入摘要、输出路径、耗时、模型调用、工具调用和失败原因。

4.3 AI 能力层

AI 能力层包括 RAG、工具调用、模型适配和评测审校。

RAG / Memory：管理当天原始资料、历史报告、复盘日志和提示词模板。
Tool Registry：把浏览器、数据采集、文件读写、飞书、微信、看板刷新封装成可调用工具。
Model Adapter：支持 API 模型、浏览器端模型和私有化模型的路由与降级。
Critic / Evaluator：检查输出结构、事实依据、风险表达和引用完整性。

4.4 企业交付层

企业交付层负责把最终结果交到用户手中，并沉淀运行资产。

生成 Markdown 最终报告。
飞书推送阶段日志、摘要和完整报告。
微信推送关键结果。
本地看板展示最新报告和运行状态。
保存阶段文件、采集文件、日志、状态文件和错误记录。

5. 任务输入、核心指标与阶段化流程

02_任务概览_项目说明与核心指标

图 S2 展示了系统的任务输入区和核心指标面板。左侧用于展示任务说明、执行入口和当前分析目标；右侧用于展示关键行情指标，例如白银价格、黄金价格、金银比、美元指数、波动率和更新时间。

这一部分体现三个设计点：

业务指令标准化：用户输入可以来自飞书、微信、CLI 或看板按钮，系统统一转换成标准任务模式。
关键指标结构化：系统先把行情和宏观数据整理成结构化指标，再供后续 Agent 使用。
任务入口可视化：页面入口便于本地演示和人工调试，企业场景下可以由 OpenClaw 会话或定时任务触发。

03_执行流程_阶段状态与数据摘要

图 S3 展示了阶段状态卡和 Step 输入卡。它说明系统不是一次性把所有内容交给大模型，而是把任务拆成多个阶段执行。

完整任务流程可以拆成 10 步：

用户在飞书、微信、CLI 或看板发起指令。
OpenClaw Gateway 接入消息。
Listener 读取 sessions，完成清洗、去重和路由。
Planner Agent 判断任务模式并生成执行计划。
Collector Agent 采集贵金属行情、宏观、持仓和政策数据。
RAG Agent 构建上下文证据包。
Analyst Agent 执行六阶段分析。
Critic Agent 审校事实、结构和风险边界。
Delivery Agent 推送报告并更新看板。

Ops Agent 记录日志、状态、产物和异常信息。

阶段化设计的价值在于：每一步都有输入和输出，失败后可以定位、重试、降级或从最近阶段恢复。

6. 真正的 Agent Runtime

02_智能体运行闭环

OpenClaw-AgentOps 的 Agent 闭环包括八个环节：

环节	项目中的具体实现
消息感知	OpenClaw 读取飞书/微信消息并生成标准事件
意图识别	根据触发词和上下文判断任务模式
任务规划	Planner 选择执行路径和工具链
记忆检索	RAG 检索当天证据、历史报告和复盘日志
工具调用	调用浏览器、采集器、文件、飞书、微信和看板工具
分析执行	通过 API 模型或浏览器模型完成阶段化分析
反思审校	Critic 校验事实、结构和风险表达
交付观测	发送报告、更新看板、保存日志和 Trace

这个闭环体现了真正智能体项目的核心：Agent 不只是生成文本，而是能感知环境、规划任务、调用工具、观察结果并根据反馈调整行为。

7. 多智能体协作设计

03_多智能体协作流程

10_智能体能力卡_多Agent职责展示

系统可以抽象为多个 Agent 分工协作。设计图负责讲清楚协作关系，真实截图负责证明页面中已经把这些能力卡片化展示出来。

Agent	职责	输入	输出
Gateway Agent	接收企业 IM 消息，解析会话来源，生成标准化事件	OpenClaw sessions 消息	SessionEvent
Planner Agent	识别用户目标，生成任务计划	SessionEvent、触发词、当前状态	TaskPlan
Collector Agent	采集和保存贵金属相关数据	采集配置、任务模式	结构化数据、原始网页、截图
RAG Agent	构建知识上下文和引用证据	原始资料、历史报告、复盘日志	Context Pack
Analyst Agent	基于上下文执行分阶段分析	Context Pack、阶段 Prompt	阶段报告和最终报告
Critic Agent	审校输出质量	阶段报告、原始证据、规则模板	通过标记或修复建议
Delivery Agent	完成企业交付	最终报告、摘要、附件路径	飞书消息、微信消息、看板数据
Ops Agent	记录运行指标和异常	全链路事件	日志、Trace、状态快照

多 Agent 设计的重点不是“拆很多名字”，而是让每个 Agent 的职责边界清晰：谁负责感知，谁负责规划，谁负责采集，谁负责检索，谁负责分析，谁负责审校，谁负责交付，谁负责观测。

8. RAG、Memory 与 Tool Use

04_RAG与工具调用链路

8.1 RAG 设计

RAG 层负责让报告有依据。它把原始资料、历史报告和复盘记录组织成可检索证据库。

设计流程：

文档加载：读取 HTML、CSV、JSON、PDF、Markdown、TXT。
内容清洗：去除脚本、样式、噪声文本和重复内容。
元数据标注：记录日期、来源、品种、指标、文件路径和采集批次。
Chunk 切分：按主题和数据源切分，避免上下文过长。
混合检索：关键词检索处理指标和数字，向量检索处理语义问题。
Rerank：根据当前任务重排证据片段。
Context Pack：把事实、引用、历史对比和风险提示组织给 Analyst Agent。

8.2 Tool Registry 设计

Tool Registry 是 Agent 真实执行动作的能力边界。所有工具都用统一接口表达：

{ "tool_name": "feishu.upload_file", "arguments": { "path": "outputs/xxx_final_report.md", "target": "trading_research_group" }, "result": { "ok": true, "data": {"file_key": "..."}, "error": "", "trace_id": "task-20260515-node-09", "source": "Feishu API" } }

主要工具包括：

openclaw.read_session：读取会话消息。
market.collect_indicators：采集行情和指标数据。
browser.playwright_fetch：浏览器访问、截图和页面文本提取。
rag.retrieve_context：检索上下文证据。
llm.run_stage：调用模型执行阶段分析。
feishu.upload_file：上传报告文件。
weixin.send_summary：推送摘要。
dashboard.refresh：刷新看板。
ops.record_trace：记录运行指标。

没有工具调用的系统只能“说”，不能“做”。OpenClaw-AgentOps 通过工具调用完成真实业务动作：采集数据、读写文件、访问网页、上传报告、发送消息、刷新看板、记录日志。这让 Agent 具备执行能力，而不是停留在文本生成。

9. 报告生成结果展示

04_分析报告_开篇与核心结论

图 S4 展示了系统生成报告的开篇部分，包括核心结论、数据依据和分析框架。这个部分可以作为作品集中的“结果证明”：系统不仅能运行，还能产出完整、结构化、可阅读的投资分析报告。

报告生成不是简单摘要，而是围绕贵金属交易研究组织信息：

当前价格与关键指标。
市场驱动因素。
黄金与白银的相对表现。
宏观变量和风险偏好变化。
结论的信号强度和不确定性。

05_分析报告_变量评分与市场驱动

图 S5 展示了报告中对市场变量的分析。贵金属分析不是只看单一价格，而是要综合多个变量：美元指数、美债实际收益率、通胀预期、风险偏好、ETF 和持仓变化、工业需求、政策事件以及黄金与白银相对强弱。

这一页体现的是 Agent 的业务推理能力：Collector Agent 提供事实，RAG Agent 补充历史上下文，Analyst Agent 把变量转换成判断，Critic Agent 检查结论是否过度确定。

06_分析报告_情景推演与策略建议

图 S6 展示了系统从市场变量进一步生成情景推演和策略建议。一个可用的投资分析 Agent 不能只描述发生了什么，还要回答：如果美元继续走强会怎样，如果美债收益率回落会怎样，当前更适合趋势跟随还是等待确认，什么条件下原判断失效。

系统在生成策略建议时强调风险边界，而不是输出绝对化结论。报告会包含触发条件、失效条件、风险提示、情景分支、操作节奏和后续观察指标。

10. 风控、审校与复盘

07_分析报告_风险提示与执行计划

图 S7 展示了报告中的风险提示和执行计划。对于投资分析类 Agent，风险控制是必要能力。系统不能只输出看多或看空，而必须说明结论的不确定性和触发条件。

Critic Agent 在这里负责：

检查报告是否包含风险边界。
检查是否存在过度确定表达。
检查是否缺少关键变量观察项。
检查策略建议是否有失效条件。
检查报告结构是否符合业务模板。

08_分析报告_复盘与检查清单

图 S8 展示了报告后半部分，包括复盘、检查清单和后续关注事项。复盘模块的作用是让系统形成长期记忆：历史结论、当日变量评分、策略建议、失效条件、后续验证结果和用户反馈，都可以成为下一次 RAG 检索的资料。

这也是 AgentOps 的关键：每一次运行不仅产出报告，还沉淀为后续分析的上下文资产。

11. 模型与 Prompt 设计

项目支持两类模型调用方式：

API 模式：通过 OpenAI-compatible API 执行阶段化分析。
浏览器模式：通过 Playwright 连接浏览器端模型页面，复用登录态完成分析。

企业版可以扩展为多模型路由：复杂分析使用高能力模型，格式修复和摘要使用低成本模型，API 失败时切换浏览器端模型，外部模型不可用时切换私有化推理服务。

项目使用阶段化 Prompt，而不是一次性长 Prompt。这样做有三个好处：

降低单次输出失控的概率。
每个阶段都可以单独校验和重试。
最终报告可以由多个稳定阶段组合生成。

阶段化 Prompt 的核心原则：只分析贵金属相关对象，明确禁止编造缺失数据，要求输出结构稳定，要求策略建议必须包含风险和失效条件，要求长期报告保留事实边界。

12. 企业上线与服务化部署

05_企业上线部署架构

项目可以分三种形态上线。

12.1 单机生产版

适合个人或小团队使用。

组成：OpenClaw Gateway、Python Listener、数据采集器、浏览器/API 模型执行器、飞书/微信推送器、本地 Dashboard、文件系统报告归档。

优点：部署简单，适合快速验证和日常使用。

12.2 团队服务版

适合多人团队持续使用。

组成：FastAPI 服务入口、Redis 状态和锁、Celery 或 Kafka 异步任务、PostgreSQL 或 MySQL 任务记录、Chroma 或 Milvus 向量索引、Web Dashboard 实时任务状态。

优点：支持并发任务、多人使用、实时查看和统一管理。

12.3 企业平台版

适合长期运行和规模化部署。

组成：Docker/K8s 部署多个 Agent Worker、API Gateway 鉴权限流、Prometheus/Grafana 监控、企业权限系统、租户隔离、高风险工具调用审计。

优点：稳定、可扩展、可监控、可审计。

13. 企业交付与运行产物

09_运行结果_产物路径与交付状态

图 S9 展示了系统运行后的产物路径和交付状态。它证明项目不是静态展示，而是能产生真实文件和交付记录。

项目运行后会沉淀：

阶段报告。
最终报告。
原始采集数据。
运行日志。
看板状态。
发送记录。
错误和重试记录。

Delivery Agent 会根据报告长度选择交付方式：短内容直接发送消息，长报告按块发送或上传文件，发送失败时进入重试队列，推送完成后保存最终状态。

14. 可观测与异常治理

11_运维观测_任务队列与进度状态

图 S11 展示了系统的运行观测区域，包括任务队列、状态标签、进度信息和核心流程判定。对于企业级 Agent 项目，可观测能力非常重要，因为长任务失败时必须知道失败发生在哪个环节。

系统需要观测的内容包括：当前任务状态、阶段执行进度、模型调用是否完成、飞书/微信是否发送成功、数据是否缺失、是否进入重试、是否被用户停止、最终报告是否生成。

异常治理设计包括：

幂等控制：通过消息 ID、内容指纹和最近触发抑制机制，避免同一消息重复触发任务。
长任务停止：用户发送停止指令后，运行中的 Pipeline 在关键节点检查停止状态并安全终止。
失败重试：模型调用、阶段输出、飞书发送等环节都有重试策略。
降级运行：部分数据源失败时继续使用已采集数据，并在报告中标注缺失字段。
运行留痕：每次任务都会产生阶段报告、最终报告、采集目录、日志文件和状态文件。

15. 项目能力矩阵

06_项目能力矩阵

能力	项目体现
企业入口接入	OpenClaw 统一接入飞书、微信、CLI 和看板
Agent 编排	Planner + TaskState + 阶段化流程 + 停止控制
RAG 记忆	原始资料、历史报告、复盘日志、Prompt 模板统一检索
Tool Use	浏览器、数据采集、文件、飞书、微信、看板都可工具化
多模型适配	API 模型和浏览器模型双通道，支持路由和降级
评测审校	阶段输出校验、事实边界、风险提示和重试机制
企业交付	飞书/微信推送、文件模式、报告分块、本地看板
可观测运维	日志、状态文件、阶段产物、错误记录、健康检查

16. 项目现有模块说明

模块	路径	说明
统一命令入口	xitong/cli.py	提供 doctor、collect、run、listen、dashboard 命令
指令监听	xitong/jian_ting/zhi_ling_jian_ting.py	监听 OpenClaw 会话，识别飞书/微信指令并触发流程
后台启动	xitong/jian_ting/jing_mo_hou_tai_qi_dong.py	静默启动 OpenClaw Gateway、监听器和浏览器环境
主流程	xitong/he_xin/zidong_hua_liu_cheng.py	执行数据采集、模型分析、阶段输出和消息推送
API 分析	xitong/he_xin/api_fen_xi_zhi_xing.py	调用 OpenAI-compatible API 执行阶段化分析
数据采集	xitong/shu_ju/zhi_biao_shu_ju_cai_ji.py	采集贵金属行情、宏观、政策、持仓等原始资料
飞书通知	xitong/tong_zhi/fei_shu_tui_song.py	推送阶段日志、摘要、完整报告和文件
微信通知	xitong/tong_zhi/wei_xin_tui_song.py	推送微信摘要和运行结果
看板服务	xitong/kan_ban/shu_ju_kan_ban_fu_wu.py	提供本地 Dashboard 和最新报告 API
前端看板	dashboard/	展示报告、变量、风险、运行状态和任务控制
运行产物	outputs/	保存采集结果、阶段报告、最终报告、日志和状态文件

17. 演示方式

Demo 1：完整分析

用户输入：今日贵金属分析

系统行为：OpenClaw 读取飞书/微信消息，Listener 路由到 full 模式，Collector Agent 采集全量指标，RAG Agent 构建证据上下文，Analyst Agent 执行六阶段分析，Critic Agent 审校输出，Delivery Agent 推送最终报告，Dashboard 展示最新报告。

Demo 2：指标速览

用户输入：今日指标速览

系统行为：只读取或采集核心指标，输出快速确认卡，用于盘前快速判断。

Demo 3：变量评分

用户输入：今日变量评分

系统行为：聚焦宏观、美元、利率、风险偏好、供需和技术面变量评分。

Demo 4：停止任务

用户输入：停止分析

系统行为：监听器识别停止指令，运行中任务安全终止，并推送中止结果。

Demo 5：本地看板

启动命令：

py -3 -X utf8 -m kr_xitong.cli --config config.json dashboard

系统行为：打开本地 Dashboard，查看最新报告、运行状态和历史产物。

18. 项目总结与后续升级路线

12_项目总结_企业上线与后续规划

OpenClaw-AgentOps 的核心价值是把“贵金属交易分析”这个复杂、重复、强依赖数据和流程的业务，做成一个可运行的企业级智能体系统。它有真实业务入口，有自动化数据采集，有 RAG 证据体系，有分阶段分析，有审校和重试，有飞书/微信交付，也有看板和运行产物沉淀。

后续升级路线：

Phase 1：运行时标准化

抽象 SessionEvent、TaskState、ToolCall、AgentTrace。
将现有流程改造成显式状态机。
每个节点增加输入输出 Schema。

Phase 2：RAG 知识库落地

对 outputs 中的历史报告和原始资料建立索引。
接入本地向量库。
增加混合检索和引用来源。

Phase 3：工具服务化

把飞书、微信、浏览器、文件、采集器封装为标准工具。
统一工具输入输出。
对高风险工具增加权限和审计。

Phase 4：服务化部署

用 FastAPI 封装任务提交、状态查询、停止任务和报告下载接口。
用 Redis 管理状态和锁。
用异步队列执行长任务。
用数据库保存任务和审计记录。

Phase 5：监控与评测

记录任务成功率、工具调用成功率、平均耗时和模型成本。
增加报告质量评测和引用覆盖检查。
在看板展示运行指标和异常分布。

19. 一段话介绍

30s

OpenClaw-AgentOps 是我做的一个企业级 AI Agent 项目。它通过 OpenClaw 接入飞书和微信，用户发一句“今日贵金属分析”，系统会自动识别意图，调度数据采集、RAG 检索、分阶段大模型分析、审校和报告推送。它不是单次问答，而是一个具备状态、记忆、工具调用、交付和观测能力的智能体运行系统。作品集里既有架构图，也有真实系统截图，可以看到运行日志、核心指标、阶段状态、完整报告、多 Agent 卡片、任务队列和交付结果。

2mins

这个项目面向贵金属交易研究场景。入口层用 OpenClaw 接入飞书和微信，监听器读取会话消息后做清洗、去重和路由。运行时由 Planner Agent 生成任务计划，根据用户指令选择完整分析、指标速览、变量评分或停止任务。Collector Agent 采集行情、宏观、持仓、政策和新闻资料，RAG Agent 把当天资料、历史报告和复盘日志组织成检索上下文，Analyst Agent 进行六阶段分析，Critic Agent 做事实和风险审校，Delivery Agent 把最终报告推送到飞书/微信并更新本地看板。整个流程有阶段产物、日志、失败重试、停止控制和运行状态记录，可以进一步升级为 LangGraph 状态机、MCP 工具服务和企业级 AgentOps 平台。