报告核心观点 - 报告认为，开源项目OpenClaw代表着未来AI应用的一个重要方向，但目前仍处于早期探索阶段，并非成熟的生产力工具[3] - 报告认为，OpenClaw工具成熟之时，可能意味着投研工作流的根本性变革[3] - 报告的核心并非技术部署，而是以真实投研工作流为核心，展示如何在不侵入内部数据的前提下，构建一套覆盖全链路的“投研数字员工”体系[3] 投研工作流的AI应用现状与潜力 - 当前OpenClaw在投研领域的应用仍处于探索阶段[3] - 当前OpenClaw在投研中的主要应用体现在定制化监控信息推送和编程工具编排，可替代部分重复性劳动[3] - 具体可应用场景包括：定制化盯盘、抓取数据、编写SQL、跟踪公告和研报、监控特定网页、生成日报等[3] - OpenClaw可以同时调用多个AI编程工具，如Claude Code、Codex等[3] 自建的“投研数字员工”技能体系架构 - 报告自建了一系列投研场景切实可用的Skill，整套体系分为数据层、监控层、分析层和输出层四层结构[3] - 数据层：通过wind-sql-query、gogoal-sql-query、fin-data-lookup与web-search-router四个工具，对接Wind、GoGoal等主流金融数据库及公开网络信息，统一数据入口并按需路由[3] - 监控层：部署了七个专项模块，实现对市场关键变量的持续覆盖[3] - 涵盖A股公告跟踪、市场异动扫描、研报摘要提取、自选股预警、上游价格监测[3] - 涵盖城投风险和可转债风险的实时信号捕捉[3] - 分析层：由cn-industry-chain-tracker、corporate-research与cn-backtest-plus构成，承接监控层输出的信号并转化为可落地的研究判断[3] - 分别支持产业链穿透追踪、个股深度研究与量化策略回测[3] - 输出层：以cn-report-builder自动生成结构化研究报告[3] - 任务协调：通过skill-orchestrator协调跨层任务的编排与协作，将各环节成果整合为完整的投研交付物[3] 报告内容展开框架 - 报告内容按四个递进层次展开：配置与模型选择、手机接入、自建投研Skill体系、如何创建skill和让OpenClaw运行并调用多个编程工具编排[4]