Home
Blog
Я создал агента для мониторинга акций с помощью OpenClaw, Exa и Milvus за 20 долларов в месяц

Я создал агента для мониторинга акций с помощью OpenClaw, Exa и Milvus за 20 долларов в месяц

Tutorials

March 13, 2026

Cheney Zhang

Я торгую американскими акциями на стороне, что означает, что я теряю деньги в качестве хобби. Мои коллеги шутят, что моя стратегия - "покупай на волнении, продавай на страхе, повторяй еженедельно".

Повторение - это то, что меня убивает. Каждый раз, когда я смотрю на рынок, я в итоге совершаю сделку, которую не планировал. Нефть скачет, я панически продаю. Одна технологическая акция взлетает на 4%, и я гонюсь за ней. Неделю спустя я просматриваю историю своих сделок и думаю: а не сделал ли я точно так же в прошлом квартале?

Поэтому я создал агента с OpenClaw, который следит за рынком вместо меня и не дает мне совершать те же ошибки. Он не торгует и не трогает мои деньги, потому что это было бы слишком большим риском для безопасности. Вместо этого он экономит мое время, потраченное на наблюдение за рынком, и не дает мне совершить те же ошибки.

Этот агент состоит из трех частей и стоит около 20 долларов в месяц:

OpenClaw для управления всем этим на автопилоте. OpenClaw запускает агента на 30-минутном пульсе и пингует меня только тогда, когда что-то действительно важно, что избавляет меня от FOMO, из-за которого я раньше не отрывался от экрана. Раньше, чем больше я следил за ценами, тем чаще реагировал на них импульсивно.
Exa для точного поиска в режиме реального времени. Exa просматривает и обобщает отобранные вручную источники информации по расписанию, поэтому каждое утро я получаю чистую сводку. Раньше я тратил час в день, просеивая SEO-спам и спекуляции, чтобы найти достоверные новости - и это невозможно было автоматизировать, потому что финансовые сайты обновляются ежедневно, чтобы бороться со скреперами.
Milvus для личной истории и предпочтений. Milvus хранит историю моих сделок, и агент просматривает ее перед принятием решения - если я собираюсь повторить что-то, о чем уже пожалел, он сообщает мне об этом. Раньше просматривать прошлые сделки было достаточно утомительно, и я просто не делал этого, поэтому одни и те же ошибки повторялись с разными тикерами. Zilliz Cloud - это полностью управляемая версия Milvus. Если вы хотите работать без лишних хлопот, Zilliz Cloud - отличный вариант(есть бесплатный уровень).

Вот как я его настраивал, шаг за шагом.

Шаг 1: Получите информацию о рынке в режиме реального времени с помощью Exa

До этого я пробовал пользоваться финансовыми приложениями, писал скребки и обращался к профессиональным терминалам данных. Что я получил? Приложения скрывали сигнал под шумом, скреперы постоянно ломались, а профессиональные API были непомерно дороги. Exa - это поисковый API, созданный для агентов искусственного интеллекта, который решает все вышеперечисленные проблемы.

Exa - это API веб-поиска, который возвращает структурированные, готовые для ИИ данные для ИИ-агентов. Он работает на базе Zilliz Cloud (полностью управляемый сервис компании Milvus). Если Perplexity - это поисковая система, используемая людьми, то Exa используется ИИ. Агент отправляет запрос, и Exa возвращает текст статьи, ключевые предложения и резюме в формате JSON - структурированный вывод, который агент может анализировать и действовать напрямую, без необходимости скрапинга.

Exa также использует семантический поиск, поэтому агент может делать запросы на естественном языке. Запрос типа "Почему акции NVIDIA упали, несмотря на сильную прибыль за 4 квартал 2026 года" выдает аналитические данные от Reuters и Bloomberg, а не страницу SEO-кликбейта.

У Exa есть бесплатный уровень - 1 000 поисковых запросов в месяц, чего более чем достаточно для начала работы. Чтобы продолжить работу, установите SDK и введите свой собственный API-ключ:

pip install exa-py

Вот основной вызов:

from exa_py import Exa
exa = Exa(api_key=“your-api-key”)
# Semantic search — describe what you want in plain language
result = exa.search(
“Why did NVIDIA stock drop despite strong Q4 2026 earnings”,
type=“neural”,          # semantic search, not keyword
num_results=10,
start_published_date=“2026-02-25”,   # only search for latest information
contents={
“text”: {“max_characters”: 3000},       # get full article text
“highlights”: {“num_sentences”: 3},     # key sentences
“summary”: {“query”: “What caused the stock drop?”}  # AI summary
}
)
for r in result.results:
print(f"[{r.published_date}] {r.title}")
print(f"  Summary: {r.summary}")
print(f"  URL: {r.url}\n")

Параметр contents делает большую часть работы: text выводит полный текст статьи, highlights извлекает ключевые предложения, а summary генерирует сфокусированное резюме на основе заданного вами вопроса. Один вызов API заменяет двадцать минут переходов по вкладкам.

Этот базовый шаблон охватывает многое, но в итоге я создал четыре вариации, чтобы справиться с различными ситуациями, с которыми я регулярно сталкиваюсь:

Фильтрация по достоверности источника. Для анализа доходов мне нужны только Reuters, Bloomberg или Wall Street Journal - а не контент-фермы, переписывающие свои отчеты двенадцать часов спустя.

# Only financial reports from trusted sources
earnings = exa.search(
    "NVIDIA Q4 2026 earnings analysis",
    category="financial report",
    num_results=5,
    include_domains=["reuters.com", "bloomberg.com", "wsj.com"],
    contents={"highlights": True}
)

Поиск похожих аналитических материалов. Когда я читаю одну хорошую статью, мне нужны другие точки зрения на ту же тему без необходимости искать их вручную.

# "Show me more analysis like this one"
similar = exa.find_similar(
    url="https://fortune.com/2026/02/25/nvidia-nvda-earnings-q4-results",
    num_results=10,
    start_published_date="2026-02-20",
    contents={"text": {"max_characters": 2000}}
)

Глубокий поиск по сложным вопросам. На некоторые вопросы невозможно ответить в одной статье - например, как напряженность на Ближнем Востоке влияет на цепочки поставок полупроводников. Глубокий поиск синтезирует информацию из нескольких источников и возвращает структурированные резюме.

# Complex question — needs multi-source synthesis
deep_result = exa.search(
    "How will Middle East tensions affect global tech supply chain and semiconductor stocks",
    type="deep",
    num_results=8,
    contents={
        "summary": {
            "query": "Extract: 1) supply chain risk 2) stock impact 3) timeline"
        }
    }
)

Мониторинг новостей в режиме реального времени. В часы работы рынка мне нужны срочные новости, отфильтрованные только на текущий день.

# Breaking news only — today' iss date 2026-03-05
breaking = exa.search(
    "US stock market breaking news today",
    category="news",
    num_results=20,
    start_published_date="2026-03-05",
    contents={"highlights": {"num_sentences": 2}}
)

Я написал около дюжины шаблонов с использованием этих шаблонов, охватывающих политику ФРС, доходы технологических компаний, цены на нефть и макропоказатели. Они запускаются автоматически каждое утро и отправляют результаты на мой телефон. То, что раньше занимало час просмотра, теперь занимает пять минут чтения сводок за чашкой кофе.

Шаг 2: Храните историю торговли в Milvus для принятия более разумных решений

Exa решила мою проблему с информацией. Но я все равно повторял одни и те же сделки - панически продавал акции на спадах, которые восстанавливались в течение нескольких дней, и гнался за импульсом в акциях, которые уже были переоценены. Я действовал на эмоциях, сожалел об этом и забывал урок к тому времени, когда возникала похожая ситуация.

Мне нужна была личная база знаний: что-то, что могло бы хранить мои прошлые сделки, мои рассуждения и мои ошибки. Не то, что я должен был бы просматривать вручную (я пробовал это делать, но так и не смог), а то, что агент мог бы искать самостоятельно при возникновении похожей ситуации. Если я собираюсь повторить ошибку, я хочу, чтобы агент сообщил мне об этом до того, как я нажму на кнопку". Сопоставление "текущей ситуации" с "прошлым опытом" - это проблема поиска сходства, которую решают векторные базы данных, поэтому я выбрал одну из них для хранения своих данных.

Я использовал Milvus Lite, облегченную версию Milvus, которая запускается локально. Она не требует установки сервера и идеально подходит для создания прототипов и экспериментов. Я разделил свои данные на три коллекции. Размерность встраивания составляет 1536, чтобы соответствовать модели OpenAI text-embedding-3-small, которую можно использовать напрямую:

from pymilvus import MilvusClient, DataType
from openai import OpenAI
milvus = MilvusClient(“./my_investment_brain.db”)
llm = OpenAI()
def embed(text: str) -> list[float]:
return llm.embeddings.create(
input=text, model=“text-embedding-3-small”
).data[0].embedding
# Collection 1: past decisions and lessons
# Every trade I make, I write a short review afterward
milvus.create_collection(
“decisions”,
dimension=1536,
auto_id=True
)
# Collection 2: my preferences and biases
# Things like “I tend to hold tech stocks too long”
milvus.create_collection(
“preferences”,
dimension=1536,
auto_id=True
)
# Collection 3: market patterns I’ve observed
# “When VIX > 30 and Fed is dovish, buy the dip usually works”
milvus.create_collection(
“patterns”,
dimension=1536,
auto_id=True
)

Три коллекции соответствуют трем типам персональных данных, каждый из которых имеет свою стратегию поиска:

Тип	Что хранится	Как агент ее использует
Предпочтения	Пристрастия, толерантность к риску, философия инвестирования ("Я склонен слишком долго держать акции технологических компаний").	Загружается в контекст агента при каждом запуске.
Решения и шаблоны	Конкретные сделки в прошлом, извлеченные уроки, наблюдения за рынком	Извлекаются через поиск по сходству только при возникновении соответствующей ситуации
Внешние знания	Исследовательские отчеты, документы Комиссии по ценным бумагам и биржам, публичные данные.	Не хранятся в Milvus - поиск возможен через Exa

Я создал три разные коллекции, потому что смешивать их в одной коллекции означало либо раздувать каждую подсказку нерелевантной историей торговли, либо терять основные предубеждения, если они недостаточно точно соответствуют текущему запросу.

После того как коллекции были созданы, мне понадобился способ их автоматического наполнения. Я не хотел копировать-вставлять информацию после каждого разговора с агентом, поэтому я создал экстрактор памяти, который запускается в конце каждой сессии чата.

Экстрактор делает две вещи: извлекает и дедуплицирует. Экстрактор просит LLM извлечь из разговора структурированные сведения - решения, предпочтения, шаблоны, уроки - и направляет каждую из них в нужную коллекцию. Прежде чем сохранить что-либо, он проверяет сходство с тем, что уже есть. Если новый инсайт более чем на 92 % похож на уже существующую запись, он пропускается.

import json
def extract_and_store_memories(conversation: list[dict]) -> int:
“"”
After each chat session, extract personal insights
and store them in Milvus automatically.
“"”
# Ask LLM to extract structured memories from conversation
extraction_prompt = “"”
Analyze this conversation and extract any personal investment insights.
Look for:
1. DECISIONS: specific buy/sell actions and reasoning
2. PREFERENCES: risk tolerance, sector biases, holding patterns
3. PATTERNS: market observations, correlations the user noticed
4. LESSONS: things the user learned or mistakes they reflected on
Return a JSON array. Each item has:
- &quot;type&quot;: one of &quot;decision&quot;, &quot;preference&quot;, &quot;pattern&quot;, &quot;lesson&quot;
- &quot;content&quot;: the insight in 2-3 sentences
- &quot;confidence&quot;: how explicitly the user stated this (high/medium/low)

Only extract what the user clearly expressed. Do not infer or guess.
If nothing relevant, return an empty array.
&quot;&quot;&quot;</span>

response = llm.chat.completions.create(
    model=<span class="hljs-string">&quot;gpt-4o&quot;</span>,
    messages=[
        {<span class="hljs-string">&quot;role&quot;</span>: <span class="hljs-string">&quot;system&quot;</span>, <span class="hljs-string">&quot;content&quot;</span>: extraction_prompt},
        *conversation
    ],
    response_format={<span class="hljs-string">&quot;type&quot;</span>: <span class="hljs-string">&quot;json_object&quot;</span>}
)

memories = json.loads(response.choices[<span class="hljs-number">0</span>].message.content)
stored = <span class="hljs-number">0</span>

<span class="hljs-keyword">for</span> mem <span class="hljs-keyword">in</span> memories.get(<span class="hljs-string">&quot;items&quot;</span>, []):
    <span class="hljs-keyword">if</span> mem[<span class="hljs-string">&quot;confidence&quot;</span>] == <span class="hljs-string">&quot;low&quot;</span>:
        <span class="hljs-keyword">continue</span>    <span class="hljs-comment"># skip uncertain inferences</span>

    collection = {
        <span class="hljs-string">&quot;decision&quot;</span>: <span class="hljs-string">&quot;decisions&quot;</span>,
        <span class="hljs-string">&quot;lesson&quot;</span>: <span class="hljs-string">&quot;decisions&quot;</span>,
        <span class="hljs-string">&quot;preference&quot;</span>: <span class="hljs-string">&quot;preferences&quot;</span>,
        <span class="hljs-string">&quot;pattern&quot;</span>: <span class="hljs-string">&quot;patterns&quot;</span>
    }.get(mem[<span class="hljs-string">&quot;type&quot;</span>], <span class="hljs-string">&quot;decisions&quot;</span>)

    <span class="hljs-comment"># Check for duplicates — don&#x27;t store the same insight twice</span>
    existing = milvus.search(
        collection,
        data=[embed(mem[<span class="hljs-string">&quot;content&quot;</span>])],
        limit=<span class="hljs-number">1</span>,
        output_fields=[<span class="hljs-string">&quot;text&quot;</span>]
    )

    <span class="hljs-keyword">if</span> existing[<span class="hljs-number">0</span>] <span class="hljs-keyword">and</span> existing[<span class="hljs-number">0</span>][<span class="hljs-number">0</span>][<span class="hljs-string">&quot;distance&quot;</span>] &gt; <span class="hljs-number">0.92</span>:
        <span class="hljs-keyword">continue</span>    <span class="hljs-comment"># too similar to existing memory, skip</span>

    milvus.insert(collection, [{
        <span class="hljs-string">&quot;vector&quot;</span>: embed(mem[<span class="hljs-string">&quot;content&quot;</span>]),
        <span class="hljs-string">&quot;text&quot;</span>: mem[<span class="hljs-string">&quot;content&quot;</span>],
        <span class="hljs-string">&quot;type&quot;</span>: mem[<span class="hljs-string">&quot;type&quot;</span>],
        <span class="hljs-string">&quot;source&quot;</span>: <span class="hljs-string">&quot;chat_extraction&quot;</span>,
        <span class="hljs-string">&quot;date&quot;</span>: <span class="hljs-string">&quot;2026-03-05&quot;</span>
    }])
    stored += <span class="hljs-number">1</span>

<span class="hljs-keyword">return</span> stored

Когда я сталкиваюсь с новой ситуацией на рынке и появляется желание поторговать, агент запускает функцию напоминания. Я описываю происходящее, и он ищет во всех трех коллекциях соответствующую историю:

def recall_my_experience(situation: str) -> dict:
    """
    Given a current market situation, retrieve my relevant
    past experiences, preferences, and observed patterns.
    """
    query_vec = embed(situation)
<span class="hljs-comment"># Search all three collections in parallel</span>
past_decisions = milvus.search(
    <span class="hljs-string">&quot;decisions&quot;</span>, data=[query_vec], limit=<span class="hljs-number">3</span>,
    output_fields=[<span class="hljs-string">&quot;text&quot;</span>, <span class="hljs-string">&quot;date&quot;</span>, <span class="hljs-string">&quot;tag&quot;</span>]
)
my_preferences = milvus.search(
    <span class="hljs-string">&quot;preferences&quot;</span>, data=[query_vec], limit=<span class="hljs-number">2</span>,
    output_fields=[<span class="hljs-string">&quot;text&quot;</span>, <span class="hljs-string">&quot;type&quot;</span>]
)
my_patterns = milvus.search(
    <span class="hljs-string">&quot;patterns&quot;</span>, data=[query_vec], limit=<span class="hljs-number">2</span>,
    output_fields=[<span class="hljs-string">&quot;text&quot;</span>]
)

<span class="hljs-keyword">return</span> {
    <span class="hljs-string">&quot;past_decisions&quot;</span>: [h[<span class="hljs-string">&quot;entity&quot;</span>] <span class="hljs-keyword">for</span> h <span class="hljs-keyword">in</span> past_decisions[<span class="hljs-number">0</span>]],
    <span class="hljs-string">&quot;preferences&quot;</span>: [h[<span class="hljs-string">&quot;entity&quot;</span>] <span class="hljs-keyword">for</span> h <span class="hljs-keyword">in</span> my_preferences[<span class="hljs-number">0</span>]],
    <span class="hljs-string">&quot;patterns&quot;</span>: [h[<span class="hljs-string">&quot;entity&quot;</span>] <span class="hljs-keyword">for</span> h <span class="hljs-keyword">in</span> my_patterns[<span class="hljs-number">0</span>]]
}

# When Agent analyzes current tech selloff:
context = recall_my_experience(
“tech stocks dropping 3-4% due to Middle East tensions, March 2026”
)
# context now contains:
# - My 2024-10 lesson about not panic-selling during ME crisis
# - My preference: “I tend to overweight geopolitical risk”
# - My pattern: “tech selloffs from geopolitics recover in 1-3 weeks”

Например, когда в начале марта акции технологических компаний упали на 3-4 % на фоне напряженности на Ближнем Востоке, агент нашел три вещи: урок из октября 2024 года о том, что не следует панически продавать во время геополитических спадов, заметку о том, что я склонен перевешивать геополитический риск, и закономерность, которую я зафиксировал (спады на рынке технологий, вызванные геополитикой, обычно восстанавливаются через одну-три недели).

По мнению моего коллеги: если ваши обучающие данные - это проигрыш, то чему именно учится ИИ? Но в том-то и дело, что агент не копирует мои сделки, а запоминает их, чтобы потом отговорить меня от следующей.

Шаг 3: Научите агента анализировать с помощью OpenClaw Skills

На данном этапе агент располагает достоверной информацией(Exa) и личной памятью(Milvus). Но если вы дадите LLM в руки и скажете: "Проанализируй это", то получите общий, хеджирующий все ответ. В нем упоминаются все возможные аспекты, а в заключение говорится: "Инвесторы должны взвесить риски". С таким же успехом можно было ничего не говорить.

Выход - написать собственную аналитическую схему и дать ее агенту в виде четких инструкций. Вы должны указать ему, какие показатели вас волнуют, какие ситуации вы считаете опасными и когда следует быть консервативным, а не агрессивным. Для каждого инвестора эти правила свои, поэтому вы должны определить их сами.

OpenClaw делает это с помощью Skills - уцененных файлов в директории skills/. Когда агент сталкивается с соответствующей ситуацией, он загружает соответствующий навык и следует вашим правилам вместо того, чтобы действовать свободно.

Вот один из них, который я написал для оценки акций после отчета о прибылях:

---
name: post-earnings-eval
description: >
  Evaluate whether to buy, hold, or sell after an earnings report.
  Trigger when discussing any stock's post-earnings price action,
  or when a watchlist stock reports earnings.
---
Post-Earnings Evaluation Framework
When analyzing a stock after earnings release:
Step 1: Get the facts
Use Exa to search for:

Actual vs expected: revenue, EPS, forward guidance
Analyst reactions from top-tier sources
Options market implied move vs actual move

Step 2: Check my history
Use Milvus recall to find:

Have I traded this stock after earnings before?
What did I get right or wrong last time?
Do I have a known bias about this sector?

Step 3: Apply my rules

If revenue beat > 5% AND guidance raised → lean BUY
If stock drops > 5% on a beat → likely sentiment/macro driven

Check: is the drop about THIS company or the whole market?
Check my history: did I overreact to similar drops before?

If P/E > 2x sector average after beat → caution, priced for perfection

Step 4: Output format
Signal: BUY / HOLD / SELL / WAIT
Confidence: High / Medium / Low
Reasoning: 3 bullets max
Past mistake reminder: what I got wrong in similar situations
IMPORTANT: Always surface my past mistakes. I have a tendency to
let fear override data. If my Milvus history shows I regretted
selling after a dip, say so explicitly.

Последняя строка - самая важная: "Всегда вспоминайте свои прошлые ошибки. У меня есть тенденция позволять страху преобладать над данными. Если моя история Milvus показывает, что я пожалел о продаже после падения, скажите об этом прямо". Это я говорю агенту, где именно я ошибаюсь, чтобы он знал, когда нужно дать отпор. Если вы создадите собственную систему, то именно эту часть вы будете настраивать в соответствии со своими предубеждениями.

Я написал похожие навыки для анализа настроений, макроиндикаторов и сигналов о ротации секторов. Я также написал навыки, моделирующие, как инвесторы, которыми я восхищаюсь, оценили бы ту же ситуацию - стоимостную структуру Баффета, макроподход Bridgewater. Это не способы принятия решений, а дополнительные перспективы.

Предупреждение: не позволяйте LLM рассчитывать технические индикаторы вроде RSI или MACD. Они уверенно галлюцинируют цифрами. Вычисляйте их сами или вызывайте специальный API, а результаты вводите в скилл в качестве входных данных.

Шаг 4: Запустите агента с помощью OpenClaw Heartbeat

Все, что описано выше, по-прежнему требует запуска вручную. Если вам придется открывать терминал каждый раз, когда вы захотите получить обновление, вы практически вернетесь к тому, чтобы снова прокручивать брокерское приложение во время совещаний.

Механизм Heartbeat в OpenClaw решает эту проблему. Шлюз пингует агента каждые 30 минут (настраивается), и агент проверяет файл HEARTBEAT.md, чтобы решить, что делать в этот момент. Это файл в формате markdown с правилами, основанными на времени:

# HEARTBEAT.md — runs every 30 minutes automatically
## Morning brief (6:30-7:30 AM only)

Use Exa to search overnight US market news, Asian markets, oil prices
Search Milvus for my current positions and relevant past experiences
Generate a personalized morning brief (under 500 words)
Flag anything related to my past mistakes or current holdings
End with 1-3 action items
Send the brief to my phone

Price alerts (during US market hours 9:30 AM - 4:00 PM ET)

Check price changes for: NVDA, TSM, MSFT, AAPL, GOOGL
If any stock moved more than 3% since last check:

Search Milvus for: why I hold this stock, my exit criteria
Generate alert with context and recommendation
Send alert to my phone


End of day summary (after 4:30 PM ET on weekdays)
Summarize today’s market action for my watchlist
Compare actual moves with my morning expectations
Note any new patterns worth remembering

Результаты: Меньше экранного времени, меньше импульсивных сделок

Вот что на самом деле производит система изо дня в день:

Утренняя сводка (7:00 утра). Агент запускает Exa на ночь, извлекает мои позиции и соответствующую историю из Milvus и отправляет на мой телефон персонализированное резюме - не более 500 слов. Что произошло за ночь, как это связано с моими активами и от одного до трех пунктов действий. Я читаю его, пока чищу зубы.
Внутридневные оповещения (9:30 утра - 4:00 вечера по восточному времени). Каждые 30 минут агент проверяет мой список. Если какая-либо акция двигается более чем на 3 %, я получаю уведомление с пояснениями: почему я ее купил, где находится мой стоп-лосс и был ли я в подобной ситуации раньше.
Еженедельный обзор (по выходным). Агент собирает информацию за всю неделю - движения рынка, их сравнение с моими утренними ожиданиями и закономерности, которые стоит запомнить. В субботу я трачу 30 минут на его чтение. В остальные дни недели я намеренно не подхожу к экрану.

Последний пункт - самое большое изменение. Агент не только экономит время, но и освобождает меня от необходимости следить за рынком. Вы не можете панически продавать, если не смотрите на цены.

До появления этой системы я тратил 10-15 часов в неделю на сбор информации, мониторинг рынка и анализ сделок, разбрасываясь по встречам, поездкам на работу и прокручивая страницы поздно вечером. Теперь это около двух часов: пять минут на утренний брифинг каждый день, плюс 30 минут на обзор в выходные.

Качество информации также стало лучше. Я читаю сводки от Reuters и Bloomberg, а не то, что попало на вирусную страницу в Twitter. А благодаря тому, что агент вспоминает мои прошлые ошибки каждый раз, когда у меня возникает соблазн действовать, я значительно сократил количество своих импульсивных сделок. Пока я не могу доказать, что это сделало меня лучшим инвестором, но это сделало меня менее безрассудным.

Общие расходы: 10 долларов в месяц за OpenClaw, 10 долларов в месяц за Exa и немного электроэнергии для поддержания работы Milvus Lite.

Заключение

Я продолжал совершать одни и те же импульсивные сделки, потому что у меня была плохая информация, я редко просматривал свою историю, а смотреть на рынок весь день - еще хуже. Поэтому я создал ИИ-агент, который решает эти проблемы, делая три вещи:

Собирает достоверные рыночные новости с помощью Exa, заменяя час пролистывания SEO-спама и платных сайтов.
Запоминает мои прошлые сделки с помощью Milvus и предупреждает меня, когда я собираюсь повторить ошибку, о которой уже пожалел.
Работает на автопилоте с OpenClaw и пингует меня только тогда, когда что-то действительно важно.

Общая стоимость: 20 долларов в месяц. Агент не торгует и не трогает мои деньги.

Самым большим изменением стали не данные или оповещения. Дело в том, что я перестал следить за рынком. В прошлую среду я совсем забыл о нем, чего никогда не случалось за годы моей торговли. Я все еще иногда теряю деньги, но гораздо реже, и я снова наслаждаюсь своими выходными. Мои коллеги еще не поняли эту шутку, но дайте им время.

На создание агента также ушло всего два выходных. Год назад для такой же настройки пришлось бы писать планировщики, конвейеры уведомлений и управление памятью с нуля. С OpenClaw большая часть этого времени ушла на уточнение моих собственных торговых правил, а не на написание инфраструктуры.

А после того, как вы построили систему для одного варианта использования, архитектура становится переносимой. Поменяйте местами шаблоны поиска Exa и навыки OpenClaw, и вы получите агента, который следит за исследовательскими работами, отслеживает конкурентов, следит за изменениями в законодательстве или следит за нарушениями в цепочке поставок.

Если вы хотите попробовать:

Milvus quickstart - запустите локальную базу данных векторов менее чем за пять минут.
ДокументацияOpenClaw - настройка вашего первого агента с помощью Skills и Heartbeat
Exa API - 1 000 бесплатных поисков в месяц для начала.

Есть вопросы, нужна помощь в отладке или просто хотите похвастаться тем, что вы создали? Присоединяйтесь к Slack-каналу Milvus - это самый быстрый способ получить помощь как от сообщества, так и от команды. А если вы предпочитаете обсудить свою настройку один на один, запишитесь на 20-минутную встречу в Milvus.