⚠️ 先叠个甲：股市有风险，投资需谨慎。本帖仅为个人技术折腾记录与思路分享，不构成任何投资建议。请根据自身风险承受能力理性操作。
一、硬件配置
- 主机：铭凡 N5 迷你主机
- CPU/内存：R7 255 / 48GB 内存
- 存储：固态硬盘（SSD）
- 系统：飞牛OS（FNOS）
二、使用的核心工具
- 飞牛 Docker：系统自带，作为容器运行环境。
- 阿里巴巴 copaw(已改名qwenpaw)：镜像源地址
agentscope/qwenpaw
- LinuxServer Webtop：容器内运行的 Ubuntu + XFCE 桌面环境，镜像源
ghcr.io/linuxserver/webtop
- 富途牛牛 (Opend)：国内已暂停个人注册，本帖仅展示连接与调用方案。
三、整体架构思路
基于飞牛 Docker，并行部署 qwenpaw 与 LinuxServer(Ubuntu) 两个容器。将富途 Opend 安装在 LinuxServer 容器内部，然后通过 Copaw 建立加密连接至 Opend 的指定端口。最终实现：在 qwenpaw 中编写量化策略 → 调用 Opend API 执行交易，完成一套轻量级的 AI 辅助量化流程。
四、详细部署步骤
1. 拉取 qwenpaw 镜像
在飞牛 Docker 的本地镜像中直接拉取阿里巴巴的 qwenpaw 源。整体操作逻辑与 OpenClaw 大同小异，qwenpaw 也兼容 OpenClaw 的大部分技能。官方说明称两者底层架构不同，但个人体验下来，感觉 qwenpaw 像是给 OpenClaw 套了一层抽象层或封装外壳。选择 Docker 部署主要是因为方便、隔离性好、风险低，在容器里随便折腾，不影响宿主机。我之前在腾讯云轻量服务器里也跑过 OpenClaw，效果不错，但命令行敲起来确实没 Web 界面舒服。
2. 部署 LinuxServer 容器（替代虚拟机方案）
Opend 强依赖桌面级 Linux 环境。我最初尝试在飞牛 OS 里开虚拟机，装了 Win11，划分 300GB 硬盘 + 8GB 内存，里面安装了腾讯的 QClaw + 富途 Opend。部署完让 QClaw 直接自检，确实能跑通。但缺点很明显：QClaw 目前只能挂载一个 Agent，个人版 Workbuddy里感觉 Claw 和新建任务的 Agent 既不是同一个又存在关联，最主要是虚拟机太吃资源，开机就吃掉 7GB+ 内存，铭凡 N5 跑起来有些吃力。
后来我问了一圈 AI，还真找到了 Docker 版的“容器内嵌系统”，就是 LinuxServer。它能在容器里跑带 XFCE 桌面的 Ubuntu，富途官方也有对应版本，完美匹配。直接 Docker 拉取镜像即可，资源占用大幅降低。
3. 配置 qwenpaw Agent 与技能
在 qwenpaw 中新建一个专属 Agent，设定一份专属身份/角色（如量化交易员）。给它安装 Opend 的 Skill，然后把 Opend 的官方 API 文档和网页链接喂给模型，让 AI 自行学习如何通过 API 建立加密链接与券商系统通信。
4. 安装 Opend 与密钥配置
在 LinuxServer 容器内部安装 Opend。这里比较尴尬的是，系统版本偏高，Opend 对于20版本以上似乎兼容有问题，只能用命令行手动解包、再敲代码运行。我 Linux 基础一般，只能边查文档边试错，折腾一通总算跑起来了。
接下来是密钥配置。LinuxServer 容器和 qwenpaw 容器是隔离的，需要先在 LinuxServer 的容器设置中映射 Opend 的端口，并填入券商 API 密钥；同时在 qwenpaw 的 Agent 配置里也填入对应密钥。配置完成后，Agent 通过 Skill 就能稳定连接 Opend。此时智能体已具备查询行情、下单买卖、设定交易策略的能力。严格来说这是一套简化版的量化系统，受限于券商 API 访问频率限制，做不到机构那种毫秒级高频交易，但用于辅助决策、简化重复操作流、执行预设策略，日常已经非常够用了,而且可以对自己的交易模型进行回测，还算有用。
五、踩坑记录与使用心得
-
copaw 的“欢迎仪式”小 Bug
第一次初始化 Agent 时，系统本应像 OpenClaw 一样弹出一段简短的欢迎语，自动生成后欢迎文件会自动删除，同时给默认智能体写入“灵魂”配置。我重装了好几次，有时有有时没有。没有的话就得手动让 Agent 自己写一遍，影响不大但多了一步。系统自带默认 Agent 和维修型 Agent，我额外新建了一个专门用于金融交易的垂直 Agent。另外，Copaw 支持技能池管理，可以把技能安装到池中按需调用，这点挺方便。
-
AI 的“服从性”依赖文档
不管是大模型还是智能体，脑子毕竟没有人类灵活。包括 OpenClaw 也一样，必须把官方文档喂给它，严格按文档指引配置，否则 AI 很容易瞎改参数。文档就是它的操作手册，不能偷懒。
-
存储卷与密钥保存位置
qwenpaw 容器配置时有三个存储挂载点，近期更新多了一个backups。time的是为了对时区用的，要不然默认就是美国时区，API 密钥实际会保存在 secret 文件中，虽然本质还是明文存储，但放在独立挂载目录里，管理起来感觉更规范些。
-
LinuxServer 的端口冲突与环境折腾
LinuxServer 默认配置目录是 /config，占用 3000 和 3001 端口。因为 OpenWebUI 默认也是 3000，所以我把 LinuxServer 的端口映射改成了 3002 和 3003。进入系统后是纯英文界面，我找了一圈没找到换中文的设置，不过影响不大，敲命令照样操作。自带的 Chrome 浏览器偶尔有起不来的 Bug，安装完 Opend 后运行比较**：不能直接双击图标，必须手动解包后通过命令行启动。我回头又翻了翻，似乎需要下载旧版安装包才能支持双击 GUI 运行，后续再测试。
-
大模型的选择与订阅方案
qwenpaw 默认内置了阿里专供的模型，我没深入测试，日常简单问答够用，但复杂逻辑推理估计吃力,而且只能使用cpu进行推理。系统也支持接入 Ollama，配置方式和 WebUI 一样，填 IP 和端口就能自动识别。我个人使用的 API 订阅，因为铭凡 N5 本地跑大模型实在太费劲，显存和算力都吃紧，云端调用更省心。
-
OpenClaw vs qwenpaw 的使用倾向
我折腾 OpenClaw 有一段时间了，它也有 Docker 版。最初就是在 TUI（终端）里敲命令，没接触过 Web 界面。后来搭好 WebUI 试用过一次，体验确实不错。但最终我还是选了 qwenpaw 先凑合用着，后续如果体验不如预期，随时可以切换或对比。
-
关于 Agent 记忆力的行业观察
最近 Claude Code 开源，里面重点提到了“循环记忆（Circular Memory）”机制，社区评价非常高。当前 Agent 系统普遍存在的痛点就是“记不住上下文/历史操作”，需要反复提示。估计这个方向很快会被各家厂商跟进，集成到 Agent 框架中。到时候交易策略的连贯性和容错率应该会大幅提升。
六、写在最后
这套方案本质是**“Docker 环境隔离 + AI Agent 策略编排 + 券商 API 自动化执行”**的轻量级落地。适合想体验 AI 辅助交易、但又不想碰复杂编程框架或高频交易硬件的普通玩家。硬件要求不高，云端订阅api的情况下铭凡 N5 + 16GB内存其实完全能跑通。后续我会继续测试不同模型的推理表现，以及优化多 Agent 协作流，有进展再更新。
4月26日更新
目前copaw已经更名为qwenpaw，在记忆方面有明显的改善，阿里每次更新都会对记忆功能进行修改，通过向量检索，也确实能够更好的检索到原来对话过的内容，相当不错，对话过程中智能体甚至会引用前面说的话，按照更新说明可以跨对话检索，不过我还没试。然后linuxserver也因为资源占用较多，被我停用了，最主要的问题是测试了好久发现富途的opend不是特别兼容ubuntu的24版本，开启软件之后大概几个小时就会自动退出，opend似乎对ubuntu的20版本以上的似乎兼容性不太好，所以直接下了一个最小化的ubuntu20.04，在终端中使用命令运行，资源占用不到100m，100小时无错误，非常不错。可以让智能体长期观察仓位情况。
注：总体来说没啥用，测试了好多交易模型，该赔钱还是赔钱。
2026-4-2 15:37:47
