本地大模型应用场景
　　OpenClaw在默认配置下优先使用在线大模型，但架构原生支持本地大模型私有化部署。
　　在线商业大模型的能力通常高于本地开源模型，但在特定场景下本地大模型更加适用：在线大模型依赖网络，因此在企业内网环境不可用；在线大模型存在数据外发风险，不适用于企业核心机密应用场景，例如核心量化策略代码开发。
　　选择大模型
　　我们使用qwen3.6:35b和qwen3.6:27b作为本次测试的主力本地模型。qwen3.6:35b是MoE架构的稀疏模型，总参数35b，但每次推理只激活其中3b的参数。
　　qwen3.6:27b是稠密架构模型，每次处理任务时270亿参数会全部参与计算。
　　选择数据源
　　配置数据源主流方式有两种：本地SQL数据库、在线API接口。本地SQL数据库在速度、数据自主可控等场景上优于在线API接口；并且SQL语言是大模型最擅长理解的语言，通用性和准确性上显著优于API方式。
　　PB-ROE选股策略
　　我们使用OpenClaw机器人辅助完成PB-ROE选股策略开发，研究目标主要在于评估机器人的能力，以及在策略开发过程中的作用，而不是投资策略本身。
　　OpenClaw机器人最终完成了从单期选股，到多期选股，再到策略优化的全部任务流程，表现良好。
　　OpenClaw机器人在数据查询、策略理解、代码生成方面的能力较强，可以用于辅助实际工作，但在部分代码处理细节和复杂业务逻辑上还需要人工审核。
　　风险提示
　　量化报告的结论基于历史统计规律，当历史规律发生改变时，报告中的模型和结论可能失效。
　　人工智能生成的内容可能不准确，仅供参考，使用者应独立判断。