大模型时代，知识的获取变得容易，但是个人很容易淹没在大模型输出的海量知识中，学习效率反而降低。为了高效找到所需要的知识，人类仍需要不断积累知识，转换成为自己的经验，不妨称之为 元知识。这样，在面对具体问题时，就能根据元知识快速判断需要哪些具体的知识，并从大模型获取。总之， 知识的重要性降低，但是元知识变得非常重要。下面，以OpenClaw采集股票实时行情数据为例，介绍这一个思路。总之，人类不能被网上所说的大模型时代知识不值钱的论调所迷惑，而自废知识学习能力。

让OpenClaw获取某个股票的实时信息，它会从腾讯财经上快速获得，可见大模型已经掌握了腾讯财经上关于股票行情的请求方法。下面，我换一个来源，指定它从新浪财经获取股票实时数据。它先后尝试了五个方法，但最终都没能从新浪财经获取到数据。以下是其中三次尝试，试图改变User-Agent和网址，但都没有成功。

所有的尝试都没有成功，白浪费了tokens和Money，大模型的账单很快就来了。

在这种情况下，需要人类介入，需要人类的专业知识。否则基于OpenClaw和大模型之间的 纠错和试错机制，花再多的tokens，也无法解决问题。

以下是人类：通过浏览器的开发者工具很容易找到新浪的URL。

从爬虫检测的角度看，使用User-Agent的特征所需要付出的代价比较小，但是容易被爬虫端随意修改，正如OpenClaw所尝试的，首先想到的也是修改User-Agent，但 在对抗中，大家都能想到的东西是没有用的。所以加入另一个简易特征Referer，发现是可行的。

基于这个经验知识和试验结果，我们可以让OpenClaw制作一个Skill（sina-skill），规定它HTTP请求头的写法，即可。正是人类（我）具备爬虫对抗、分析浏览器请求和判断特征代价的经验知识，才可以利用这种知识避免龙虾走弯路，减少token消耗，所以知识，特别是元知识是值钱的。

感谢新浪提供查询API，建议适当增强反爬虫措施。