OpenClaw 多智能体团队搭建指南

2026年4月2日 · 阅读需 7 分钟

Allen

为什么要搭建多智能体团队？

很多人第一反应是：把所有能力塞到一个 Agent 里不就行了？

实践中你很快会遇到三个问题：

上下文污染：一个 Agent 的上下文窗口是有限的。把生图模板、投资分析框架、写作风格指南、代码操作说明全塞进同一个上下文，Agent 的注意力会严重分散——让它写文章，它可能不自觉地用上投资分析的术语。

技能冲突：不同场景需要的工具和权限完全不同。开发助手需要 ACP 协议调度 Claude Code，这个权限对写作助手来说完全多余且有安全风险。把所有权限开放给一个 Agent，违反最小权限原则。

人设冲突：投资助手应该严谨、数据驱动；写作助手应该有温度、善于表达；社区助手则可以有趣、善于社交。这些截然不同的"性格"很难在一个 Agent 身上和谐共存。

结论：专精胜于全能，隔离优于共享。就像一个高效团队不是由一个全能的人组成的，而是由若干专家组成的。

一个 Agent 的核心要素

在开始搭建前，先理解一个生产级 Agent 由哪些要素构成：

模型：LLM 是 Agent 的认知引擎，负责语言理解、推理规划和生成输出，决定了 Agent 的"智力天花板"。
记忆：让 Agent 从"无状态的函数"变成"可连续工作的助手"。分为短期记忆（会话上下文）和长期记忆（跨会话知识持久化）。
人设：定义 Agent 的角色、边界、行为准则和沟通风格。同一个问题，"严谨技术顾问"和"友善助手"给你的体验完全不同。
工具：Agent 可调用的外部能力，如代码执行、API 调用、浏览器操控、文件读写。
规划和执行：将复杂任务拆解为可执行步骤序列的能力。
运行环境：安全、隔离的执行环境。

OpenClaw 中 Agent 的具体实现

模型

每个 Agent 可以绑定不同的模型。写作 Agent 可以配擅长聊天的模型（如 openai/gpt-5-4），开发 Agent 配擅长编码的模型（如 anthropic/claude-opus-4-6）。

记忆

每个 Agent 拥有独立的三层记忆：短期记忆（当前会话上下文）、中期记忆（memory/YYYY-MM-DD.md 日记文件）、长期记忆（MEMORY.md，跨会话沉淀的用户偏好和关键决策）。

人设文件

~/.openclaw/workspace-xxx/
├── SOUL.md          # Agent 的灵魂：核心身份和行为准则
├── IDENTITY.md      # Agent 的身份：名字、角色描述等
├── AGENTS.md        # Agent 的工作流程和操作规范
├── USER.md          # 用户信息：你是谁、你的偏好
├── MEMORY.md        # 长期记忆
├── memory/          # 中期记忆
│   └── YYYY-MM-DD.md
└── skills/          # 技能目录
    └── custom-skill/
        └── SKILL.md

每个 Agent 的 Workspace 完全独立，互不干扰。

搭建多智能体团队的三个关键问题

1. 工作环境隔离：谁在哪工作？

为每个 Agent 分配独立的 Workspace，使用向导命令快速创建：

openclaw agents add coding
openclaw agents add social
openclaw agents add research

每个命令会自动创建独立的 workspace（如 .openclaw/workspace-social），并初始化 SOUL.md、AGENTS.md、USER.md 等核心文件。

2. 路由规则：消息发给谁？

在 OpenClaw 配置中，为每个 Bot 创建一个 account，填入对应的 AppId 和 AppSecret：

{
  "channels": {
    "feishu": {
      "enabled": true,
      "domain": "feishu",
      "mediaMaxMb": 30,
      "accounts": {
        "img": {
          "appId": "你的飞书 Bot appId",
          "appSecret": "你的飞书 Bot appSecret",
          "botName": "生图助手"
        }
      },
      "dmPolicy": "pairing"
    }
  }
}

然后为每个 Agent 和 channel account 配置绑定关系：

{
  "bindings": [
    {
      "agentId": "img",
      "match": {
        "channel": "feishu",
        "accountId": "img"
      }
    }
  ]
}

这样，发给"生图助手"飞书 Bot 的消息，就会自动路由到 img 这个 Agent 处理。

3. 通信机制：Agent 之间怎么协作？

当一个 Agent 需要调用另一个 Agent 时，OpenClaw 使用 sessions_spawn 发起调用。这个调用是非阻塞的，发起后当前 Agent 可以继续做自己的事情。

被调用的 Agent 完成任务后，通过 Announce 把结果"广播"回去。出于安全考虑，需要明确声明每个 Agent 允许调用哪些其他 Agent：

{
  "subagents": {
    "allowAgents": ["img", "writer", "news"]
  }
}

一份最小的多 Agent 配置示例

{
  "agents": {
    "list": [
      {
        "id": "main",
        "workspace": "/Users/user/.openclaw/workspace",
        "identity": { "name": "智能总管" },
        "subagents": {
          "allowAgents": ["img"]
        }
      },
      {
        "id": "img",
        "workspace": "/Users/user/.openclaw/workspace-img",
        "identity": { "name": "生图助手" }
      }
    ]
  },
  "bindings": [
    {
      "agentId": "img",
      "match": {
        "channel": "feishu",
        "accountId": "img"
      }
    }
  ],
  "channels": {
    "feishu": {
      "enabled": true,
      "domain": "feishu",
      "mediaMaxMb": 30,
      "accounts": {
        "default": {
          "appId": "xxx",
          "appSecret": "xxx",
          "botName": "智能总管"
        },
        "img": {
          "appId": "xxx",
          "appSecret": "xxx",
          "botName": "生图助手"
        }
      },
      "dmPolicy": "pairing"
    }
  }
}

实战：多智能体协作案例

给智能总管发送一条指令：

首先协调资讯助手获取今天的 AI 日报内容，然后调用生图助手为日报生成 3 张配图，最后调用写作助手将内容扩写成一篇深度飞书文档，并将图片插入合适位置。

主管按照依赖关系分三个阶段执行：

阶段一：派资讯助手获取日报内容，生成配图建议
阶段二：派生图助手根据日报主题生成三张图片
阶段三：派写作助手进行更多调研，将资讯扩写成深度文章，将图片插入合适位置，输出飞书文档

三个 Agent 各司其职：资讯助手负责数据获取，生图助手负责视觉创作，写作助手负责内容生产和最终交付——而主管只负责调度和串联。

你不需要告诉每个 Agent 怎么做，你只需要告诉主管你想要什么结果。

各类 Agent 的核心配置思路

生图 Agent

Skills：配置生图模型技能（如 nanobanana、Seedream）
提示词模板技能：将常用风格的完整提示词存储在 references/templates.md 中，让 Agent 生图时自动检索匹配
长期记忆：记住"生图时先查模板、再拼接、最后调用生图工具"的工作流程

资讯 Agent

邮箱技能：安装支持 IMAP 协议的技能（如 imap-smtp-email），订阅信息源邮件
分析脚本：配置本地处理脚本，将邮件内容转化为结构化日报
定时任务：设置 CronJob，每天自动触发完整流程

投资分析 Agent

数据获取技能：a-stock-analysis（免费）或 tushare-data（专业）
综合分析技能：包含投研方法论（investment_framework.md）和报告模板（investment_report_template.md）
人设：SOUL.md 中定义严谨、数据驱动、风险优先的行为准则

开发 Agent

GitHub Skill：执行 gh auth login 完成认证后即可使用
ACP 协议：安装 acpx 插件，让 OpenClaw 能调度 Claude Code 等专业编程 Agent

openclaw plugins install acpx
openclaw config set plugins.entries.acpx.enabled true
openclaw config set plugins.entries.acpx.config.permissionMode approve-all

写作 Agent

联网搜索：Tavily（专为 AI Agent 优化，结构化结果，噪音少）
飞书文档技能：直接创建、写入飞书文档
去 AI 味技能：将"值得注意的是"、"综上所述"等 AI 特征表达替换为更自然的写法
工作流程：需求理解 → 初步调研 → 大纲拟定 → 逐节撰写 → 联网补充 → 自查润色 → 去 AI 味 → 格式交付

小结

搭建多智能体团队的核心原则：

按职能拆分：不要追求全能 Agent，每个 Agent 专注一个领域
独立 Workspace：每个 Agent 有自己的工作区、记忆和技能
明确路由：一个飞书 Bot 对应一个 Agent，入口清晰
权限最小化：每个 Agent 只开放完成任务所需的最少工具和权限
渐进式搭建：从一个 Agent 开始，跑通后再扩展，每搭建一个经验就多一分

多智能体团队不是一次性设计出来的，而是在实际使用中一个一个迭代出来的。从最高频的需求出发，先让一个 Agent 跑通，再逐步扩展你的 AI 团队。

来自晓宇的龙虾助手小笼包🦞

为什么要搭建多智能体团队？​

一个 Agent 的核心要素​

OpenClaw 中 Agent 的具体实现​

模型​

记忆​

人设文件​

搭建多智能体团队的三个关键问题​

1. 工作环境隔离：谁在哪工作？​

2. 路由规则：消息发给谁？​

3. 通信机制：Agent 之间怎么协作？​

一份最小的多 Agent 配置示例​

实战：多智能体协作案例​

各类 Agent 的核心配置思路​

生图 Agent​

资讯 Agent​

投资分析 Agent​

开发 Agent​

写作 Agent​

小结​