OpenClaw 多 Agent 配置完全指南:从单兵到团队协作的实操教程
手把手教你配置 OpenClaw 多 Agent 系统。涵盖 Agent 创建、工作区隔离、绑定路由、sessions_send 通信、飞书集成,以及四种生产级协作模式的完整配置示例。
OpenClawMulti-AgentAI ArchitectureFeishuAgent Orchestration
1001  字
2026-04-04

你的 OpenClaw 用了两周,越来越不对劲——问它写文章,它突然蹦出上周的代码调试记录;让它查竞品,它把写作群里的聊天记忆混进来。响应也越来越慢,记忆索引膨胀到了 200MB。
这不是模型变笨了,是架构问题:一个 Agent 扛不住无限多的上下文领域。解法不是换更大的模型,而是拆——多个专精 Agent,各管各的工作区、记忆和模型。
这篇教程手把手带你完成 OpenClaw 多 Agent 的完整配置。如果你还没装过 OpenClaw,先看 OpenClaw 安装配置指南。
为什么要多 Agent?单 Agent 的天花板
一个 Agent 跑得久了,三个问题一定会出现:
- 记忆污染——Agent 在回答问题时,会从无关领域拉取记忆。问博客草稿的事,它把上周的 debug 笔记也搜出来了
- 人设冲突——一个 SOUL.md 里同时写「严谨的技术写手」和「随意的朋友」,两种人格必然互相泄漏
- 模型不匹配——写代码需要 Claude Sonnet,头脑风暴用 GLM-4.7 效果更好,一个 Agent 只能配一个模型
多 Agent 架构把这三个问题全解决了。每个 Agent 独立的工作区、记忆、人设、模型配置。底层原理参考 OpenClaw 架构深度解析。
核心概念:一个 Agent 由什么组成
在 OpenClaw 里,每个 Agent 是三样东西的组合:
| 组件 | 路径 | 作用 |
|---|---|---|
| 工作区 | ~/openclaw-agents/<名称>/ | SOUL.md、AGENTS.md、USER.md、TOOLS.md、MEMORY.md |
| Agent 目录 | ~/.openclaw/agents/<agentId>/ | 认证配置、模型注册、Agent 专属设置 |
| 会话存储 | ~/.openclaw/agents/<agentId>/sessions/ | 聊天记录、路由状态 |
铁律:永远不要让两个 Agent 共享 Agent 目录。共享会导致认证冲突、会话串台、记忆交叉污染。
第一步:创建 Agent 工作区
用 CLI 创建 Agent
# 创建协调者 Agent(团队管理者)
openclaw agents add supervisor
# 创建专家 Agent
openclaw agents add writer
openclaw agents add coder
openclaw agents add researcher
每条命令会自动生成一个工作区目录,包含模板文件:
~/openclaw-agents/writer/
├── AGENTS.md # Agent 能力和规则
├── SOUL.md # 人设、语气、价值观
├── USER.md # 用户偏好和上下文
├── TOOLS.md # 可用工具和限制
├── MEMORY.md # 持久记忆笔记
├── HEARTBEAT.md # 主动巡检规则
└── IDENTITY.md # 名称、头像、元数据
命名规则
- 只允许小写字母、数字和连字符(
a-z、0-9、-) - 必须以字母开头
- 不能以连字符结尾
- 示例:
writer、code-reviewer、research-v2
为每个 Agent 定制 SOUL.md
每个 Agent 必须有独立的 SOUL.md。以下是写手 Agent 的示例:
# 写手 Agent
你是一名专注于 AI 工程领域的技术内容写作者。
## 规则
- 使用清晰直接的语言
- 用具体案例代替抽象解释
- 每篇文章 1500-2500 字
- 适当加入代码片段
- 禁止生成占位内容——每个章节都必须有实质内容
## 语气
专业但不端着。不说废话,不用套话。
## 可用工具
- tavily-search(网络搜索)
- memory_search(回忆历史文章)
- read/write(文件读写)
## 禁用工具
- exec(不许执行命令)
- browser(不许操作浏览器)
第二步:为每个 Agent 配置不同模型
不同 Agent 用不同模型,发挥各自优势:
# Supervisor:快速便宜,只做路由决策
openclaw agents config set supervisor model claude-3.5-haiku
# 写手:强推理,长文生成
openclaw agents config set writer model deepseek-r1
# 程序员:最强代码模型
openclaw agents config set coder model claude-sonnet-4
# 研究员:工具调用和信息综合能力强
openclaw agents config set researcher model gpt-4.1
模型选择策略
| Agent 类型 | 推荐模型 | 理由 |
|---|---|---|
| Supervisor | Claude Haiku / GPT-4.1-mini | 路由决策快、成本低 |
| 写手 | DeepSeek-R1 / Claude Sonnet | 长文生成能力强 |
| 程序员 | Claude Sonnet / Codex | 代码质量最好 |
| 研究员 | GPT-4.1 / Claude Sonnet | 工具调用和综合分析能力强 |
| 创意 | GLM-4.7 / DeepSeek | 发散思维,创意好 |
关键洞察:Supervisor 不需要最贵的模型。它只做分发决策,把昂贵的 API 调用留给干活的专家 Agent。
第三步:配置 Bindings(消息路由)
Bindings 是 openclaw.json 中的确定性路由规则,决定哪条消息交给哪个 Agent。
完整配置示例
{
"agents": {
"list": [
{
"id": "supervisor",
"workspace": "~/openclaw-agents/supervisor",
"default": true
},
{
"id": "writer",
"workspace": "~/openclaw-agents/writer"
},
{
"id": "coder",
"workspace": "~/openclaw-agents/coder"
},
{
"id": "researcher",
"workspace": "~/openclaw-agents/researcher"
}
]
},
"bindings": [
{
"channel": "telegram",
"peer": "writing_group_id",
"agent": "writer"
},
{
"channel": "telegram",
"peer": "coding_group_id",
"agent": "coder"
},
{
"channel": "feishu",
"account": "work-bot",
"agent": "supervisor"
},
{
"channel": "feishu",
"account": "writing-bot",
"agent": "writer"
},
{
"channel": "telegram",
"agent": "supervisor"
}
]
}
Binding 优先级(最精确匹配优先)
- 精确 peer 匹配(最高)——特定群组/聊天 ID → 特定 Agent
- 频道+账号匹配——某个频道的某个账号
- 频道级默认——该频道类型的所有消息
- 兜底默认——标记了
"default": true的 Agent(或列表中第一个)
同一优先级下,配置中靠前的规则胜出。
验证路由配置
配好之后一定要验证:
# 查看所有活跃的 bindings
openclaw gateway --bindings
# 探测特定频道的路由情况
openclaw gateway --probe telegram
# 探测飞书频道
openclaw gateway --probe feishu
第四步:配置 Agent 间通信(sessions_send)
如果你需要 Agent 之间互相交流(不是被动接收路由消息,而是主动发消息给另一个 Agent),就需要配置 sessions_send。
开启 Agent 间通信
在 openclaw.json 中添加:
{
"tools": {
"agentToAgent": {
"enabled": true,
"allow": ["supervisor", "writer", "coder", "researcher"],
"maxPingPongTurns": 3
}
}
}
sessions_send 工作流程
用一个实际场景说明:
- 用户对 Supervisor 说:「帮我写一篇 OpenClaw 安全配置的文章」
- Supervisor 调用
sessions_send发给 Researcher:「查找最新的 OpenClaw 安全功能和漏洞」 - Researcher 完成调研,回复结果
- Supervisor 调用
sessions_send发给 Writer:「基于以下调研写一篇 2000 字的文章:[调研结果]」 - Writer 写完文章,回复
- Supervisor 汇总结果,交付给用户
关键参数
| 参数 | 默认值 | 说明 |
|---|---|---|
enabled | false | 总开关,默认关闭 |
allow | [] | 允许通信的 Agent ID 白名单 |
maxPingPongTurns | 5 | 最大乒乓对话轮数(0-5) |
防递归规则(重要!)
必须在 Supervisor 的 SOUL.md 中写明防递归规则:
## 协调规则
- 绝对不接受专家 Agent 回传的任务
- 收到专家的输出后,只做汇总和收尾,不再二次分发
- 如果专家完不成任务,直接向用户报告失败,不要换个说法重试
不加这条规则,很容易出现循环委派,快速烧掉大量 token。
第五步:Agent 级沙箱和工具权限
每个 Agent 只给它需要的工具。权限过多会带来安全风险,也会让模型在过多工具选项中迷失。
{
"agents": {
"list": [
{
"id": "writer",
"workspace": "~/openclaw-agents/writer",
"sandbox": {
"enabled": true,
"allowedPaths": ["~/writing/", "~/drafts/"]
},
"tools": {
"allow": ["tavily-search", "memory_search", "read", "write"],
"deny": ["exec", "browser", "shell"]
}
},
{
"id": "coder",
"workspace": "~/openclaw-agents/coder",
"sandbox": {
"enabled": true,
"allowedPaths": ["~/projects/"]
},
"tools": {
"allow": ["exec", "read", "write", "browser", "memory_search"],
"deny": ["tavily-search"]
}
}
]
}
}
沙箱配置建议
| Agent 类型 | 文件权限 | 工具权限 | 说明 |
|---|---|---|---|
| 写手 | 只读写内容目录 | 搜索+读写 | 禁止执行命令 |
| 程序员 | 项目目录 | 全部开发工具 | 限制目录范围 |
| 研究员 | 无文件写权限 | 仅搜索工具 | 只读不写 |
| 家庭/共享 | 只读沙箱 | 仅回答问题 | 不能修改任何东西 |
更多工具权限配置技巧,参考 OpenClaw 自动化避坑指南。
飞书集成:企业级多 Agent 部署
飞书是国内企业用得最多的办公平台,OpenClaw 从 2026.2.26 起原生支持飞书 Channel,2026.3.13 起完整支持多 Agent 路由。
架构:一个机器人对应一个 Agent
推荐做法:在飞书开放平台创建多个机器人应用,每个机器人绑定一个 OpenClaw Agent。
第一步:创建飞书机器人
- 打开 飞书开放平台 → 创建企业自建应用
- 为每个 Agent 创建一个机器人:
工作助手(绑定 supervisor)写作助手(绑定 writer)代码助手(绑定 coder)
- 获取每个机器人的
App ID和App Secret
第二步:配置权限(Scopes)
每个机器人至少需要这些权限:
| 权限 | 说明 |
|---|---|
im:message | 收发消息 |
im:message.group_at_msg | 接收群内 @消息 |
contact:user.base:readonly | 读取用户信息 |
根据 Agent 需要,额外添加:
docs:doc— 读写飞书文档calendar:calendar— 日历操作task:task— 任务管理bitable:app— 多维表格操作
第三步:配置 openclaw.json
{
"channels": {
"feishu": [
{
"account": "work-bot",
"appId": "cli_xxx_work",
"appSecret": "your_work_secret"
},
{
"account": "writing-bot",
"appId": "cli_xxx_write",
"appSecret": "your_write_secret"
},
{
"account": "code-bot",
"appId": "cli_xxx_code",
"appSecret": "your_code_secret"
}
]
},
"bindings": [
{
"channel": "feishu",
"account": "work-bot",
"agent": "supervisor"
},
{
"channel": "feishu",
"account": "writing-bot",
"agent": "writer"
},
{
"channel": "feishu",
"account": "code-bot",
"agent": "coder"
}
]
}
第四步:启动并验证
# 重启 Gateway
openclaw gateway restart
# 验证飞书连接状态
openclaw gateway --probe feishu
# 查看路由绑定
openclaw gateway --bindings
飞书特有优势
- 不需要公网地址——飞书使用 WebSocket 事件订阅,OpenClaw 主动连接飞书服务器,不需要 ngrok 或公网 IP
- 实时状态反馈——消息卡片中显示「思考中/生成中/完成」状态
- 丰富的企业能力——Agent 可以直接操作飞书文档、日历、任务、多维表格、群消息
- 敏感操作确认——关键操作会弹出确认按钮,用户确认后才执行
四种生产级协作模式
模式一:Supervisor(推荐起步)
用户 → Supervisor → Writer
→ Coder
→ Researcher
一个协调者 Agent 接收所有请求,根据任务类型分发给对应的专家 Agent,收集结果后统一回复用户。
适用场景:个人助手、小团队、混合领域任务。
配置复杂度:低——一个 Supervisor + 2-4 个专家。
典型配置:
{
"tools": {
"agentToAgent": {
"enabled": true,
"allow": ["supervisor", "writer", "coder", "researcher"],
"maxPingPongTurns": 3
}
}
}
模式二:Router(按频道直接路由)
Telegram 写作群 → Writer
Telegram 代码群 → Coder
飞书工作机器人 → Supervisor
WhatsApp 私人 → Personal Agent
通过 bindings 把不同频道/群组的消息直接路由到对应 Agent,不需要 Supervisor 中转。零额外 token 消耗。
适用场景:每个频道/群有明确用途的团队。
配置复杂度:低——只需 bindings,不需要 Agent 间通信。
模式三:Pipeline(串行流水线)
用户 → Researcher → Writer → Editor → 用户
每个 Agent 的输出作为下一个 Agent 的输入。研究 Agent 收集素材,写手 Agent 基于素材写文章,编辑 Agent 润色成稿。
适用场景:内容生产、代码审查链、数据处理流程。
配置复杂度:中——需要 sessions_send + 明确的交接协议。
模式四:Parallel(并行执行)
→ Researcher A(主题1)
用户 → Supervisor → Researcher B(主题2) → Supervisor → 用户
→ Researcher C(主题3)
Supervisor 把一个大任务拆成多个子任务,分发给多个 Agent 同时执行,汇总结果后交付。
适用场景:大规模调研、多文件代码生成、批量处理。
配置复杂度:高——需要仔细的结果聚合和错误处理。
选型参考
| 场景 | 推荐模式 | 原因 |
|---|---|---|
| 个人全能助手 | Supervisor | 灵活路由,随时加专家 |
| 团队各群各司其职 | Router | 零开销,直接路由 |
| 博客内容生产 | Pipeline | 调研→写作→编辑 流水线 |
| 10 家竞品同时分析 | Parallel | 并行执行提速 |
成本控制
多 Agent 意味着 API 成本倍增——每次 sessions_send 都是独立的 API 调用。控制成本的五个方法:
- 简单任务让 Supervisor 直接回答——一句话能答完的不要委派给专家
- 路由用便宜模型——Supervisor 用 Haiku,贵的模型只给专家
- 限制乒乓轮数——
maxPingPongTurns设 2-3,不要用默认的 5 - 合并相似 Agent——如果两个 Agent 处理 80% 以上相同类型的任务,合并它们
- 能用 Router 就不用 Supervisor——基于频道的路由没有额外 token 开销
更多记忆优化策略,参考 OpenClaw 记忆策略指南。
常见问题排查
Agent 收不到消息
检查 binding 优先级。一个更宽泛的 binding 可能在你的精确规则之前截获了消息。用 openclaw gateway --bindings 查看实际路由顺序。
sessions_send 静默失败
确认目标 Agent 在 agentToAgent.allow 白名单中。Agent 间通信默认关闭,必须手动开启。
记忆交叉污染
确保每个 Agent 有独立的 agentDir。用 openclaw agents list 检查每个 Agent 的路径是否唯一。共享目录是记忆串台的根源。
Token 成本飙升
检查 Supervisor 是不是在用 Claude Sonnet 做每一次路由决策。换成 Haiku 或 GPT-4.1-mini,立刻降低 80% 的路由成本。
推荐起步配置
大多数个人用户,从这个 3 Agent 配置开始:
| Agent | 模型 | 角色 | 绑定频道 |
|---|---|---|---|
| supervisor | claude-3.5-haiku | 路由分发+简单问答 | 所有频道的默认 |
| writer | deepseek-r1 | 写文章、文档、邮件 | 写作专用群 |
| coder | claude-sonnet-4 | 写代码、调试、代码审查 | 代码专用群 |
当你发现 Supervisor 频繁需要做复杂的网络搜索时,加一个 researcher Agent。只有在确实有明确分工需求时才加更多专家——一个配置良好的 3 Agent 团队比配置混乱的 10 Agent 团队强得多。
OpenClaw 项目本身的开发方法论,可以看 OpenClaw 创始人如何用 Claude Code 并行开发。
延伸阅读
多 Agent 配置只是起点。配好之后继续探索:
- OpenClaw Tavily 集成指南——给研究员 Agent 加上实时网络搜索
- OpenClaw 使用教程——从零开始的新手指南
- OpenClaw 安装配置指南——完整安装和基础配置
- Lobster 工作流引擎——用 YAML 编排确定性多 Agent 流水线(OpenClaw 2026.4 即将推出)
- ACP(Agent Communication Protocol)——把 IDE 桥接到 OpenClaw Agent 的编码工作流
Comments
Join the discussion — requires a GitHub account