🇺🇸 EN

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。

Bruce

OpenClawMulti-AgentAI ArchitectureFeishuAgent Orchestration

1001  字

2026-04-04


OpenClaw 多 Agent 配置指南:架构、路由与协作模式

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:

  1. 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
  2. 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
  3. 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-z0-9-
  • 必须以字母开头
  • 不能以连字符结尾
  • 示例:writercode-reviewerresearch-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
SupervisorClaude 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)

  1. 精确 peer 匹配(最高)——特定群组/聊天 ID → 特定 Agent
  2. 频道+账号匹配——某个频道的某个账号
  3. 频道级默认——该频道类型的所有消息
  4. 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

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:

  1. 用户对 Supervisor 说:「帮我写一篇 OpenClaw 安全配置的文章」
  2. Supervisor 调用 sessions_send 发给 Researcher:「查找最新的 OpenClaw 安全功能和漏洞」
  3. Researcher 完成调研,回复结果
  4. 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]」
  5. Writer 写完文章,回复
  6. Supervisor 汇总结果,交付给用户

关键参数

参数默认值说明
enabledfalse总开关,默认关闭
allow[]允许通信的 Agent ID 白名单
maxPingPongTurns5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

  1. 打开 飞书开放平台 → 创建企业自建应用
  2. 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)
  3. 获取每个机器人的 App IDApp 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:

  1. 简单任务让 Supervisor 直接回答——一句话能答完的不要委派给专家
  2. 路由用便宜模型——Supervisor 用 Haiku,贵的模型只给专家
  3. 限制乒乓轮数——maxPingPongTurns 设 2-3,不要用默认的 5
  4. 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
  5. 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
supervisorclaude-3.5-haiku路由分发+简单问答所有频道的默认
writerdeepseek-r1写文章、文档、邮件写作专用群
coderclaude-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