我为我的龙虾斩分身:OpenClaw 多智能体实操

作者:飞哥数智谈日期:2026/5/12

飞哥数智谈,全栈工程师,在济南这个二线城市做 AI 社群,AI·Spring 社群发起人,同时,担任 TRAE Friends 社区济南 Fellow,致力于 AI 提效与 AI 编程普及与落地。

很久没有写关于 OpenClaw 的文章了,但并不意味着我不再喜欢小龙虾,相反,我依然觉得 OpenClaw 是个具有深远意义的产品。

或者,准确地说,龙虾类产品意义重大,但此处的龙虾并不特指 OpenClaw,可以是 Hermes,可以是 QClaw,也可以是 XClaw

它们实现了 AI 智能体真正意义上的"破圈",让普通大众对智能体都有了一定认知。

我也一直都在使用,虽然,不像社群里的几位大佬那么重症,但 Coding Plan 也一直没断过。

用了这么久,我越来越觉得 OpenClaw 和人的学习很像,它也有先天和后天两类知识。

人类OpenClaw
先天知识本性,如方向感强、动手能力强SOUL.md、AGENTS.md 等
后天知识学习来的,如文笔能力、逻辑能力对话过程提取的偏好和记忆

OpenClaw 的先天知识很重要,所以,我们会给自己的虾找各种大佬提炼出来的"系统提示词"。

但,我感觉后天知识比先天知识更重要,因为后天知识是你真实的"喂养",是可以让虾越来越匹配你偏好的过程。

当然,这个过程也是非常慢热的,可能你喂一次效果不好,再喂一次效果依然不好,这个过程,劝退了很多人。

这也是为什么很多人都在养虾,但他们手里的虾和别人口中的虾不太一样的主要原因

随着一次次的喂养,我的 OpenClaw 已经越来越让我满意了。

但是,随着一次次的喂养,虾的技能越来越多,承担的事情越来越杂,它好像人一样,精神分裂了。

这其实也非常好理解,很多冲突的工作,我全部给了一只虾,既要它在和我头脑风暴时天马行空,又要它帮我实现代码时严谨可靠。

我都看不起我自己。

于是,我打算让我的虾来个"斩分身"——修仙小说专用词汇,指把自己不擅长/特别擅长的能力独立成一个分身,帮助自己更好的升级。在 OpenClaw 里,我采用多 Agent 模式去实现的。

于是,我有了阿大到阿五。

  • 阿大:一个全能型助理,就是原有的 OpenClawAgent
  • 阿二:一个自媒体助理,重在文笔、逻辑,了解我所有的文章内容。
  • 阿三:一个天马星空的思考者,不干事,只负责提出各种创意。
  • 阿四:一个产品经理,负责帮我编写各类售前方案,由我之前的各种项目方案喂养。
  • 阿五:一个严谨可靠的实干家,主要负责帮我开发各种任务。

这样分工之后,阿三想,阿四写文档,阿五做,阿二则专职帮我运营自媒体,最后由阿大兜底。

而我,终于可以成为喝茶的老板了~

我是一个技术博主,理论聊的有点多,我们看看多 Agent 如何实际操作吧。

先说明我的环境:腾讯轻量云部署 OpenClaw 原版、MiniMax Coding Plan飞书

由于都是一个 OpenClaw 实例,因此 MiniMax 采用统一的 API_Key 即可。

需要拆分的主要就是飞书的机器人和 OpenClawAgent 配置。

飞书机器人的建立和默认 OpenClaw 安装一样,只是需要根据自己的需要创建不同的机器人,方便通过机器人区分不同的 Agent

这里就不多说了。

我们主要看下 OpenClaw 多 Agent 配置,以阿二(zimeiti)为例。

第一,创建 agent 对应的文件夹。

1# zimeiti agent
2mkdir -p ~/.openclaw/workspace-zimeiti
3mkdir -p ~/.openclaw/workspace-zimeiti/memory
4mkdir -p ~/.openclaw/agents/zimeiti/agent
5mkdir -p ~/.openclaw/agents/zimeiti/sessions
6
7# 复制 main agent 的配置到 zimeiti agent
8cp ~/.openclaw/agents/main/agent/auth-profiles.json ~/.openclaw/agents/zimeiti/agent/
9cp ~/.openclaw/agents/main/agent/models.json ~/.openclaw/agents/zimeiti/agent/
10

第二,openclaw.json 中声明 agent,配置文件中的 agents.list 属性。

1"list": [
2 {
3    "id": "main-agent",
4    "default": true,
5    "name": "阿大",
6    "workspace": "~/.openclaw/workspace",
7    "agentDir": "~/.openclaw/agents/main/agent"
8  },
9  {
10    "id": "zimeiti-agent",
11    "name": "阿二",
12    "workspace": "~/.openclaw/workspace-zimeiti",
13    "agentDir": "~/.openclaw/agents/zimeiti/agent"
14  }
15]
16

第三,openclaw.json 中配置飞书渠道,由于腾讯云的 openclaw 面板仅支持一个飞书机器人,所以,这次采取了手动配置。

1"channels": {
2  "feishu": {
3    "defaultAccount": "main",
4    "accounts": {
5      "main": {
6        "appId": "cli_a95ecef526381cb2",
7        "appSecret": "dlKc0UlnSeIv0icGN5il0cnmdREQJSho",
8        "botName": "阿大-飞书",
9        "domain": "feishu",
10        "groupPolicy": "open"
11      },
12      "zimeiti": {
13        "appId": "cli_a95957481438dcc2",
14        "appSecret": "KpbmyKKErdYMFwfd4XQ7gfMbn1uLpbAJ",
15        "botName": "阿二-飞书",
16        "domain": "feishu",
17        "groupPolicy": "open"
18      }
19    }
20  }
21},
22

第四,openclaw.json 中配置 agent 和渠道的绑定关系。

1"bindings": [
2  {
3    "agentId": "main-agent",
4    "match": {
5      "channel": "feishu",
6      "accountId": "main"
7    }
8  },
9  {
10    "agentId": "zimeiti-agent",
11    "match": {
12      "channel": "feishu",
13      "accountId": "zimeiti"
14    }
15  }
16]
17

第五,一定记得重启 openclaw。

1openclaw gateway restart
2

经过这五步之后,你就可以拥有一个"斩"出来的分 agent,当然,还缺少最后一步。

分 agent 第一次对话,会提示下图,按照提示在龙虾命令行中执行配对即可。

好了,到这里,你就真正拥有了两个龙虾助理,并且,还只需要部署一套 OpenClaw

当然,你也可以像我一样再继续分出更多的助理。

我们抛开上面的实际操作,稍微想想。

其实这就是软件设计中非常常见的单一职责原则,专业的人干专业的事,所以道理都是相通的。


我为我的龙虾斩分身:OpenClaw 多智能体实操》 是转载文章,点击查看原文


相关推荐


OpenClaw 多模型配置与切换详解
七夜zippoe2026/5/2

目录 热门文章推荐摘要一、引言:为什么需要多模型支持1.1 AI 模型生态的多元化现状1.2 多模型支持的核心价值 二、支持的模型提供商2.1 OpenAI2.2 Anthropic(Claude)2.3 Qwen(通义千问)2.4 Ollama(本地模型) 三、模型配置详解3.1 基本配置结构3.2 模型选择配置3.3 自定义提供商配置3.4 模型参数配置 四、模型切换机制4.1 Default 默认模型4.2 Reasoning 推理模型4.3 Per-Session 会


树莓派4b + USRP B210 搭建反无人机(反无)系统( HTML + CDN )
MC数据局2026/4/23

brainstorming: 硬件能力分析 1. USRP B210 的能力边界 参数规格对反无系统的意义频率范围70 MHz – 6 GHz✅ 覆盖无人机主流频段(2.4G / 5.8G / 915M / 433M)瞬时带宽最大 56 MHz(USB 3.0)✅ 可一次看完整个 2.4G ISM 频段(83.5 MHz)虽勉强但可用通道数2×2 MIMO✅ 可做双天线测向(干涉/相位差)ADC12-bit灵敏度够用接口USB 3.0⚠️ 树莓派的瓶颈在这里 2. 树莓派的瓶颈(⚠️ 关


Flink技术实践-FlinkSQL Join技术全解
大大大大晴天️2026/4/15

一、背景介绍 在离线批处理场景中,编写一个 Join SQL 是再平常不过的操作——两张有限的数据集,在某个键上关联,输出结果。但当你把这套 SQL 语义移植到实时流处理场景时,一切都变了。 特性批处理 Join流处理 Join数据特征有限、静态、全量数据集无限、动态、无界数据流执行模式一次性全量匹配,结果固定持续计算,结果随新数据实时更新状态管理无需长期状态,计算完成即释放必须维护历史状态以匹配未来数据时间维度无时间概念,基于完整数据集强依赖事件时间 / 处理时间处理乱序与延迟计算成本可预


当代码不再为人而写:Claude Code 零注释背后的 Harness 逻辑
mCell2026/4/7

前几天 Claude Code 因为 sourcemap 没关,导致源码被公开。这件事在技术圈引起的讨论密度很高,因为这种真正跑在生产环境里的闭源通用 Agent 产品,它的内部实现本身就是一份高价值的学习材料。 我看了一些解析文章。有讲它设计模式的,有分析它安全边界的,也有拆解 Prompt 架构的。 但有一个细节我反复确认了一下: Claude Code 内部要求,不要写任何注释。 第一反应是反直觉。 注释难道不是为了理解代码吗?我从写代码以来接受的教育就是:复杂逻辑要写注释,接口参数要写注


C# 基于OpenCv的视觉工作流-章43-轮廓匹配
sali-tec2026/3/29

C# 基于OpenCv的视觉工作流-章43-轮廓匹配 本章目标: 一、匹配原理; 二、模板创建; 三、模板匹配; 本章与章41模板匹配基本相似,在章42基础上,先对图像进行边缘检测,提取轮廓,以轮廓制作模板,匹配时也先对原图进行边缘检测,提取轮廓,最后再进行匹配。整体不同处在于先对图像进行预处理,好处在于匹配适应性更高,对光线明暗不同的图像也能进行更好的匹配。 一、匹配原理 章41已介绍,不再详述; 二、模板创建 边缘检测、轮廓提取在前文章节已介绍,不再详述; 三、模板匹配 参考章42;


OpenCodeUI 让你随时随地 AI Coding
三金得鑫2026/3/21

Hi,大家好,我是三金~ 自从用了 OpenCode + OMO 之后,写起代码来如沐春风,特别得劲!(除了比较烧 token) 但是 TUI 用久了之后吧,又有了一点别的想法: 能不能远程链接?让我随时随地都能 AI Coding。 Web 界面要“看着顺眼、点起来顺手” 所以当我在 L 站看到有佬友开源 OpenCodeUI 的时候,第一反应就是:许愿许成功了? OpenCodeUI 是 OpenCode 的第三方 Web 前端界面。它和 OpenCode 的客户端有点像,整体风格偏简约


电商企微机器人:从自动欢迎语到订单转化,打造私域闭环
2501_941982052026/3/13

能力介绍 电商私域机器人不仅是客服工具,更是 24 小时在线的虚拟导购。通过 API 联动电商平台的商品库与促销引擎,机器人可以根据用户的咨询轨迹自动发送商品卡片、优惠券及限时秒杀信息。它支持精准的关键词触发与定时任务,帮助企业在不增加人工成本的前提下,提升私域社群的活跃度与复购率。 10分钟接入 Demo 首句自动响应:配置好友申请回调,用户通过后秒级发送包含“新人礼包”的欢迎语。 关键词转单:设置机器人监控特定关键词(如“怎么买”、“多少钱”),自动回复带参数的商品小程序路径。


redis stream用作消息队列极速入门
ChesterZhang2026/3/5

背景 最近做了几个需求都用了redis stream用作消息队列,感觉redis stream相当大轻量化,易于上手,且功能强大,为此特意实现了了一个极简但实用的 redis stream 的示例 redis stream 的三个概念 stream, consumer group , consumer 要想学会如何使用 redis stream, 最重要的就是理解 stream, consumer group , consumer 三者的关系。 简单来说: stream 为消息流, 类似于传


React Native 开发环境准备
zh_xuan2026/2/24

一、环境准备 我的环境: 二、建立独立RN工程 1、初始化创建工程 npx react-native init RNApp --version 0.73.4 --skip-install 这个命令提示: ��️ The `init` command is deprecated. E:\android\projects\RNDemo4>cd RNApp - Switch to npx @react-native-community/cli init f


【C++】模拟实现 红黑树(RBTree)
yuuki2332332026/2/16

前言: 在掌握 AVL 树的严格平衡机制后,我们发现其虽能将树高严格控制在 O(logN),但「高度差≤1」的强约束也带来了明显代价:插入 / 删除操作中频繁的旋转(最多两次双旋)大幅增加了写操作的开销,且每个节点需额外存储平衡因子和父指针,空间利用率较低。 为解决这一问题,红黑树(Red-Black Tree)作为一种近似平衡的二叉搜索树应运而生 —— 它放弃了 AVL 树 “严格平衡” 的要求,转而通过「节点颜色标记 + 5 条核心规则」实现 “黑高一致” 的弱平衡,将任意根到叶子的路径

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读