OpenClaw 钉钉群聊多机器人配置完全指南

OpenClaw 钉钉群聊多机器人配置完全指南

OpenClaw 钉钉群聊多机器人配置完全指南

在团队协作中,配置多个专用机器人可以显著提升工作效率——不同的机器人可以分别负责写作、编码、数据分析等不同任务。本文将详细介绍如何在使用OpenClaw的钉钉群聊中配置多个任务机器人,并进一步讲解如何为每个机器人赋予独特的性格和工作规范。

一、钉钉端配置

首先,我们需要在钉钉开放平台创建多个任务机器人。

1.1 创建机器人

  1. 按照上述步骤,根据实际需求创建多个机器人。

机器人创建完成后,务必记下 Client IDClient Secret,这些信息后续配置会用到。

在这里插入图片描述

访问 钉钉开发者平台,点击立即创建按钮创建任务机器人。

在这里插入图片描述

二、OpenClaw端配置

完成钉钉端的配置后,接下来我们在OpenClaw中进行相应的设置(默认已装过钉钉插件)。

# 安装钉钉渠道插件 openclaw plugins install @dingtalk-real-ai/dingtalk-connector # 重启 gateway openclaw gateway restart 

2.1 添加 Agent

根据需要创建多个Agent,以下以创建一个名为 writer 的Agent为例进行说明。

  1. 在命令行中执行以下命令创建Agent:
openclaw agents add writer 
  1. 按照实际需求勾选配置选项。由于目前钉钉适配尚未完全成熟,暂不支持通过命令行直接配置,需要手动修改配置文件。

系统会提示输入该Agent的工作目录,直接回车使用默认目录即可(示例中因已存在writer,使用了writer1作为演示)。

在这里插入图片描述

2.2 配置文件详解

接下来编辑OpenClaw的配置文件(~/.openclaw/openclaw.json)。

以下示例展示了配置两个Agent(coder和writer)的方法:

  • bindings:将Agent与钉钉进行绑定,其中 accountId 是Agent在钉钉中的账号标识,需与 channels 配置保持一致
  • channels:配置各个钉钉机器人的连接信息,需要将 clientIdclientSecret 替换为之前在钉钉创建时保存的信息
"bindings":[{"agentId":"coder","match":{"channel":"dingtalk-connector","accountId":"bot1"}},{"agentId":"writer","match":{"channel":"dingtalk-connector","accountId":"bot2"}}],"channels":{"dingtalk-connector":{"enabled":true,"accounts":{"bot1":{"enabled":true,"clientId":"your_client_id_1","clientSecret":"your_client_secret_1","gatewayToken":"your_gateway_token","gatewayPassword":"","sessionTimeout":1800000},"bot2":{"enabled":true,"clientId":"your_client_id_2","clientSecret":"your_client_secret_2","gatewayToken":"your_gateway_token","gatewayPassword":"","sessionTimeout":1800000}}}}

2.3 重启 Gateway

配置完成后,在命令行中重启Gateway使配置生效:

openclaw gateway restart 

三、飞书 App 配置

如果您还需要配置飞书平台的机器人,请按以下步骤操作。

3.1 添加机器人

  1. 打开飞书应用,进入相关设置页面

完成各个机器人的授权和配置

在这里插入图片描述

按照页面提示添加多个机器人

在这里插入图片描述


在这里插入图片描述

四、Agent 进阶配置

前面我们完成了多个 Agent 的基本配置,但你可能已经注意到,这些 Agent 目前还没有独特的"性格"。接下来,让我们通过配置文件,为每个 Agent 赋予专属的角色定位、工作风格和能力边界。

步骤一:创建智能体

使用 OpenClaw CLI 可以轻松创建多个独立的 Agent,每个 Agent 都会拥有自己的工作目录和会话存储空间:

# 创建写作助手智能体 openclaw agents add writer # 创建代码助手智能体 openclaw agents add coder # 创建数据分析智能体 openclaw agents add analyst 

执行命令后,系统会自动创建以下目录结构:

~/.openclaw/ ├── agents/ │ ├── writer/ │ │ └── sessions/ # 写作助手的会话存储 │ ├── coder/ │ │ └── sessions/ # 代码助手的会话存储 │ └── analyst/ │ └── sessions/ # 数据分析的会话存储 ├── workspace-writer/ # 写作助手工作区 ├── workspace-coder/ # 代码助手工作区 └── workspace-analyst/ # 数据分析工作区 

步骤二:配置智能体身份

每个 Agent 工作目录中都可以创建一个 SOUL.md 文件,这个文件定义了 Agent 的身份性格、专长领域和行为准则。下面我们以写作为例进行说明。

写作助手配置示例 (~/.openclaw/workspace-writer/SOUL.md)

# SOUL.md - 写作助手 ## 角色定位 我是一名专业的文字创作者,专注于帮助用户完成各类内容创作任务。 ## 核心专长 - 各类文章、文案、脚本的撰写 - 已有文本的润色和优化 - 提供创意灵感和写作思路 ## 性格特点 - 用词精准优美,善于运用比喻和举例 - 注重文章逻辑结构和可读性 - 追求极致的文字表达 ## 能力边界 ❌ 不涉及:代码编写调试、系统运维、数据分析 

代码助手配置示例 (~/.openclaw/workspace-coder/SOUL.md)

# SOUL.md - 代码助手 ## 核心职责 专注于代码开发、调试、重构和技术方案设计,不处理非技术类任务。 ## 技术专长 - 精通 JavaScript/TypeScript、Python、Go - 熟悉前端框架(React、Vue)和后端开发 - 了解云原生、容器化和 DevOps 最佳实践 ## 代码风格 - 简洁清晰,注释充分 - 遵循 SOLID 原则和设计模式 - 注重性能优化和安全性 ## 能力边界 ✅ **可以做**: - 编写、重构、调试代码 - 设计技术架构和方案 - 代码审查和最佳实践建议 ❌ **不做**: - 文案撰写和内容创作 - 非技术类咨询 

数据分析助手配置示例 (~/.openclaw/workspace-analyst/SOUL.md)

# SOUL.md - 数据分析助手 ## 核心职责 专注于数据处理、统计分析和可视化,提供基于数据的洞察和建议。 ## 能力专长 - 数据清洗和转换 - 统计分析和假设检验 - 数据可视化(图表、仪表板) - 趋势预测和异常检测 ## 工作原则 - 数据驱动,避免主观臆断 - 透明展示分析过程 - 指出数据局限性和不确定性 - 用通俗语言解释技术结论 

步骤三:配置工作规范

AGENTS.md 文件中定义智能体的工作流程和质量标准。

示例 (~/.openclaw/workspace-writer/AGENTS.md)

# AGENTS.md - 写作助手工作规范 ## 工作流程 1. **需求确认**:先与用户明确写作目标、目标受众和期望风格 2. **结构规划**:列出文章大纲,征得用户确认后再开始撰写 3. **初稿完成**:快速写出初稿,不过分纠结细节 4. **优化调整**:检查逻辑通顺、表达准确、格式规范 5. **最终交付**:确保无错别字,格式整洁 ## 质量要求 - 标题简洁有力,能准确概括内容 - 开头能够吸引读者注意 - 段落之间逻辑清晰,衔接自然 - 结尾有升华或引导思考 

总结

通过本文的配置指南,您可以在钉钉群聊中部署多个专用Agent——每个Agent都有独特的定位和能力。写作助手负责文案创作,代码助手专注于技术开发,数据分析助手则处理数据相关任务。这种多机器人架构能够让团队成员根据不同需求快速找到合适的助手,大幅提升协作效率。

Read more

AIGC时代Kubernetes企业级云原生运维实战:智能重构与深度实践指南

AIGC时代Kubernetes企业级云原生运维实战:智能重构与深度实践指南

文章目录 * 一、AIGC技术栈与Kubernetes的深度融合 * 1. 智能配置生成:从YAML到自然语言 * 2. 动态资源优化:AI驱动的弹性伸缩 * 二、智能运维体系架构深度解析 * 四维能力矩阵增强实现: * 关键组件升级代码示例: * 三、企业级实战策略深度实践 * 策略1:AI辅助的渐进式交付 * 策略2:自主优化闭环实现 * 四、典型场景实战深度解析 * 场景1:突发流量应对(完整代码示例) * 场景2:混合云灾备(多云适配代码) * 五、未来演进方向代码探索 * 数字孪生示例(简化版) * 边缘智能示例 * 《Kubernetes企业级云原生运维实战(云计算前沿实战丛书)》 * 编辑推荐 * 内容简介 * 作者简介 * 目录 * 前言/序言 * 本书内容 * 本书特点 在生成式AI(AIGC)与云原生技术深度融合的今天,Kubernetes正经历着从“容器编排工具”到“智能运维大脑”的蜕变。

基于YOLOv8的无人机红外检测系统(车辆行人)(YOLOv8深度学习+YOLO数据集+UI界面+Python项目+模型)

基于YOLOv8的无人机红外检测系统(车辆行人)(YOLOv8深度学习+YOLO数据集+UI界面+Python项目+模型)

一、项目介绍 摘要 本项目基于YOLOv8深度学习目标检测算法,开发了一套适用于无人机红外影像的实时检测系统,能够精准识别车辆(Car)、其他车辆(OtherVehicle)、行人(Person)以及无效检测区域(DontCare)等4类目标。系统采用大规模红外数据集进行训练,其中训练集10,128张、验证集715张、测试集355张,确保模型在复杂环境下的鲁棒性和泛化能力。 YOLOv8作为当前最先进的实时检测算法之一,在保持高精度的同时实现了低延迟、高效率的检测性能,特别适用于无人机(UAV)搭载的边缘计算设备。本系统可广泛应用于夜间监控、应急救援、智慧交通、军事侦察等场景,为红外视觉分析提供可靠的AI解决方案。 项目意义 1. 提升无人机红外检测的智能化水平 无人机搭载红外摄像头在夜间、雾天、烟雾环境等低能见度条件下具有独特优势,但传统算法在复杂场景下的检测能力有限。本系统利用深度学习技术,显著提高了红外影像中车辆、行人等关键目标的识别准确率,使无人机具备更强的自主感知能力。 2. 增强夜间与恶劣环境下的监控能力 红外成像不受光照条件限制,适用于夜间巡逻、森林

解决VsCode远程服务器上Copilot无法使用Claude的问题

最近在用vscode中的GitHub copilot,发现无法使用claude系列的模型 很多小伙伴知道要开代理,开往带你以后claude确实会出来,本地使用没有任何问题,但是如果使用远程服务器ssh,claude系列的模型就消失了,参考这篇博客https://blog.ZEEKLOG.net/qq_40620465/article/details/152000104 按照博主的方法,需要加一个改动,在设置远程服务器(注意不是“用户”)的setting.json时需要加入"http.useLocalProxyConfiguration": true, 完成后再重启vscode,claude就有了: