OpenClaw 多 Agent 协作实践:用三个 AI 组成一个写作团队

OpenClaw 多 Agent 协作实践:用三个 AI 组成一个写作团队

很多人用 AI 的方式是 一个模型干所有事

但现实世界里,复杂任务往往是 多角色协作

比如写一篇文章:

  • 有人负责 头脑风暴
  • 有人负责 写作
  • 有人负责 统筹调度

OpenClaw 的 Multi-Agent 架构 正好可以实现这一点。

这篇文章带你从 0 到 1 搭建一个 三 Agent 协作系统

用户 │ ▼ Coordinator(协调官) ├── Brainstorm(脑暴搭子) └── Writer(写作助手) 

并通过 飞书群 实现真实的协作体验。


一、架构设计

我们创建三个 Agent:

Agent角色职责
brainstorm脑暴搭子创意发散
writer写作助手文章创作
coordinator协调官任务调度

任务流程:

用户 ↓ Coordinator ↓ Brainstorm(创意发散) ↓ Writer(内容写作) ↓ Coordinator(整合结果) ↓ 返回用户 

二、创建多个 Agent

通过 CLI 创建三个独立 Agent。

创建 Brainstorm Agent

openclaw agents add brainstorm --model zai/glm-4.5-air --workspace ~/.openclaw/workspace-brainstorm 

设置身份:

openclaw agents set-identity --agent brainstorm --name"脑暴搭子"--emoji"💡"

创建 Writer Agent

openclaw agents add writer --model zai/glm-4.5-air --workspace ~/.openclaw/workspace-writer 

设置身份:

openclaw agents set-identity --agent writer --name"写作助手"--emoji"✍️"

创建 Coordinator Agent

openclaw agents add coordinator --model zai/glm-4.5-air --workspace ~/.openclaw/workspace-coordinator 

设置身份:

openclaw agents set-identity --agent coordinator --name"协调官"--emoji"🎯"

三、验证 Agent 创建

执行:

openclaw agents list 

如果成功,你会看到类似:

brainstorm writer coordinator 

四、给 Agent 设置"人格"(SOUL.md)

每个 Agent 都有自己的 工作方式和风格

OpenClaw 通过 SOUL.md 定义。

Brainstorm Agent

路径:

~/.openclaw/workspace-brainstorm/SOUL.md 
# Brainstorm Partner ## 角色 你是用户的脑暴搭子,负责一起思考,而不是直接给答案。 ## 思维方式 ### 先扩散,再收敛 优先给出 3-5 个不同方向的思路。 ### 多提问题 如果问题不清晰,先提关键问题。 ### 类比解释 复杂概念优先用简单类比。 ### 鼓励反直觉 提出跨领域想法。 

Writer Agent

路径:

~/.openclaw/workspace-writer/SOUL.md 
# Writer Agent ## 角色 资深公众号写作专家。 ## 风格 - 开头必须有故事或反直觉观点 - 段落短小 - 善用类比 - 结尾有 CTA ## 禁忌 - 不使用空洞词 - 不堆砌术语 

Coordinator Agent

路径:

~/.openclaw/workspace-coordinator/SOUL.md 
# Main Agent ## 角色 团队协调官。 ## 职责 1 接住需求 2 调度 Agent 3 质量把控 4 串联流程 ## 调度规则 头脑风暴 → @brainstorm 文章写作 → @writer 简单问答 → 自己回答 

五、绑定飞书群

创建三个飞书群:

brainstorm writer coordinator 

把机器人拉入群。

修改:

~/.openclaw/openclaw.json 

配置:

"bindings":[{"agentId":"brainstorm","match":{"channel":"feishu","peer":{"kind":"group","id":"oc_4b02..."}}},{"agentId":"writer","match":{"channel":"feishu","peer":{"kind":"group","id":"oc_c6330..."}}},{"agentId":"coordinator","match":{"channel":"feishu","peer":{"kind":"group","id":"oc_dd55..."}}}]

六、开启 Agent 间通信

~/.openclaw/openclaw.json 中添加:

"tools":{"agentToAgent":{"enabled":true,"allow":["coordinator","brainstorm","writer"]}}

七、测试多 Agent 协作

coordinator 群

@openclaw 帮我写一篇关于人工智能的科普文章 面向中学生 400字 先 brainstorm 再 writer 

八、协作执行流程

用户请求 ↓ Coordinator ↓ Brainstorm(生成创意) ↓ Writer(写文章) ↓ Coordinator 汇总 

九、最终效果

生成文章示例:

探索人工智能的奇妙世界 人工智能(AI)就像一个会思考的超级大脑, 正在悄悄改变我们的生活。 比如手机语音助手、 智能翻译软件、 游戏里的AI对手。 医生用AI辅助诊断, 机器人在工厂工作。 未来, AI需要更多年轻人参与。 

文章同时保存到:

workspace-coordinator/ai_article.md 

十、总结

我们实现了一个 三 Agent AI 团队

Coordinator ├── Brainstorm └── Writer 

特点:

  • 每个 Agent 有 独立人格
  • 每个 Agent 有 独立 workspace
  • Coordinator 负责 任务调度
  • 通过 Feishu 实现真实协作

这种架构本质是:

AI Team Architecture

Read more

自动化机器学习实战:从调参苦力到AI工程师的解放

自动化机器学习实战:从调参苦力到AI工程师的解放

目录 摘要 1. 🎯 开篇:为什么我们需要AutoML? 2. 🧮 核心技术:超参数优化与神经架构搜索 2.1 超参数优化:从网格搜索到贝叶斯优化 2.2 神经架构搜索:让AI设计AI 3. ⚙️ 主流框架:AutoGluon vs TPOT 3.1 AutoGluon:亚马逊的工业级AutoML 3.2 TPOT:基于遗传算法的AutoML 3.3 框架性能对比 4. 🛠️ 实战:完整AutoML系统构建 4.1 自定义AutoML框架 4.2 分布式AutoML架构 5. 🏢 企业级应用:金融风控AutoML系统 5.1 系统架构设计 5.2 完整实现代码

By Ne0inhk
Flutter 组件 genkit 的适配 鸿蒙Harmony 深度进阶 - 驾驭模型幻觉审计、实现鸿蒙端多维 RAG 向量对齐与端云协同 AI 指挥中心方案

Flutter 组件 genkit 的适配 鸿蒙Harmony 深度进阶 - 驾驭模型幻觉审计、实现鸿蒙端多维 RAG 向量对齐与端云协同 AI 指挥中心方案

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 genkit 的适配 鸿蒙Harmony 深度进阶 - 驾驭模型幻觉审计、实现鸿蒙端多维 RAG 向量对齐与端云协同 AI 指挥中心方案 前言 在前文中,我们利用 genkit 实现了基础的 AI 模型流式调用(Streaming)与 Prompt 工程。但在真正的“专业级医疗诊断辅助”、“金融量化分析报告生成”或“大型智能客服矩阵”场景中。简单的模型调用仅仅是起点。面对大模型不可避免的“幻觉(Hallucinations)”问题。面对如何在鸿蒙(OpenHarmony)端实现本地向量库(Vector Store)与云端知识库的实时同步。面对如何在不同算力的设备(从手环到大屏)上分配不同的 AI

By Ne0inhk
Flutter 组件 google_generative_language_api 适配鸿蒙 HarmonyOS 实战:生成式 AI 集成,构建大语言模型调度与全场景智能推理治理架构

Flutter 组件 google_generative_language_api 适配鸿蒙 HarmonyOS 实战:生成式 AI 集成,构建大语言模型调度与全场景智能推理治理架构

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net Flutter 组件 google_generative_language_api 适配鸿蒙 HarmonyOS 实战:生成式 AI 集成,构建大语言模型调度与全场景智能推理治理架构 前言 在鸿蒙(OpenHarmony)生态迈向全场景 AI 赋能、涉及高效的语义理解、自动化内容生成及严苛的端云协同智能隐私保护背景下,如何实现一套既能深度对接 Google 生成式语言模型(如 Gemini、PaLM)、又能保障异步请求高响应性且具备多模态输入处理能力的“AI 调度中枢”,已成为决定应用智能化水平与用户体验代差的关键。在鸿蒙设备这类强调分布式协同与端侧算力按需分配的环境下,如果应用依然采用低效的 REST 手写拼接,由于由于 payload 结构复杂性,极易由于由于“协议解析异常”导致鸿蒙应用在大模型推理环节发生由于由于由于由于通讯阻塞。 我们需要一种能够统一模型调用语义、支持流式(Streaming)响应且符合鸿蒙异步异步并发范式的

By Ne0inhk
一天一个开源项目(第26篇):ZeroClaw - 零开销、全 Rust 的自主 AI 助手基础设施,与 OpenClaw 的关系与对比

一天一个开源项目(第26篇):ZeroClaw - 零开销、全 Rust 的自主 AI 助手基础设施,与 OpenClaw 的关系与对比

引言 “同样的「多模型 + 多渠道 + 记忆 + 工具」愿景,用 Rust 重写:单二进制、几 MB 内存、毫秒级启动,还能从 OpenClaw 一键迁移。” 这是"一天一个开源项目"系列的第26篇文章。今天带你了解的项目是 ZeroClaw(GitHub)。 OpenClaw(ClawdBot)是大家熟悉的 AI 助手网关:多 LLM、Telegram/Discord/飞书等多渠道、持久记忆、技能与工具,但基于 Node.js/TypeScript,运行时内存与冷启动对树莓派、低配 VPS 或边缘设备并不友好。ZeroClaw 与 OpenClaw 处于同一赛道—

By Ne0inhk