OpenClaw LaunchOpenClaw Launch
← 首页

多Agent教程

OpenClaw 多Agent配置指南 — 一个人的AI团队

同时运行多个AI智能体，每个有不同的角色、模型和Skills。一个人也能拥有一支完整的AI团队。

什么是多Agent？

多Agent（多智能体）是指同时运行多个AI智能体，每个智能体拥有不同的角色、使用不同的AI模型、具备不同的Skills。就像一个公司有不同部门、不同岗位的员工一样，多Agent让你可以为不同的任务分配专门的AI助手。

传统的单Agent模式下，你只有一个AI助手处理所有事务 — 翻译、写作、编程、客服全靠它一个。而多Agent模式下，你可以：

  • 专业分工 — 每个Agent专注一个领域，表现更出色
  • 模型优化 — 不同任务使用最适合的AI模型，降低成本提高效果
  • 平台覆盖 — 不同聊天平台部署不同Agent，各自独立运行
  • 灵活管理 — 每个Agent独立配置、独立监控、独立启停

多Agent使用场景

场景一：不同平台不同Agent

最常见的多Agent场景 — 在不同的聊天平台部署不同的AI助手：

  • Telegram Agent — 个人私用的全能助手，使用 Claude 模型，中英文双语
  • Discord Agent — 社区服务机器人，使用 GPT 模型，专注问答和知识分享
  • 飞书 Agent — 企业内部助手，使用 DeepSeek 模型，处理工作文档和会议纪要
  • Web Chat Agent — 网站客服，使用 Gemini 模型，回答产品和技术问题

每个平台的Agent完全独立 — 不同的模型、不同的人设、不同的系统提示词。Telegram 上的私人助手不会影响 Discord 社区机器人的行为。

场景二：不同角色的Agent

即使在同一平台，你也可以运行多个不同角色的Agent：

  • 翻译Agent — 专注中英日韩翻译，人设设定为专业翻译官，使用 GPT-5.2
  • 编程Agent — 专注代码生成和调试，使用 Claude Opus 或 DeepSeek Coder
  • 写作Agent — 专注文案创作、邮件撰写，使用 Claude Sonnet
  • 客服Agent — 专注产品问答和售后支持，使用 Gemini Flash（速度快、成本低）

场景三：不同模型的Agent

不同的AI模型各有擅长 — 通过多Agent把每个模型用在最合适的地方：

模型擅长领域推荐Agent角色
GPT-5.2综合推理、翻译翻译Agent、通用问答Agent
Claude Opus深度分析、长文写作写作Agent、分析Agent
Claude Sonnet速度与质量平衡日常助手Agent
DeepSeek中文理解、编程编程Agent、中文Agent
Gemini Flash速度极快、多模态客服Agent、图片理解Agent

更多模型对比和选择建议，参考 AI模型对比指南。

场景四：企业场景

企业环境下，不同部门需要不同功能的AI助手：

  • 销售部 — 客户沟通Agent，擅长产品介绍和报价
  • 技术部 — 技术支持Agent，擅长代码审查和问题排查
  • 市场部 — 内容创作Agent，擅长文案和社交媒体运营
  • HR部 — 人事Agent，处理招聘问答和员工培训

每个部门的Agent可以部署在不同的飞书群组中，互不干扰。

如何配置多Agent

OpenClaw 的 agents 配置支持定义多个智能体，每个智能体可以有独立的模型、人设和系统提示词。

agents 配置结构

在 openclaw.json 的 agents 部分，你可以定义默认Agent和多个自定义Agent：

{
  "agents": {
    "defaults": {
      "model": {
        "primary": "openrouter/anthropic/claude-sonnet-4.6"
      },
      "persona": "你是一个友好的AI助手。",
      "systemPrompt": "用简洁准确的中文回答问题。"
    }
  }
}

每个Agent的核心配置包含三个部分：

  • model.primary — 使用的AI模型，格式为「提供商/模型名」
  • persona — Agent的人设描述，定义AI的性格和角色
  • systemPrompt — 系统提示词，指导AI的行为和输出风格

关于配置文件的完整结构和模型ID格式，请参考 OpenClaw 配置完整教程。

通过渠道分配不同Agent

多Agent最实用的方式是通过不同渠道（Telegram、Discord、飞书等）来区分Agent。每个渠道连接一个独立的OpenClaw实例，每个实例运行不同配置的Agent：

// 实例1 — Telegram 翻译Agent
{
  "agents": {
    "defaults": {
      "model": { "primary": "openrouter/openai/gpt-5.2" },
      "persona": "你是一位专业翻译官，精通中英日韩四种语言。",
      "systemPrompt": "用户发送任何文本，自动检测语言并翻译。中文翻英文，英文翻中文。保持原文风格和语气。"
    }
  },
  "channels": {
    "telegram": { "enabled": true, "botToken": "...", "dmPolicy": "pairing" }
  }
}

// 实例2 — Discord 编程Agent
{
  "agents": {
    "defaults": {
      "model": { "primary": "openrouter/anthropic/claude-opus-4.6" },
      "persona": "你是一位资深全栈工程师。",
      "systemPrompt": "帮助用户解决编程问题，给出完整的代码示例和详细解释。支持所有主流编程语言。"
    }
  },
  "channels": {
    "discord": { "enabled": true, "botToken": "...", "dmPolicy": "open", "allowFrom": ["*"] }
  }
}

OpenClaw Launch 多实例方案

在 OpenClaw Launch 上，实现多Agent的方式非常直观 — 每个实例就是一个独立的AI Agent。

一个实例 = 一个Agent

OpenClaw Launch 的每个Docker实例是一个完全独立的AI智能体。你可以部署多个实例，每个实例有自己的：

  • AI模型选择（GPT、Claude、DeepSeek等）
  • 人设和系统提示词
  • 连接的聊天平台（Telegram、Discord、飞书等）
  • Skills和工具配置
  • 独立的运行状态和日志监控

多实例部署步骤

  1. 登录 OpenClaw Launch，进入仪表盘
  2. 点击「新建实例」，选择AI模型和渠道
  3. 设置Agent的人设 — 比如「翻译助手」
  4. 填入渠道Token（Telegram Bot Token 或 Discord Bot Token）
  5. 点击部署 — 10秒内上线
  6. 重复以上步骤，部署第二个、第三个Agent

所有实例在仪表盘中统一管理 — 查看状态、查看日志、随时启停、修改配置即时生效。

多实例 vs 单实例多Agent

特性多实例（推荐）单实例多Agent
隔离性完全隔离，互不影响共享资源，可能互相干扰
独立模型每个实例可用不同模型受限于配置结构
独立监控每个实例独立日志日志混在一起
启停控制可以单独启停任意Agent启停影响所有Agent
故障影响一个崩溃不影响其他可能全部受影响
配置复杂度每个实例配置简单清晰单文件配置复杂

飞书多Agent方案

飞书（Lark）是国内企业最常用的办公平台之一。在飞书中运行多个AI机器人是企业多Agent的典型场景。

飞书多机器人架构

在飞书中实现多Agent，推荐的架构是：

  • 一个飞书机器人 = 一个OpenClaw实例 — 每个飞书机器人连接一个独立的AI Agent
  • 不同群组不同Agent — 把不同的飞书机器人添加到不同的群组中
  • 按部门分配 — 销售群用销售Agent、技术群用技术Agent

飞书多Agent配置步骤

  1. 在飞书开放平台创建多个企业自建应用（每个应用对应一个Agent）
  2. 为每个应用配置机器人能力，获取 App ID 和 App Secret
  3. 在 OpenClaw Launch 部署多个实例，每个实例配置不同的飞书应用凭证
  4. 设置不同的人设和模型 — 比如翻译Agent用GPT、编程Agent用Claude
  5. 将不同的飞书机器人添加到对应的群组中

关于飞书渠道的详细配置方法，参考 飞书接入指南。

飞书多Agent切换

在飞书群组中，用户可以通过@不同的机器人来切换Agent：

  • @翻译助手 — 调用翻译Agent
  • @代码助手 — 调用编程Agent
  • @文档助手 — 调用写作Agent

每个Agent都是独立的飞书机器人，拥有自己的名称和头像，用户一目了然。

多Agent vs 单Agent 对比

维度单Agent多Agent
适用场景个人日常使用多任务、多平台、企业
专业度通用型，什么都能做但不精每个Agent专注一个领域
模型选择只能用一个模型每个Agent可以用不同模型
成本控制所有请求用同一个高价模型简单任务用便宜模型，复杂任务用好模型
可靠性单点故障一个Agent故障不影响其他
管理复杂度简单需要管理多个实例
上下文隔离所有对话共享上下文每个Agent独立上下文
扩展性受限随时增减Agent

多Agent配置示例

以下是一个完整的多Agent部署方案示例 — 三个Agent分别负责翻译、编程和客服：

Agent 1 — 翻译助手（Telegram）

{
  "models": {
    "providers": {
      "openrouter": { "apiKey": "sk-or-v1-..." }
    }
  },
  "agents": {
    "defaults": {
      "model": { "primary": "openrouter/openai/gpt-5.2" },
      "persona": "你是一位专业的多语言翻译官，精通中文、英文、日文、韩文。",
      "systemPrompt": "用户发来的文本，自动检测语言并翻译为目标语言。默认中翻英、英翻中。如果用户指定目标语言则按要求翻译。保持原文的语气和风格。"
    }
  },
  "channels": {
    "telegram": {
      "enabled": true,
      "botToken": "翻译bot的token",
      "dmPolicy": "pairing"
    }
  },
  "plugins": { "entries": { "telegram": { "enabled": true } } },
  "gateway": { "auth": { "token": "uuid-1" }, "port": 18789 }
}

Agent 2 — 编程助手（Discord）

{
  "models": {
    "providers": {
      "openrouter": { "apiKey": "sk-or-v1-..." }
    }
  },
  "agents": {
    "defaults": {
      "model": { "primary": "openrouter/anthropic/claude-opus-4.6" },
      "persona": "你是一位资深全栈工程师，精通 Python、JavaScript/TypeScript、Go、Rust 等主流语言。",
      "systemPrompt": "帮助用户解决编程问题。给出完整、可运行的代码示例。解释关键逻辑和设计决策。指出潜在问题和最佳实践。"
    }
  },
  "channels": {
    "discord": {
      "enabled": true,
      "botToken": "编程bot的token",
      "dmPolicy": "open",
      "allowFrom": ["*"]
    }
  },
  "plugins": { "entries": { "discord": { "enabled": true } } },
  "gateway": { "auth": { "token": "uuid-2" }, "port": 18789 }
}

Agent 3 — 客服助手（飞书）

{
  "models": {
    "providers": {
      "openrouter": { "apiKey": "sk-or-v1-..." }
    }
  },
  "agents": {
    "defaults": {
      "model": { "primary": "openrouter/google/gemini-3-flash" },
      "persona": "你是一位专业的客服代表，友好、耐心、高效。",
      "systemPrompt": "回答用户关于产品和服务的问题。提供清晰的解决方案。遇到无法解决的问题，引导用户联系人工客服。"
    }
  },
  "channels": {
    "lark": {
      "enabled": true,
      "appId": "飞书应用ID",
      "appSecret": "飞书应用Secret"
    }
  },
  "plugins": { "entries": { "lark": { "enabled": true } } },
  "gateway": { "auth": { "token": "uuid-3" }, "port": 18789 }
}

常见问题

最多可以运行多少个Agent？

理论上没有数量限制。每个Agent是一个独立的Docker实例，只要服务器资源足够就可以运行更多。在 OpenClaw Launch 上，实例数量取决于你的订阅计划。Lite计划支持1个实例，Pro计划支持多个实例。

多Agent对性能有影响吗？

每个Agent是独立运行的Docker容器，互不影响。一个Agent的高负载不会拖慢其他Agent。每个容器占用约2GB内存，部署多个Agent需要确保服务器有足够的RAM。使用 OpenClaw Launch 则无需担心资源问题 — 平台自动管理。

多Agent的费用是怎样的？

费用分为两部分：平台费用（OpenClaw Launch订阅，按实例数计费）和 模型费用（API调用费用，按实际使用量计算）。合理分配模型可以降低总成本 — 简单任务用便宜的模型（如 Gemini Flash），复杂任务才用贵的模型（如 Claude Opus）。

多个Agent之间可以共享记忆吗？

目前每个Agent的对话记忆是独立的，不会在Agent之间共享。这是出于安全和隐私考虑 — 翻译Agent的对话不应该被编程Agent看到。如果需要共享知识，可以通过系统提示词预置共享信息。

如何在不同Agent之间切换？

如果不同Agent部署在不同平台（Telegram、Discord、飞书），直接切换到对应平台即可。如果在同一平台（比如飞书），通过@不同的机器人来选择Agent。在 OpenClaw Launch 仪表盘中可以统一管理所有Agent的配置。

多Agent适合个人用户吗？

当然适合。即使是个人用户，也可以受益于多Agent — 比如一个Telegram翻译助手 + 一个Discord编程助手。根据使用频率和场景合理分配，可以显著提升效率。如果你目前只需要一个Agent，从单实例开始，随时可以扩展。

打造你的AI团队

OpenClaw Launch 多实例部署，每个Agent独立配置独立监控。10秒部署，$3/月起，支持支付宝和微信支付。

立即部署