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

小白也能上手:用Stable Diffusion搞定老照片修复(附避坑指南)

小白也能上手:用Stable Diffusion搞定老照片修复(附避坑指南)

小白也能上手:用Stable Diffusion搞定老照片修复(附避坑指南) * 小白也能上手:用Stable Diffusion搞定老照片修复(附避坑指南) * 先别急着扔!那几张发霉的老照片还能救 * 为啥偏偏选 Stable Diffusion?免费、开源、还能本地跑 * 先整明白它靠啥吃饭:Inpainting + ControlNet + Prompt * 安装:30 分钟一条龙,中间还能刷两条抖音 * 1. 一键包 or 纯手动? * 2. 具体步骤(Win 版,Mac 见文末彩蛋) * 3. 显存警告 * 模型选错 = 好锅配烂盖 * 掩码:别手抖,边缘羽化 5 像素保平安 * Prompt 到底怎么写?抄模板改关键词就行 * 参数面板:别乱动,这 4

AIGC已经不是未来,而是现在:2025年最值得关注的6大趋势!

AIGC已经不是未来,而是现在:2025年最值得关注的6大趋势!

过去一年,AIGC(AI 生成内容)从“概念”彻底走向“落地”。无论你是程序员、产品经理、内容创作者,甚至是业余爱好者,AIGC 已经渗透到每一个内容生产链条中,以一种“你还没准备好,它已经来了”的节奏迅速发展。 本文将带你系统了解:2025 年最热门的 AIGC 内容形态、前沿产品、典型用例,以及未来趋势。 🎥 1. 文生视频已落地:Sora 等产品引爆创意革命         当 OpenAI 推出 Sora 时,整个 AI 圈都沸腾了。         只需一句提示词,比如: "一个穿太空服的熊猫在月球上弹钢琴"         Sora 就能输出秒级电影级视频片段。光影、动作、镜头感,全部一应俱全。 🔧 技术关键词:

机器人导论 第六章 动力学(1)——牛顿欧拉法推导与详述

机器人导论 第六章 动力学(1)——牛顿欧拉法推导与详述

机器人动力学分析复习速通 机器人分析分为 牛顿欧拉法、拉格朗日法、高斯法、凯恩方法 matlab提供的逆动力学采用的是牛顿欧拉法:RNE——Recursive Newton-Euler 需要三个参数,第一个是给定最终的角度,第二个是速度,第三个是角加速度,返回各个关节所需要的力矩。 可选参数有重力加速度和负载fext 牛顿欧拉法 我们的目标是给定机器人的关节位置 q、速度 qd 和加速度 qdd,计算出为了产生这个运动状态,每个关节需要施加多大的驱动力矩 。 一上来看到有人问——我们不是用力域雅可比解决了每个关节应该分配多大力矩的问题了吗? 这是我初学的时候也弄混的问题。 “力域雅可比”解决的是一个不同的问题,属于静力学或外力映射范畴,他的目的是将作用在机器人末端执行器上的外力/力矩 映射到对应的关节空间力矩 。 区别就是一个是给定运动状态,计算每个关节为了达到这个运动状态需要多大力; 另一个则是给定末端的力,计算这个力分配在各个关节上是多大。 牛顿欧拉法的精髓在于正推和逆推,我们来看这个过程: * 正向递推(Forward Recursion):从基

Qwen3论文阅读

1、核心架构改进: 1)注意力机制: 采用了 GQA (Grouped Query Attention) 以提高推理效率 什么是GQA注意力机制? 介于传统的多头注意力机制以及极简的MQA注意力机制之间,目标为平衡生成速度以及模型精度 首先我们先看一看多头注意力机制以及多询注意力机制的区别 MHA (Multi-Head Attention): 每个 Query (Q) 都有对应的 Key (K) 和 Value (V)。虽然效果最好,但在推理时需要缓存大量的 KV 状态(KV Cache),导致内存占用高,推理速度慢。 MQA (Multi-Query Attention): 所有的 Q 共享同一组 K 和 V。这极大地减少了内存占用和数据传输,速度极快,但由于表达能力大幅下降,模型性能(准确度)通常会受损。 GQA: