但在深度体验OpenClaw后，最打动我的其实是 OpenClaw 的 Multi-Agent（多智能体）。

很多低代码 Agent 平台都在谈多智能体，但真正做得像样的不多；而 OpenClaw 的实现，既完整又好用。

这篇文章会手把手带你在飞书项目群里，用 OpenClaw 跑通一个“多 Agent 内容团队”，看它们如何协同拆解并并行完成复杂任务。

整体流程

要实现的前提准备工作：飞书bot配置与 OpenClaw的安装和配置。

认识 OpenClaw Agent

在创建 Agent 前，先搞清楚它由哪些组成（官方文档）：

• workspace 工作区：包含文件、AGENTS.md / SOUL.md / USER.md、本地笔记、人设规则等。
• 状态目录（agentDir）：放认证配置、模型注册表、智能体配置。
• 会话存储：聊天历史与路由状态，路径为 ~/.openclaw/agents//sessions。

如果你什么都不做，OpenClaw 会默认运行部署时自动创建的 main 智能体。

新建智能体有两种常见方式：

• 命令行创建：openclaw agents add {$agentName}
• 让 main agent 代劳（在 UI 交互窗口输入）：

帮我创建一组用于完成AI自媒体工作的agents，主要包括三个agents，
一个主agent负责拆分任务，进行subagent的任务分配，
两个子agent分别负责公众号文章和小红书文案的编写，
两个子agent都有飞书云文档的编辑权限，可以在云文档里编写文案。

创建完成后，agents 目录下会出现三个文件夹

每个文件夹下含各自的模型认证与会话存储

同时 workspace 目录下也会生成对应的三个工作空间文件夹

每个 workspace 通常包括：

• AGENTS.md：代理的行为与记忆管理规则
• SOUL.md：个性、行为原则与边界
• USER.md：用户信息与偏好
• IDENTITY.md：代理名称、角色与身份特征
• TOOLS.md：设备与本地环境工具配置
• HEARTBEAT.md：心跳任务配置（为空则跳过）

创建飞书机器人（6 步）

在飞书开放平台创建企业应用

为该应用配置机器人并开通所需权限

发布应用，获取 appid 与 appsecret

把参数交给 OpenClaw 进行配置（示例指令）：
帮我配置 lobster-media-wechat（替换为你的 agentName） 飞书应用的 appid 和 appsecret：{$appid} {$appsecret}

配置「长连接」以接收事件

更新并发布应用

上述流程需要执行三遍，分别创建三个权限不同的飞书机器人：

• manager：负责接收指令、拆解任务、汇总返回（核心权限：聊天）
• worker A / worker B：执行 manager 或你直接分配的任务（权限：聊天 + 飞书云文档编辑）

建群与获取会话 ID

新建一个飞书群，把以上三个机器人拉入群聊

获取该群的会话 ID：在群设置底部查看，或运行
openclaw logs --follow 并在日志中查找 chat_id

在 OpenClaw 中配置路由

打开 openclaw.json，完成以下三件事：

channels 模块：在 feishu channel 下创建多个 accounts，把三个飞书应用的 appid / appsecret 分别填入对应账号。

bindings 模块：为 agents 与 feishu 的多个 account 建立路由规则。

核对标识：agentid 与 accountid 别写错；peer 中的 id 就是前面获取的群会话 ID。

完成后，飞书机器人将与各自的 OpenClaw agents 打通，实现“群聊里有专属 Agent”——但此时它们还不会团队协作。

配置多 Agent 协作

由于飞书不支持 bot@bot，我们采用 subagent 方式实现协作。根据前述设定（1 个 manager + 2 个 workers）：

在 openclaw.json 的 agents list 中，将两个 worker 配置为 manager 的 subagents（例如以 lobster-media 为 manager）。

在 manager 对应 workspace 下的 AGENTS.md 中，写清楚协作与分工规则（如何拆解、如何分派、如何回收与汇总）。

效果测试

在群里输入：

写一篇公众号文章，介绍如何通过飞书群聊机器人实现 OpenClaw 的 MultiAgent

同理，你可以继续扩展为 AI 视频制作项目组、AI PPT 设计项目组 等。

核心逻辑不变：主管 bot 负责任务拆解与分发，专业 bot 做专业的事，你只需验收最终交付。

熟悉基本组件后，也不用每次都按四步走：直接让 main agent 执行整套配置，或将其提炼为一个 skill，下达指令即可复用。

上面的示例只是抛砖引玉。你可以为 agent 配置更有趣的 SOUL.md、更合适的 TOOLS 与 SKILLS，去完成更复杂、更有价值的工作流。

写在最后：为什么是 Multi-Agent

坦白说，盯着大模型这两年的狂飙进化，很难不焦虑。

你越往深看，越能感到“旧常识被掀翻”。过去我们在职场里“卷”的是经验与时长；但当一个会反思、会纠错的 AI，几秒钟就能产出逻辑严密的万字长文，你会意识到——拼“单兵执行力”的时代在退场。

单体大模型再聪明，本质还是“工具”；而 Multi-Agent 带来的是一套真实的“组织架构”。

我刚接触 OpenClaw 时也纠结过“杀手级应用场景”在哪，直到我把路由配好，看着主管 Bot 拆需求、派单给写手 Bot，最后大家在云文档里自动汇总定稿——那一刻就想通了：

掌握这套多智能体的“组织架构”，比死磕某个具体场景更重要。

场景会变，今天写自媒体，明天可能做财报或写代码；但“把 AI 当团队来调度”的底层操盘逻辑是通用且稳定的。

跨过这道分水岭，你不再是前线的执行者，而是制定流程、分配任务、验收结果的“操盘手”。

按这个趋势，稍复杂的商业调研、代码开发、项目流转，大概率会被多 Agent 流水线接管。

与其焦虑被替代，不如尽快下场亲手跑通。

未来也许还有“螃蟹、甲鱼”等全新形态，但只要底层交互逻辑不变，我们就能快速适配、从容应对。