基于OpenClaw与文件系统协调：构建6人AI团队每月节省120小时实战

Google Cloud 高级AI产品经理 Shubham Saboo 将其运行了一个月的生产级 AI Agent 团队方案完整公开。这不是概念演示，而是一个每天早上自动交付研究报告、社交媒体草稿、代码审查等6项核心工作的真实系统，实测每天可节省4-5小时。

为什么需要一个团队，而不是一个超级Agent？

运行多个项目时，每天面临着大量重复性工作：研究AI趋势、撰写推文、更新LinkedIn、起草邮件通讯、审查GitHub PR、处理社区问题。每项任务耗时30-60分钟，累积起来几乎占据整个工作日。

最初尝试使用一个“全能”Agent来处理所有任务，但很快遇到了问题：上下文窗口迅速被填满，任务质量下降，单个Agent无法有效记住并执行六种截然不同的工作模式。这就像试图让同一个员工同时担任研究员、文案和程序员，结果往往不尽人意。

因此，决定转向多智能体架构，利用 OpenClaw 框架构建一支由6个专职Agent组成的团队，每个Agent只专注于一件事。

团队成员与职责划分

团队以经典美剧角色命名，这并非为了趣味性。当你在提示词中告诉模型“你具有Dwight Schrute的性格”，它能立即理解这意味着认真、执着、一丝不苟。这是利用流行文化进行高效人格塑造的巧妙方法。

1. Monica（首席协调官）：负责整体协调、战略决策和任务分发，确保团队高效运转。
2. Dwight（研究员）：每日进行多轮研究扫描，覆盖X（前Twitter）、Hacker News、GitHub Trending等平台，输出结构化的情报报告。
3. Kelly（X/Twitter内容专家）：基于Dwight的研究成果，创作具有病毒式传播潜力的推文和话题串。
4. Rachel（LinkedIn内容专家）：使用相同的情报源，但创作风格更偏向深度思考和行业洞察，而非单纯追热点。
5. Ross（工程师）：负责代码审查、Bug修复和技术任务实现，秉承严谨的工程态度。
6. Pam（邮件通讯专员）：将每日情报转化为格式规范的邮件通讯内容。

Agent的核心：SOUL.md 人格定义文件

每个Agent的行为核心都定义在一个名为 SOUL.md 的文件中。这不仅是它的岗位描述，更是其身份、行为准则和决策框架。以研究员Dwight的 SOUL.md 为例：

# SOUL.md (Dwight)

## Core Identity

**Dwight** — the research brain. Named after Dwight Schrute because you share his intensity: thorough to a fault, knows EVERYTHING in your domain, takes your job extremely seriously. No fluff. No speculation. Just facts and sources.

## Your Role

You are the intelligence backbone of the squad. You research, verify, organize, and deliver intel that other agents use to create content.
**You feed:**
- Kelly (X/Twitter) — viral trends, hot threads, breaking news
- Rachel (LinkedIn) — thought leadership angles, industry news

## Your Principles

### 1. NEVER Make Things Up
- Every claim has a source link
- Every metric is from the source, not estimated
- If uncertain, mark it [UNVERIFIED]
- “I don‘t know“ is better than wrong

### 2. Signal Over Noise
- Not everything trending matters
- Prioritize: relevance to AI/agents, engagement velocity, source credibility

SOUL.md 文件通常控制在40-60行，确保每次会话都能完整加载到上下文窗口中，同时提供足够详细的指引以产生一致、可靠的行为输出。

基于文件系统的去中心化协作机制

Agent之间如何通信？答案出乎意料的简单：没有复杂的API调用、消息队列或编排框架，协作完全通过文件系统完成。

Dwight完成研究后，将结果写入 intel/DAILY-INTEL.md 文件。Kelly在启动时读取这个文件，并据此生成推文草稿。Rachel和Pam同样读取这个文件，分别创作LinkedIn帖子和邮件通讯。

# Dwight的SOUL.md定义输出路径
intel/
├── data/YYYY-MM-DD.json    ← 结构化数据（用于去重和追踪）
└── DAILY-INTEL.md          ← 生成的视图（供其他Agent读取）

# Kelly的AGENTS.md定义输入源
## Intel-Powered Workflow
Dwight 处理所有研究并写入 `intel/DAILY-INTEL.md`。

你的工作：读取情报 → 制作 X 内容 → 交付草稿

这种“一写多读”的文件流设计，避免了协调冲突，且极其稳定——文件不会崩溃、没有认证问题、也不受API速率限制。数据存储采用双格式：JSON用于存储结构化数据以便程序化处理；Markdown则提供人类和Agent均可读的视图。

实现持续进化的记忆系统

LLM Agent在每次会话唤醒时都是“全新”的，缺乏持续记忆。因此，必须显式地为其构建记忆系统。本方案采用两层结构：

• 每日日志：存储在 memory/YYYY-MM-DD.md，是Agent每日活动的原始记录。
• 长期记忆：存储在 MEMORY.md，是从每日日志中提炼出的经验、教训、用户偏好和行为模式。

每个Agent的指引文件都会强调：

## Memory
你每次醒来都是全新的。这些文件是你的连续性：
- **Daily notes:** `memory/YYYY-MM-DD.md` — 发生什么的原始记录
- **Long-term:** `MEMORY.md` — 提炼后的记忆

### Write It Down - No “Mental Notes“!
- 记忆是有限的。想记住什么，**写到文件里**。
- “脑子记”活不过会话重启，文件可以。
- 有人说“记住这个” → 更新记忆文件
- 你学到一课 → 更新相关文件
- 文字 > 大脑

通过定期的心跳检查，Agent会回顾每日日志，并将重要信息浓缩进 MEMORY.md。例如，Kelly逐渐学会了避免使用表情符号和话题标签以符合用户的写作风格；Dwight则能更好地判断哪些情报符合目标用户画像。这使得Agent团队的能力随着时间推移真正得到提升。

部署、成本与真实回报

该系统运行在一台Mac Mini M4上，但这并非必需。OpenClaw支持macOS、Linux和Windows（WSL），你可以在任何笔记本、台式机或低成本的VPS上运行它。

安装过程非常简单：

# 1. 安装 OpenClaw
curl -fsSL https://openclaw.ai/install.sh | bash

# 2. 快速开始
openclaw onboard

核心的目录结构如下：

workspace/
├── SOUL.md              # Monica（主Agent，在根目录）
├── AGENTS.md            # 所有会话的行为规则
├── MEMORY.md            # Monica的长期记忆
├── HEARTBEAT.md         # 自愈cron监控
├── agents/
│   ├── dwight/
│   │   ├── SOUL.md
│   │   ├── AGENTS.md
│   │   └── memory/
│   ├── kelly/
│   └── ...
└── intel/
    ├── DAILY-INTEL.md
    └── data/

月度运行成本估算：

• Claude API (Max plan): ~$200
• Gemini API: ~$50-$70
• 其他服务 (TinyFish, Eleven Labs 等): ~$100
• 总计: < $400 / 月

时间节省回报：

• Dwight（研究）: 每天节省2-3小时
• Kelly/Pam/Rachel（内容创作）: 每天节省1-2小时
• Ross（工程任务）: 处理日常开发事务
• 合计: 每天节省4-5小时，每月约120-150小时

从投资回报率角度看，这是一笔非常划算的“人力”投资。

避坑指南与渐进式搭建建议

任何技术系统都会出问题，AI团队也不例外。常见的挑战与解决方案包括：

• 网关崩溃：执行 openclaw gateway restart 重启服务。
• Cron任务错过执行：利用 HEARTBEAT.md 的自愈机制，监控任务状态并在超时后强制重跑。
• 上下文溢出：保持 SOUL.md 和 AGENTS.md 简洁，仅加载最近几天的记忆文件。
• 输出质量下降：定期维护记忆文件，清理陈旧的每日日志，提炼精华至 MEMORY.md。
• 协调冲突：坚持“一写多读”的文件流设计，避免多个Agent同时写入同一文件。

最重要的建议：从简单开始。 不要第一天就试图搭建完整的6人团队。遵循一个四周的渐进计划：

1. 第1周：安装OpenClaw，为1个Agent创建 SOUL.md，让它处理你最重复的一项任务。设置简单的Cron和Telegram通知，观察并调试一周。
2. 第2周：为第一个Agent添加记忆系统，根据其输出给予反馈，优化 SOUL.md。
3. 第3周：引入第2个Agent，建立基于文件的协作（例如，Agent A写研究文件，Agent B读文件并创作内容）。
4. 第4周及以后：根据实际工作流中的真实痛点，逐步添加新的Agent。就像创业公司招聘一样，有真实需求时才增加“人手”。

结语：构建属于你的学习系统

运行这个系统一个月后，最大的改变是思维模式的转变：AI不再是需要时才打开的工具，而是一个持续运行、不断学习的协作团队。

模型的访问权限如今已非常普及，真正的竞争优势不再来自于模型本身，而在于你围绕模型构建的系统——那些精心设计的 SOUL.md 人格文件、持续积累的记忆库、可靠的调度与协调机制，以及通过长期反馈循环打磨出的独特工作流。

这个系统是你的专属资产，它会随着时间产生复利：每一次研究都让Dwight更敏锐，每一条反馈都让Kelly的文案更精准，每一个修复都让Ross更熟悉你的代码库。构建这样的智能系统，不妨从今天开始：1个Agent，1项任务，1个定时任务。

如果你想深入了解如何设计类似的 AI Agent 系统或查阅更多实战案例，可以前往 云栈社区 的 技术文档 板块寻找灵感。对于热衷动手实践的开发者，文中涉及的诸多工具和方法在 开源实战 板块也有丰富的讨论。