假设你是一个独立开发者，正在开发一个新功能。传统流程往往需要你一个人分饰多个角色：先理解需求，然后设计架构，接着写代码，写完自测，最后发布。不仅效率低下，在多个角色间来回切换，思路也容易混乱。
试想一下，如果每个环节都有专人负责呢？比如需求分析师专门撰写需求文档，开发者专注编写实现，测试工程师负责验证，代码审查员把控质量。OpenClaw 的多 Agent 协作框架，正是让 AI 来扮演这些专业角色，实现从需求到代码的自动化工作流。
图 1：OpenClaw 多 Agent 协作核心架构
1. 核心概念
OpenClaw 是一个开源的 AI Agent 框架，其核心能力在于 多 Agent 协作。它允许你创建多个具有不同角色的 Agent，通过任务派发和结果回调，构建复杂的自动化流程。
理解以下几个关键概念至关重要：
- Agent：一个完全独立的智能体，拥有自己的工作空间、记忆和配置。
- Multi-Agent Routing：多个 Agent 并行存在，通过路由规则进行消息隔离。
- Sub-Agents：一个 Agent 可以调用另一个 Agent，形成主从协作关系。
- Skills：每个 Agent 可以配置专属技能，如执行特定脚本或调用 API。
- Bindings：定义消息路由规则，决定哪个来源的消息由哪个 Agent 处理。
这套系统尤其适合需要多角色、流程化协作的场景，例如内容生产流水线、代码研发流程或数据分析管道。
2. 两种协作模式对比
OpenClaw 提供了两种主要的多 Agent 协作模式，适用于不同的场景。
模式一：Multi-Agent Routing（隔离路由）
- 核心机制：消息路由
- 工作方式：多个 Agent 完全独立运行，通过 Bindings 规则将消息路由到指定的 Agent。
- 典型场景：
- 家庭 Agent 与工作 Agent（同一平台的不同账号）。
- 不同客户的专属 Agent（同一平台的不同群组）。
- 示例配置：
{
agents: {
list: [
{ id: "home", workspace: "~/.openclaw/workspace-home" },
{ id: "work", workspace: "~/.openclaw/workspace-work" }
]
},
bindings: [
{ agentId: "home", match: { channel: "feishu", accountId: "personal" } },
{ agentId: "work", match: { channel: "feishu", accountId: "company" } }
]
}
- 特点：Agent 之间完全隔离，互不调用。
模式二：Sub-Agents（协作调用）
如何选择？
| 场景 |
推荐模式 |
原因 |
| 多用户隔离 |
Multi-Agent Routing |
每个用户需要独立的记忆和配置 |
| 多账号管理 |
Multi-Agent Routing |
不同账号完全隔离，互不影响 |
| 任务流水线 |
Sub-Agents |
需要上下游协作，结果传递 |
| 角色分工 |
Sub-Agents |
不同角色完成不同环节，主 Agent 协调 |
对于本文重点介绍的研发流程自动化，Sub-Agents 模式 是更合适的选择，因为它天然支持角色间的协作与数据流转。
图 2：两种协作模式对比
3. 实战：搭建5角色研发协作系统
接下来，我们一步步搭建一个完整的研发协作系统，包含 5 个 Agent：
- Director：项目调度，负责任务分发与汇总。
- Requirement Analyst：需求分析师，生成 PRD 和 API 设计。
- Developer：开发者，根据文档编写代码。
- Code Reviewer：代码审查员，审查代码质量和安全性。
- Tester：测试工程师，编写并执行测试用例。
3.1 架构设计
我们采用 三层架构：
- 交互层：飞书群组，作为用户与系统交互的入口。
- 调度层：Director Agent，负责任务的接收、拆解、分发和结果汇总。
- 执行层：4 个专业 Agent，各司其职，专注完成单一任务。
工作流如下：
用户提出需求
↓
Director 接收并分析
↓
调用 Requirement Analyst → 生成需求文档
↓
调用 Developer → 生成代码
↓
调用 Code Reviewer → 审查代码
↓
调用 Tester → 执行测试
↓
Director 汇总结果 → 返回给用户
图 3：系统三层架构示意图
3.2 配置文件结构与初始化
步骤1：创建 Agent 工作空间
使用 OpenClaw 命令创建所需的 5 个 Agent。每个 Agent 会自动获得独立的工作空间、状态目录和会话存储。
openclaw agents add director
openclaw agents add analyst
openclaw agents add developer
openclaw agents add reviewer
openclaw agents add tester
步骤2：配置主配置文件 openclaw.json
这是系统的核心配置，定义了所有 Agent 及其协作规则。
// ~/.openclaw/openclaw.json
{
agents: {
list: [
{
id: "director",
name: "项目调度",
default: true,
workspace: "~/.openclaw/workspace-director",
agentDir: "~/.openclaw/agents/director/agent"
},
{
id: "analyst",
name: "需求分析师",
workspace: "~/.openclaw/workspace-analyst",
agentDir: "~/.openclaw/agents/analyst/agent"
},
{
id: "developer",
name: "开发者",
workspace: "~/.openclaw/workspace-developer",
agentDir: "~/.openclaw/agents/developer/agent"
},
{
id: "reviewer",
name: "代码审查员",
workspace: "~/.openclaw/workspace-reviewer",
agentDir: "~/.openclaw/agents/reviewer/agent"
},
{
id: "tester",
name: "测试工程师",
workspace: "~/.openclaw/workspace-tester",
agentDir: "~/.openclaw/agents/tester/agent"
}
],
defaults: {
subagents: {
maxSpawnDepth: 2, // 允许嵌套调用（编排器模式）
maxChildrenPerAgent: 5, // 每个 Agent 最多并发5个子任务
maxConcurrent: 8, // 全局并发上限
model: "anthropic/claude-sonnet-4-5", // sub-agents 使用更经济的模型
runTimeoutSeconds: 900 // 单个任务最多运行15分钟
}
}
},
bindings: [
{
agentId: "director",
match: { channel: "feishu", accountId: "dev-team" }
}
],
channels: {
feishu: {
enabled: true,
dmPolicy: "pairing", // 私聊需要配对
accounts: {
"dev-team": {
appId: "cli_xxx",
appSecret: "xxx",
botName: "AI 研发助手"
}
}
}
}
}
关键配置说明：
maxSpawnDepth: 2：允许 Director 调用其他 Agent，实现 Sub-Agents 协作。model: "anthropic/claude-sonnet-4-5"：为 Sub-Agents 指定成本更低的模型，是成本优化的关键。bindings：将飞书账号dev-team的所有消息绑定到director Agent，由它统一调度。
3.3 配置飞书集成
3.3.1 安装飞书插件
openclaw plugins install @openclaw/feishu
3.3.2 创建并配置飞书应用
- 访问飞书开放平台 (https://open.feishu.cn/app) 创建企业自建应用。
- 复制 App ID 和 App Secret。
- 配置应用权限（建议批量导入）：
{
"scopes": {
"tenant": [
"aily:file:read",
"aily:file:write",
"im:message",
"im:message.group_at_msg:readonly",
"im:message.p2p_msg:readonly",
"im:message:readonly",
"im:message:send_as_bot"
]
}
}
- 启用机器人能力，并配置事件订阅，选择 「使用长连接接收事件」（WebSocket 模式，无需公网 URL），添加
im.message.receive_v1 事件。
- 发布应用。
3.3.3 配置环境变量
export FEISHU_APP_ID="cli_xxx"
export FEISHU_APP_SECRET="xxx"
3.3.4 获取群组 ID
在飞书群组中 @你的机器人，然后查看 OpenClaw 日志，找到对应的群组 ID（格式如 oc_xxx），并确保其与 bindings 配置中的 accountId 匹配。
openclaw logs --follow
3.4 编写 Agent 的“灵魂”文件 (SOUL.md)
SOUL.md 文件定义了每个 Agent 的角色、职责和行为规范，是 Agent 的“大脑”。
Director 的 SOUL.md (~/.openclaw/workspace-director/SOUL.md) 核心部分示例：
# Director - 项目调度
你是项目调度专家，负责协调 Analyst、Developer、Reviewer、Tester 完成研发任务。
## 核心职责
1. **接收需求**：理解用户的自然语言需求。
2. **任务拆解**：将需求分解为可执行的子任务。
3. **资源调度**：调用合适的 Agent 完成子任务。
4. **结果汇总**：整合所有子任务结果，向用户汇报。
## 标准工作流程示例
**用户需求**：`开发一个用户登录功能，支持邮箱密码登录和 GitHub OAuth`
1. **调用 Analyst**：
```json
{
"task": "分析用户登录功能需求（邮箱密码 + GitHub OAuth），生成 PRD 和 API 设计",
"agentId": "analyst",
"mode": "run",
"runTimeoutSeconds": 600
}
- 调用 Developer：
{
"task": "根据 Analyst 的输出，实现用户登录功能代码",
"agentId": "developer",
"mode": "run",
"runTimeoutSeconds": 900
}
- 调用 Reviewer：
{
"task": "审查 Developer 的代码，检查安全性和代码质量",
"agentId": "reviewer",
"mode": "run",
"runTimeoutSeconds": 600
}
- 调用 Tester：
{
"task": "为登录功能编写测试用例并执行测试",
"agentId": "tester",
"mode": "run",
"runTimeoutSeconds": 600
}
- 汇总结果并汇报。
汇报格式模板
✅ 任务完成
📋 需求分析：PRD 文档、API 设计已完成。
💻 代码开发：生成 X 个文件，共 Y 行代码。
🔍 代码审查：审查通过/发现问题，Z 条改进建议。
✅ 测试验证：执行 A 个测试用例，通过率 B%。
⏱️ 总耗时：C 分钟
💰 成本：$D
其他 Agent（Analyst, Developer, Reviewer, Tester）的 SOUL.md 也应参照此格式，明确其**核心职责**、**输出格式**、**技术栈/审查清单/测试类型**以及**关键要求**。例如，Reviewer 需关注安全性（SQL注入、XSS）、代码质量和性能；Tester 需定义单元测试、集成测试等类型。
### 3.5 启动系统
完成所有配置后，启动 OpenClaw 服务。
```bash
# 启动 OpenClaw Gateway
openclaw start
# 查看实时日志
openclaw logs --follow
# 检查系统状态
openclaw status
3.6 完整工作流演示
场景：用户在飞书群组中提出需求。
用户 @AI研发助手：开发一个用户登录功能，支持邮箱密码登录和 GitHub OAuth
系统执行流程：
- Director 接收消息，识别为“新功能开发”任务。
- 调用 Analyst，生成包含3个API接口设计的PRD文档。
- 调用 Developer，根据PRD实现功能，生成5个代码文件。
- 调用 Reviewer，审查代码，发现2个安全问题并提供3条改进建议。
- 调用 Tester，编写12个测试用例，执行后通过率92%。
- Director 汇总所有结果，生成综合报告并返回飞书群组。
输出报告示例：
✅ 任务完成
📋 需求分析：
- PRD 文档：已生成（3 个 API 接口）
- OAuth 流程：已设计
💻 代码开发：
- 文件数：5 个（auth.py, user.py, oauth.py, jwt.py, config.py）
🔍 代码审查：
- 审查结果：需要修改
- 🔴 严重问题：2 个（SQL注入风险、密码明文存储）
- 改进建议：3 条
✅ 测试验证：
- 测试用例：12 个
- 通过率：92%
⚠️ 需要修复的问题：
1. 修复 SQL 注入风险（使用参数化查询）
2. 密码加密存储（使用 bcrypt）
3. 修复失败的测试用例
⏱️ 总耗时：12 分钟
💰 成本：$0.22
图 4：完整的AI智能体工作流程
4. 关键技术细节与优化
4.1 工具策略与权限控制
Sub-Agents 默认无法使用会话管理工具（如 sessions_spawn）。当 maxSpawnDepth >= 2 时，作为编排器的 Agent（如 Director）才能获得 sessions_spawn 等工具权限。你还可以自定义策略，进一步限制 Sub-Agents 的工具访问。
{
tools: {
subagents: {
tools: {
deny: ["gateway", "cron", "write"] // 禁止子Agent使用某些工具
}
}
}
}
4.2 结果回调 (Announce) 机制
Sub-Agent 完成任务后，通过 announce 步骤将结果层层回调：
- 执行层 Agent 完成 → 宣布给调度层 Director。
- Director 汇总 → （可选）宣布给更上层或直接响应给用户。
Announce 载荷包含任务状态、结果内容、耗时和成本等关键信息。
4.3 成本优化策略
成本优化的核心是 为 Sub-Agents 使用性价比更高的模型。在主配置中指定 model 参数即可实现。
{
agents: {
defaults: {
subagents: {
model: "anthropic/claude-sonnet-4-5" // 相比Opus等顶级模型，成本大幅降低
}
}
}
}
| 成本对比示例（生成5个代码文件）： |
模型 |
输入Token |
输出Token |
预估成本 |
节省 |
| Claude Opus |
50,000 |
10,000 |
~$1.50 |
基准 |
| Claude Sonnet 4.5 |
50,000 |
10,000 |
~$0.30 |
约80% |
5. 最佳实践
-
Agent设计原则：
- ✅ 单一职责：每个Agent只做好一件事。
- ✅ 明确边界：在SOUL.md中清晰定义职责和输出格式。
- ❌ 避免一个Agent承担过多不相关职责。
-
DevOps 式配置管理：
- ✅ 每个Agent使用独立的工作空间。
- ✅ 使用版本控制管理SOUL.md等配置文件。
- ✅ 为Sub-Agents配置低成本模型并设置合理的超时、并发限制。
-
错误处理：
- ✅ Director 应监控所有子任务，单个失败不应阻塞整个流程。
- ✅ 记录详细日志，便于调试。
-
飞书集成：
- ✅ 推荐使用WebSocket长连接，无需公网IP和域名，简化部署。
- ✅ 设置
dmPolicy: “pairing” 以控制私聊权限。
6. 总结
通过 OpenClaw 构建的多 Agent 研发协作系统，实现了将传统软件研发流程自动化、角色化的愿景。
核心价值：
- 专业化分工：5个AI Agent各司其职，模拟真实研发团队。
- 流程自动化：从需求提出到代码交付，任务自动流转，无需人工干预。
- 质量可控：每个环节均有输出和质量检查（需求文档、代码审查、测试报告）。
- 成本效益：通过为子任务分配低成本模型，可节省高达80%的AI调用成本。
适用场景：
- 独立开发者/小微团队：弥补人力不足，自动化常规开发任务。
- 教育/原型开发：快速将想法转化为可演示的代码原型。
- 流程标准化：将团队的最佳实践固化为自动化工作流。
这套基于 OpenClaw Sub-Agents 模式的方案，已在实际场景中得到验证，能够将传统需要1-2天的需求到代码周期，缩短至15-30分钟内完成，极大提升了开发效率和响应速度。如果你对AI赋能研发流程感兴趣，不妨在 云栈社区 分享你的实践与想法。
相关资源：
发表于 1 小时前
|
查看: 3|
回复: 0
