OpenClaw搭建15个Agent一人公司实操指南

作者:da吃一鲸8862026.11.17 03:42浏览量:0

简介:本文给出基于OpenClaw搭建15个Agent一人公司的实操方案,覆盖安装目录、灵魂文件、三层记忆、任务轮询、质检回退、模型成本口径与安全建议,帮助读者先用3个Agent跑通闭环,再平稳扩展。

agent-">先给结论:15个Agent的一人公司,难的不是“多”,而是“隔离”与“通信”

所谓“一人公司”,并不是让一个人真的复制成15个人,而是把最高决策权保留在人手里,把执行拆给一组职责单一的Agent。真正决定系统能不能跑通的,不是Agent数量,而是四件事:

  1. 上下文隔离:每个Agent有独立会话、独立灵魂文件、独立记忆空间,避免互相污染。
  2. 按需加载:不把全部历史记忆塞进上下文,只在当前任务需要时检索。
  3. Agent间通信:通过任务文件、消息总线或共享队列传递任务,而不是靠人复制粘贴。
  4. 质检闭环:产出物必须经过独立Agent审核,才能进入发布或待人工确认区域。

如果每个Agent各自硬编码一套API地址、模型名和密钥,后期换模型、比价、限流、排障都会非常痛苦。因此,从搭建第一天起,就应该把模型调用抽象成统一网关,让“哪个Agent用哪个模型”成为配置项,而不是散落在代码里的硬编码。

一、OpenClaw是什么:先准备可运行的最小环境

在本文语境里,OpenClaw可以理解为多Agent运行与编排层:它读取配置,加载不同Agent的灵魂文件,把任务分派到对应角色,并把产物写入指定目录。不同版本的安装命令可能略有差异,但核心思路一致:准备目录、安装依赖、配置模型网关、启动任务循环。

1. 最小目录结构

建议先建立一个最小可运行目录,不要一开始就追求复杂:

  1. opc/
  2. ├── config.yaml
  3. ├── agents/
  4. │ ├── 01_commander/SOUL.md
  5. │ ├── 02_scout/SOUL.md
  6. │ ├── 03_studio/SOUL.md
  7. │ └── 04_inspector/SOUL.md
  8. ├── memory/
  9. │ ├── project/
  10. │ └── vector/
  11. ├── tasks/
  12. ├── artifacts/
  13. ├── logs/
  14. └── scripts/

这个目录里,agents存放角色定义,memory/project存放项目级规则,memory/vector用于可选的向量检索,tasks存放任务状态,artifacts存放产物,logs用于排查问题。

2. 安装与启动

以常见本地运行方式为例,可先创建目录并安装依赖:

  1. mkdir -p opc/{config,agents,memory/project,memory/vector,tasks,artifacts,logs,scripts}
  2. cd opc
  3. cp .env.example .env
  4. # 在 .env 中填写模型网关地址与密钥,例如:
  5. # MODEL_BASE_URL=...
  6. # MODEL_API_KEY=...

如果项目使用Node环境:

  1. npm install
  2. ./openclaw serve --config config.yaml --workspace .

如果项目使用Python环境:

  1. python -m pip install -r requirements.txt
  2. python scripts/run_loop.py

不同OpenClaw版本的启动命令可能不同,关键判断标准是:配置能被加载,Agent能被唤醒,任务文件能被读取,产物能被写入artifacts。满足这四点,最小闭环就算跑通。

二、为什么单Agent必然不够用

单Agent适合做简单问答,但很难长期支撑一条内容生产或业务运营流水线,原因有三个。

第一,上下文窗口有限。 一个Agent聊得越久,早期约束越容易被稀释。比如写第20篇文章时,它可能已经忘了“不使用感叹号”“数字必须标注来源”这类规则。

第二,角色会冲突。 同一个Agent既当策划,又当创作,又当质检,等于自己判自己的卷子。质检的价值来自独立性:它最好不要知道初稿是如何被生成的,否则审核容易退化成复述。

第三,错误无法归因。 如果单Agent输出质量下降,你很难判断是策划角度错了、创作能力弱了,还是审核标准松了。拆成多Agent后,每个环节都有独立任务、独立日志和独立产物,问题可以被定位到具体角色。

三、架构设计:三层结构、15个Agent职责与灵魂文件

推荐采用三层结构:

层级 职责 典型Agent
指挥层 理解意图、拆解任务、分派任务、汇总结果 指挥官、架构守护
执行层 策划、研究、创作、运营、数据分析 选题、资料、创作、润色、运营
校验层 事实核查、风格审核、合规检查 事实核查、质检、合规

如果要把规模扩展到15个Agent,可以按职责拆分,但不要为了数量而拆分。下表是一个可落地的15个Agent职责示例:

编号 Agent 主要职责 输入 输出 合并建议
1 Commander 指挥官 接收目标、拆解任务、分派执行 用户目标、优先级 任务JSON 不建议合并
2 Echo 架构守护 检查目录、配置、接口与异常 配置、日志 架构检查报告 小团队可与指挥官合并
3 Scout 选题 生成选题角度与目标读者 热点、业务目标 结构化选题单 不建议合并
4 Researcher 资料员 收集资料与引用线索 选题单 资料摘要 可与事实核查协作
5 FactChecker 事实核查 核对数字、来源、时间 初稿、资料 事实核查表 不可与创作合并
6 Studio 创作 根据选题写初稿 选题单、资料 Markdown初稿 不可与质检合并
7 Editor 润色 优化表达与结构 初稿 润色稿 可与创作协作
8 Seoer SEO 生成标题、摘要、关键词 成稿 SEO元信息 可并入运营
9 Designer 视觉 生成配图提示词或封面方案 文章内容 视觉提示词 可外包给模板
10 Operator 运营 生成渠道发布文案 成稿、渠道规则 多渠道文案 可并入Seoer
11 Scheduler 调度 管理重试、超时、优先级 任务状态 下一动作 可与指挥官合并
12 Inspector 质检 审核风格、结构、风险 成稿、规则 质检结论 必须独立
13 Compliance 合规 检查敏感词与合规风险 成稿、行业规则 合规意见 小团队可并入Inspector
14 Analyst 数据 分析阅读、转化、反馈 发布数据 复盘报告 可合并为周期任务
15 Archive 归档 打标签、索引、沉淀模板 产物、标签规则 归档记录 建议保留

每个Agent对应一个目录,目录里放“灵魂文件”,通常是SOUL.md。它定义身份、边界、输入、输出、禁止事项和风格要求。模板可以增强为如下形式:

  1. # Agent: Studio
  2. version: 1.2
  3. owner: human
  4. role: 长文创作
  5. accepts: Scout的结构化选题单,包含角度、目标读者、字数
  6. outputs: Markdown初稿 + 3条自检说明
  7. forbidden:
  8. - 自行更改选题角度
  9. - 输出未经核实的数字
  10. - 在初稿中直接下结论
  11. style: 短句为主,不使用感叹号
  12. changelog:
  13. - 2026-08-26 增加事实引用要求

关键点:灵魂文件必须短。 它是常驻上下文,不是知识库。详细规范应放入项目记忆或外部文档,需要时再检索。

四、三层记忆架构:可执行加载代码

三层记忆可以这样设计:

  • L1 工作记忆:当前任务的对话上下文,任务结束即销毁。
  • L2 项目记忆:结构化文件,如memory/project/<agent>/<topic>.md,记录选题库、风格规则、历史决策。
  • L3 归档记忆:向量库,存历史产出与复盘,只在需要时检索Top-K。

下面给出一套可直接改用的Python加载示例,包含依赖、SOUL加载路径、load_l2、vector_search、Top-K长度限制与异常处理。

依赖示例:

  1. pip install chromadb sentence-transformers openai
  2. # 如果使用轻量检索,也可以替换为 faiss-cpu

代码示例:

  1. from pathlib import Path
  2. from dataclasses import dataclass
  3. from typing import List, Dict, Any
  4. SOUL_DIR = Path("agents")
  5. L2_ROOT = Path("memory/project")
  6. @dataclass
  7. class Hit:
  8. text: str
  9. score: float
  10. def load_soul(agent: str) -> str:
  11. """加载Agent灵魂文件,限制最大长度,避免占用过多上下文。"""
  12. path = SOUL_DIR / agent / "SOUL.md"
  13. try:
  14. text = path.read_text(encoding="utf-8").strip()
  15. except FileNotFoundError:
  16. return f"# Agent: {agent}\n- 角色:待配置"
  17. except OSError:
  18. return ""
  19. return text[:4000]
  20. def load_l2(agent: str, topic: str, max_chars: int = 1800) -> str:
  21. """加载项目记忆,按字符数限制,防止上下文膨胀。"""
  22. path = L2_ROOT / agent / f"{topic}.md"
  23. try:
  24. lines = path.read_text(encoding="utf-8").splitlines()
  25. except (FileNotFoundError, OSError):
  26. return ""
  27. out = []
  28. used = 0
  29. for line in lines:
  30. if used + len(line) > max_chars:
  31. break
  32. out.append(line)
  33. used += len(line)
  34. return "\n".join(out)
  35. def vector_search(query: str, k: int = 4, max_chars: int = 1200) -> List[Hit]:
  36. """检索归档记忆,限制条数与总长度,失败时降级为空结果。"""
  37. try:
  38. raw = VECTOR_INDEX.search(query, k)
  39. except Exception:
  40. return []
  41. hits = []
  42. used = 0
  43. for item in raw:
  44. text = (item.get("text") or "").strip()
  45. if not text:
  46. continue
  47. snippet = text[:800]
  48. if used + len(snippet) > max_chars:
  49. break
  50. hits.append(Hit(text=snippet, score=float(item.get("score", 0))))
  51. used += len(snippet)
  52. return hits
  53. def build_context(agent: str, task: Dict[str, Any]) -> str:
  54. ctx = [load_soul(agent)]
  55. topic = task.get("topic", "general")
  56. l2 = load_l2(agent, topic)
  57. if l2:
  58. ctx.append("[项目记忆]\n" + l2)
  59. hits = vector_search(task.get("query", ""))
  60. if hits:
  61. ctx.append("[历史参考]\n" + "\n".join(h.text for h in hits))
  62. return "\n\n".join(ctx)

其中VECTOR_INDEX可以替换为Chroma、FAISS或其他向量库客户端。核心原则是:检索结果必须经过长度限制,并且异常时不能阻塞主流程。

按需加载的意义在于:上下文里只留与当前任务强相关的内容,既节省Token,也减少无关信息对模型输出的干扰。

五、OpenClaw落地:配置加载、任务轮询与审核回退

在正式讨论Agent通信前,先把OpenClaw的落地流程说清楚。建议采用“配置文件 + 任务目录 + 轮询脚本”的最小方案。

config.yaml示例:

  1. workspace: .
  2. tasks_dir: ./tasks
  3. artifacts_dir: ./artifacts
  4. logs_dir: ./logs
  5. model_gateway:
  6. base_url: ${MODEL_BASE_URL}
  7. api_key: ${MODEL_API_KEY}
  8. default_model: balanced
  9. agents:
  10. commander:
  11. model: flagship
  12. soul: agents/01_commander/SOUL.md
  13. scout:
  14. model: balanced
  15. soul: agents/02_scout/SOUL.md
  16. studio:
  17. model: long_text
  18. soul: agents/03_studio/SOUL.md
  19. inspector:
  20. model: stable
  21. soul: agents/04_inspector/SOUL.md

任务轮询脚本可以这样写:

  1. import json
  2. import time
  3. from pathlib import Path
  4. from datetime import datetime
  5. TASK_DIR = Path("tasks")
  6. ARTIFACT_DIR = Path("artifacts")
  7. def load_json(path: Path) -> dict:
  8. return json.loads(path.read_text(encoding="utf-8"))
  9. def save_json(path: Path, data: dict):
  10. path.write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")
  11. def call_agent(agent: str, payload: dict) -> str:
  12. # 这里替换为真实模型调用,例如通过统一网关请求模型
  13. return f"{agent} processed {payload}"
  14. def create_review_task(parent_id: str):
  15. review_id = f"R-{datetime.now().strftime('%Y%m%d%H%M%S')}-{parent_id}"
  16. task = {
  17. "id": review_id,
  18. "from": "Inspector",
  19. "to": "Inspector",
  20. "type": "review_article",
  21. "payload": {"artifact_id": parent_id},
  22. "status": "pending",
  23. "parent": parent_id,
  24. }
  25. save_json(TASK_DIR / f"{review_id}.json", task)
  26. def run_loop():
  27. while True:
  28. for file in sorted(TASK_DIR.glob("*.json")):
  29. task = load_json(file)
  30. if task.get("status") == "pending":
  31. agent = task.get("to", "commander")
  32. result = call_agent(agent, task.get("payload", {}))
  33. artifact_id = task["id"] + "-out"
  34. (ARTIFACT_DIR / f"{artifact_id}.md").write_text(
  35. result, encoding="utf-8"
  36. )
  37. task["status"] = "done"
  38. task["artifact"] = artifact_id
  39. save_json(file, task)
  40. if task.get("need_review"):
  41. create_review_task(task["id"])
  42. elif task.get("status") == "review_failed" and task.get("retry", 0) < 1:
  43. task["to"] = "studio"
  44. task["status"] = "pending"
  45. task["retry"] = task.get("retry", 0) + 1
  46. save_json(file, task)
  47. time.sleep(2)
  48. if __name__ == "__main__":
  49. run_loop()

审核回退的关键规则是:

  1. Inspector只读取产物和审核规则,不读取Studio的完整生成过程。
  2. 审核结果写入独立文件,例如review.json,不直接覆盖原稿。
  3. 审核不通过时,生成一条带修改意见的回退任务,交还给Studio。
  4. 设置重试上限,例如最多1次;仍失败则转入人工待审区。

六、Agent间通信:文件信箱 + 消息总线

不要一开始就上重型框架。最小可用方案是“共享工作区 + 任务状态文件”。

任务文件示例:

  1. {
  2. "id": "T-20260826-001",
  3. "from": "Scout",
  4. "to": "Studio",
  5. "type": "write_article",
  6. "payload": {
  7. "angle": "单Agent的局限与多Agent的优势",
  8. "audience": "独立开发者",
  9. "words": 2500
  10. },
  11. "status": "pending",
  12. "parent": null,
  13. "need_review": true
  14. }

Studio完成后,把status改为done,写入artifacts/,同时新建一条to: Inspector的审核任务。Inspector审核不通过时,将status改为review_failed,并附带修改意见,交还Studio。

状态机可以简化为:

  1. pending -> done -> review_pending -> review_done
  2. |
  3. v
  4. review_failed -> pending

这种设计的优势是可观测:任何一次产出都能追溯到任务链,出错时能定位到具体Agent、具体任务和具体版本。

七、模型选型与成本控制:公式、口径与示例

15个Agent不应该使用同一个模型。更合理的分工是:

  • 指挥官、架构守护:需要强推理与长上下文,可使用旗舰模型。
  • 创作Agent:优先长文本生成能力。
  • 质检Agent:优先指令遵循与稳定性,且调用频次高,应关注单价与返工率。
  • 归档、打标类Agent:可使用轻量模型,降低成本。

成本不能只看“调用一次多少钱”,而要看“完成一个合格任务需要多少次调用”。建议统一口径:

  • 统计周期:按天或按任务批次。
  • 调用次数:包含成功调用与失败重试。
  • Token口径:区分输入Token、输出Token、缓存命中部分。
  • 单价口径:统一换算为元/千Token。
  • 缓存命中:命中固定前缀、检索缓存或结果缓存的比例。

成本公式可以写为:

  1. 日成本 = Σ Agent_i [
  2. 调用次数_i × (
  3. 输入Token_i × (1 - 缓存命中率_i) × 输入单价_i
  4. + 输入Token_i × 缓存命中率_i × 缓存单价_i
  5. + 输出Token_i × 输出单价_i
  6. )
  7. ]

如果缓存不单独计费,可令缓存单价为0。

示例:假设某天有两个高频Agent。

Studio:

  • 调用次数:10次
  • 单次输入:3000 Token
  • 单次输出:1500 Token
  • 输入单价:0.002元/千Token
  • 输出单价:0.008元/千Token
  • 缓存命中率:30%
  • 缓存单价:0

计算:

  1. 总输入 = 10 × 3000 = 30000
  2. 可计费输入 = 30000 × (1 - 30%) = 21000
  3. 输入成本 = 21000 / 1000 × 0.002 = 0.042元
  4. 输出成本 = 10 × 1500 / 1000 × 0.008 = 0.12元
  5. Studio日成本 = 0.162元

Inspector:

  • 调用次数:40次
  • 单次输入:800 Token
  • 单次输出:300 Token
  • 输入单价:0.001元/千Token
  • 输出单价:0.004元/千Token
  • 缓存命中率:30%

计算:

  1. 总输入 = 40 × 800 = 32000
  2. 可计费输入 = 32000 × (1 - 30%) = 22400
  3. 输入成本 = 22400 / 1000 × 0.001 = 0.0224元
  4. 输出成本 = 40 × 300 / 1000 × 0.004 = 0.048元
  5. Inspector日成本 = 0.0704元

两者合计约0.2324元/天。

优化手段有三个:

  1. 把常驻灵魂文件压缩到500 Token以内。
  2. 对L3检索结果限制条数与长度,例如只取Top-4且总长度不超过1200字符。
  3. 对高频重复任务做结果缓存,尤其是格式转换、标签提取、模板填充等任务。

选型阶段建议用一个小规模真实任务集验证,而不是只看榜单。验证指标可以包括:事实准确率、风格符合率、返工次数、平均Token消耗、任务完成时间。

八、五个常见坑

  1. Agent数量虚高:15个Agent里若有8个职责重叠,实际等于3个。先合并职责,再谈数量。
  2. 通信靠人:任何需要人工复制粘贴的环节,都还没实现自动化。
  3. 质检Agent看到初稿的生成过程:一旦共享上下文,审核就退化成复述。
  4. 记忆无淘汰:L2/L3不做去重和过期清理,检索质量会持续下降。
  5. 没有失败回退:任务失败要能重试并降级,例如创作失败退回上一版草稿,否则整条流水线会卡死。

九、落地路线与安全建议

不要一上来就搭建15个Agent。更稳的路线是:

  1. 先用3个Agent跑通:策划、创作、质检。
  2. 验证任务协议、目录结构、记忆加载和审核回退。
  3. 再增加研究、事实核查、SEO、运营等角色。
  4. 最后才扩展到15个Agent。

安全方面也要提前设计:

  • API Key权限最小化:不同Agent尽量使用独立密钥或独立配额,避免一个密钥泄露影响全部流程。
  • 日志脱敏:不要记录完整Prompt、用户隐私或敏感原文,必要时只保留任务ID、状态和错误码。
  • 数据外发提醒:如果内容涉及敏感信息,应确认模型服务的数据使用策略,必要时使用本地模型或私有部署。
  • 失败重试上限:避免无限重试造成Token浪费,建议最多1到2次,之后转人工。
  • 生产隔离:测试、预发布、正式环境使用不同工作区,避免任务串线。

模型接入方面,本文不绑定具体厂商。你可以接入任意兼容OpenAI协议的大模型服务,将base_url和api_key写入环境变量,不要提交到代码仓库。这样做的目的,是让模型调用层保持可替换、可比较、可审计。

最终,“一人公司”能长期运转的真正前提,不是堆Agent数量,而是让调度、记忆、通信、质检和安全这五个模块稳定闭环。