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。
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:
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。
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。
建议先建立一个最小可运行目录,不要一开始就追求复杂:
opc/├── config.yaml├── agents/│ ├── 01_commander/SOUL.md│ ├── 02_scout/SOUL.md│ ├── 03_studio/SOUL.md│ └── 04_inspector/SOUL.md├── memory/│ ├── project/│ └── vector/├── tasks/├── artifacts/├── logs/└── 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。
以常见本地运行方式为例,可先创建目录并安装依赖:
mkdir -p opc/{config,agents,memory/project,memory/vector,tasks,artifacts,logs,scripts}cd opccp .env.example .env# 在 .env 中填写模型网关地址与密钥,例如:# MODEL_BASE_URL=...# MODEL_API_KEY=...
如果项目使用Node环境:
npm install./openclaw serve --config config.yaml --workspace .
如果项目使用Python环境:
python -m pip install -r requirements.txtpython 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。
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。
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:
# Agent: Studioversion: 1.2owner: humanrole: 长文创作accepts: Scout的结构化选题单,包含角度、目标读者、字数outputs: Markdown初稿 + 3条自检说明forbidden:- 自行更改选题角度- 输出未经核实的数字- 在初稿中直接下结论style: 短句为主,不使用感叹号changelog:- 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。
三层记忆可以这样设计:
memory/project/<agent>/<topic>.md,记录选题库、风格规则、历史决策。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:
pip install chromadb sentence-transformers openai# 如果使用轻量检索,也可以替换为 faiss-cpu
代码示例:
from pathlib import Pathfrom dataclasses import dataclassfrom typing import List, Dict, AnySOUL_DIR = Path("agents")L2_ROOT = Path("memory/project")@dataclassclass Hit:text: strscore: floatdef load_soul(agent: str) -> str:"""加载Agent灵魂文件,限制最大长度,避免占用过多上下文。"""path = SOUL_DIR / agent / "SOUL.md"try:text = path.read_text(encoding="utf-8").strip()except FileNotFoundError:return f"# Agent: {agent}\n- 角色:待配置"except OSError:return ""return text[:4000]def load_l2(agent: str, topic: str, max_chars: int = 1800) -> str:"""加载项目记忆,按字符数限制,防止上下文膨胀。"""path = L2_ROOT / agent / f"{topic}.md"try:lines = path.read_text(encoding="utf-8").splitlines()except (FileNotFoundError, OSError):return ""out = []used = 0for line in lines:if used + len(line) > max_chars:breakout.append(line)used += len(line)return "\n".join(out)def vector_search(query: str, k: int = 4, max_chars: int = 1200) -> List[Hit]:"""检索归档记忆,限制条数与总长度,失败时降级为空结果。"""try:raw = VECTOR_INDEX.search(query, k)except Exception:return []hits = []used = 0for item in raw:text = (item.get("text") or "").strip()if not text:continuesnippet = text[:800]if used + len(snippet) > max_chars:breakhits.append(Hit(text=snippet, score=float(item.get("score", 0))))used += len(snippet)return hitsdef build_context(agent: str, task: Dict[str, Any]) -> str:ctx = [load_soul(agent)]topic = task.get("topic", "general")l2 = load_l2(agent, topic)if l2:ctx.append("[项目记忆]\n" + l2)hits = vector_search(task.get("query", ""))if hits:ctx.append("[历史参考]\n" + "\n".join(h.text for h in hits))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。
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:
workspace: .tasks_dir: ./tasksartifacts_dir: ./artifactslogs_dir: ./logsmodel_gateway:base_url: ${MODEL_BASE_URL}api_key: ${MODEL_API_KEY}default_model: balancedagents:commander:model: flagshipsoul: agents/01_commander/SOUL.mdscout:model: balancedsoul: agents/02_scout/SOUL.mdstudio:model: long_textsoul: agents/03_studio/SOUL.mdinspector:model: stablesoul: agents/04_inspector/SOUL.md
任务轮询脚本可以这样写:
import jsonimport timefrom pathlib import Pathfrom datetime import datetimeTASK_DIR = Path("tasks")ARTIFACT_DIR = Path("artifacts")def load_json(path: Path) -> dict:return json.loads(path.read_text(encoding="utf-8"))def save_json(path: Path, data: dict):path.write_text(json.dumps(data, ensure_ascii=False, indent=2), encoding="utf-8")def call_agent(agent: str, payload: dict) -> str:# 这里替换为真实模型调用,例如通过统一网关请求模型return f"{agent} processed {payload}"def create_review_task(parent_id: str):review_id = f"R-{datetime.now().strftime('%Y%m%d%H%M%S')}-{parent_id}"task = {"id": review_id,"from": "Inspector","to": "Inspector","type": "review_article","payload": {"artifact_id": parent_id},"status": "pending","parent": parent_id,}save_json(TASK_DIR / f"{review_id}.json", task)def run_loop():while True:for file in sorted(TASK_DIR.glob("*.json")):task = load_json(file)if task.get("status") == "pending":agent = task.get("to", "commander")result = call_agent(agent, task.get("payload", {}))artifact_id = task["id"] + "-out"(ARTIFACT_DIR / f"{artifact_id}.md").write_text(result, encoding="utf-8")task["status"] = "done"task["artifact"] = artifact_idsave_json(file, task)if task.get("need_review"):create_review_task(task["id"])elif task.get("status") == "review_failed" and task.get("retry", 0) < 1:task["to"] = "studio"task["status"] = "pending"task["retry"] = task.get("retry", 0) + 1save_json(file, task)time.sleep(2)if __name__ == "__main__":run_loop()
审核回退的关键规则是:
review.json,不直接覆盖原稿。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:
{"id": "T-20260826-001","from": "Scout","to": "Studio","type": "write_article","payload": {"angle": "单Agent的局限与多Agent的优势","audience": "独立开发者","words": 2500},"status": "pending","parent": null,"need_review": true}
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:
pending -> done -> review_pending -> review_done|vreview_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。
15个Agent不应该使用同一个模型。更合理的分工是:
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:
成本公式可以写为:
日成本 = Σ Agent_i [调用次数_i × (输入Token_i × (1 - 缓存命中率_i) × 输入单价_i+ 输入Token_i × 缓存命中率_i × 缓存单价_i+ 输出Token_i × 输出单价_i)]
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:
计算:
总输入 = 10 × 3000 = 30000可计费输入 = 30000 × (1 - 30%) = 21000输入成本 = 21000 / 1000 × 0.002 = 0.042元输出成本 = 10 × 1500 / 1000 × 0.008 = 0.12元Studio日成本 = 0.162元
Inspector:
计算:
总输入 = 40 × 800 = 32000可计费输入 = 32000 × (1 - 30%) = 22400输入成本 = 22400 / 1000 × 0.001 = 0.0224元输出成本 = 40 × 300 / 1000 × 0.004 = 0.048元Inspector日成本 = 0.0704元
两者合计约0.2324元/天。
优化手段有三个:
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。
不要一上来就搭建15个Agent。更稳的路线是:
安全方面也要提前设计:
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。