第八章：进阶用法

多 Agent 协作

在复杂场景下，单个 Agent 可能无法高效地完成所有任务。OpenClaw 支持多 Agent 协作模式，让多个专业化的 Agent 协同工作。

多 Agent 架构

mermaid

graph TD
    User["用户请求"] --> Orchestrator["编排 Agent\n(Orchestrator)"]

    Orchestrator --> Coder["代码 Agent\n专注编程任务"]
    Orchestrator --> Writer["写作 Agent\n专注文档撰写"]
    Orchestrator --> Analyst["分析 Agent\n专注数据分析"]
    Orchestrator --> Researcher["研究 Agent\n专注信息检索"]

    Coder --> Result["汇总结果"]
    Writer --> Result
    Analyst --> Result
    Researcher --> Result
    Result --> Orchestrator
    Orchestrator --> User

配置多 Agent

yaml

# ~/.openclaw/agents/multi-agent.yaml
orchestrator:
  name: "主编排器"
  model: "gpt-4o"
  system_prompt: |
    你是一个任务编排器。收到用户请求后，请分析任务并分配给合适的专业 Agent。
    你可以调用的 Agent：coder, writer, analyst, researcher。
    所有 Agent 完成后，请汇总结果并以统一格式返回给用户。

agents:
  coder:
    name: "代码专家"
    model: "claude-sonnet-4-20250514"
    system_prompt: |
      你是一个资深软件工程师。专注于代码编写、审查和重构。
      始终提供可运行的代码示例，包含完整的类型定义和错误处理。
    skills:
      - filesystem
      - git
      - code-runner
    temperature: 0.3

  writer:
    name: "技术写手"
    model: "gpt-4o"
    system_prompt: |
      你是一个技术写作专家。善于撰写清晰、结构化的技术文档。
      使用准确的术语，配合图表和示例。
    skills:
      - filesystem
      - knowledge-base
    temperature: 0.7

  analyst:
    name: "数据分析师"
    model: "gpt-4o"
    system_prompt: |
      你是一个数据分析专家。善于数据清洗、统计分析和可视化。
      总是提供数据支撑的结论和可视化建议。
    skills:
      - filesystem
      - data-tools
      - chart-generator
    temperature: 0.2

  researcher:
    name: "信息研究员"
    model: "gpt-4o-mini"
    system_prompt: |
      你是一个信息研究助手。善于从知识库和网络中检索、整理信息。
      总是标注信息来源，区分事实与推测。
    skills:
      - knowledge-base
      - web-search
    temperature: 0.5

启动多 Agent 模式

bash

# 使用多 Agent 配置启动对话
openclaw chat --agents multi-agent

# 在对话中查看 Agent 状态
/agents status

多 Agent 协作示例

You > 请帮我为我们的 REST API 生成完整的技术文档，
      包含 API 规范、代码示例和性能基准测试。

Orchestrator > 收到！我将此任务分配给 3 个 Agent 并行处理：

[Researcher] 正在检索知识库中的 API 相关文档...
[Coder] 正在分析 ~/Projects/api-server/src/routes/ 代码...
[Analyst] 正在收集 API 性能监控数据...

--- 2 分钟后 ---

[Writer] 基于以上信息，正在撰写技术文档...

--- 完成 ---

技术文档已生成并保存到 ~/Documents/api-docs/：
1. api-reference.md - API 接口规范（42 个端点）
2. code-examples.md - 各语言调用示例
3. performance-report.md - 性能基准测试报告

总耗时：3 分 22 秒 | 使用 Token：12,345

多 Agent 通信模式

模式	描述	适用场景
集中式	所有 Agent 通过 Orchestrator 通信	任务分解明确、结果需汇总
链式	Agent A 的输出传给 Agent B	流水线处理
广播	同一输入发给所有 Agent	多角度分析
投票	多个 Agent 独立处理，取多数结果	提高准确性

yaml

# 链式通信示例
collaboration:
  mode: "chain"
  pipeline:
    - agent: "researcher"
      task: "收集相关资料"
    - agent: "analyst"
      task: "分析数据趋势"
      input: "{{ researcher.output }}"
    - agent: "writer"
      task: "撰写报告"
      input: "{{ analyst.output }}"

自定义 Skill 开发

Skill 基本概念

Skill 是 OpenClaw 的功能扩展单元。每个 Skill 就是一个独立的功能模块，可以被 Agent 调用来完成特定任务。

SKILL.md 格式

每个 Skill 项目必须包含一个 SKILL.md 文件，这是 Skill 的元数据和文档：

markdown

---
name: weather-query
version: 1.0.0
description: 查询全球各地的天气信息
author: your-username
license: MIT
tags:
  - weather
  - utility
  - api
requires:
  - node: ">=22.0.0"
  - api_key: WEATHER_API_KEY
parameters:
  - name: location
    type: string
    required: true
    description: 查询的城市或地区名称
  - name: unit
    type: string
    required: false
    default: "celsius"
    enum: ["celsius", "fahrenheit"]
    description: 温度单位
returns:
  type: object
  properties:
    temperature: number
    humidity: number
    description: string
    forecast: array
---

# Weather Query Skill

查询全球各地的实时天气信息和未来 7 天预报。

## 使用示例

查询北京今天的天气未来三天上海的天气预报


## API Key 获取

1. 访问 https://weatherapi.com
2. 注册账号获取免费 API Key
3. 配置：`openclaw config set skills.weather-query.api_key YOUR_KEY`

Skill 项目结构

weather-query/
├── SKILL.md              # Skill 元数据和文档
├── package.json          # Node.js 依赖
├── src/
│   ├── index.ts          # 入口文件
│   ├── api.ts            # API 调用封装
│   └── types.ts          # 类型定义
├── tests/
│   ├── index.test.ts     # 单元测试
│   └── fixtures/         # 测试数据
└── README.md             # 开发文档

实现一个 Skill

typescript

// src/index.ts
import { Skill, SkillContext, SkillResult } from '@openclaw/sdk';

interface WeatherParams {
  location: string;
  unit?: 'celsius' | 'fahrenheit';
}

interface WeatherData {
  temperature: number;
  humidity: number;
  description: string;
  forecast: Array<{
    date: string;
    high: number;
    low: number;
    description: string;
  }>;
}

export default class WeatherSkill extends Skill<WeatherParams, WeatherData> {
  name = 'weather-query';

  async execute(
    params: WeatherParams,
    context: SkillContext
  ): Promise<SkillResult<WeatherData>> {
    const apiKey = context.config.get('api_key');
    if (!apiKey) {
      return this.error('未配置 WEATHER_API_KEY，请先设置 API Key');
    }

    const { location, unit = 'celsius' } = params;

    try {
      const response = await fetch(
        `https://api.weatherapi.com/v1/forecast.json` +
        `?key=${apiKey}&q=${encodeURIComponent(location)}&days=7`
      );

      if (!response.ok) {
        return this.error(`天气查询失败: ${response.statusText}`);
      }

      const data = await response.json();
      const current = data.current;
      const forecast = data.forecast.forecastday;

      const temp = unit === 'celsius' ? current.temp_c : current.temp_f;

      return this.success({
        temperature: temp,
        humidity: current.humidity,
        description: current.condition.text,
        forecast: forecast.map((day: any) => ({
          date: day.date,
          high: unit === 'celsius' ? day.day.maxtemp_c : day.day.maxtemp_f,
          low: unit === 'celsius' ? day.day.mintemp_c : day.day.mintemp_f,
          description: day.day.condition.text,
        })),
      });
    } catch (err) {
      return this.error(`网络请求失败: ${(err as Error).message}`);
    }
  }
}

测试 Skill

bash

# 运行单元测试
cd weather-query
npm test

# 本地测试执行
openclaw skill test ./weather-query --params '{"location": "北京"}'

# 预期输出
# Skill: weather-query v1.0.0
# Input: { location: "北京" }
# Output: {
#   temperature: 12,
#   humidity: 45,
#   description: "晴",
#   forecast: [...]
# }
# Duration: 234ms
# Status: success

发布到 ClawHub

ClawHub 是 OpenClaw 的官方 Skill 注册中心，类似于 npm 或 PyPI。

发布流程

bash

# 1. 登录 ClawHub
openclaw hub login

# 2. 验证 Skill 格式
openclaw skill validate ./weather-query

# 验证输出：
# [PASS] SKILL.md format is valid
# [PASS] Package structure is correct
# [PASS] Entry point exists
# [PASS] Tests pass (3/3)
# [PASS] No security issues detected
# Ready to publish!

# 3. 发布
openclaw skill publish ./weather-query

# 发布输出：
# Publishing weather-query@1.0.0 to ClawHub...
# Package uploaded successfully!
# URL: https://hub.openclaw.dev/skills/weather-query

版本管理

bash

# 更新版本
openclaw skill bump ./weather-query --patch   # 1.0.0 -> 1.0.1
openclaw skill bump ./weather-query --minor   # 1.0.0 -> 1.1.0
openclaw skill bump ./weather-query --major   # 1.0.0 -> 2.0.0

# 发布新版本
openclaw skill publish ./weather-query

# 查看已发布的版本
openclaw hub versions weather-query

ClawHub 统计

bash

# 查看 Skill 下载统计
openclaw hub stats weather-query

# 输出：
# weather-query@1.0.0
# Downloads: 1,234 (total) | 89 (this week)
# Stars: 56
# Reviews: 4.5/5.0 (12 reviews)

性能优化

Token 使用优化

yaml

# ~/.openclaw/config.yaml
performance:
  # 上下文压缩 - 自动压缩过长的对话历史
  context_compression:
    enabled: true
    strategy: "summarize"    # summarize: 自动摘要, truncate: 截断
    trigger_threshold: 0.8   # 上下文占用率达到 80% 时触发
    target_ratio: 0.5        # 压缩到 50%

  # 智能路由 - 根据任务复杂度选择模型
  smart_routing:
    enabled: true
    rules:
      - condition: "simple_qa"       # 简单问答
        model: "gpt-4o-mini"         # 用小模型
      - condition: "code_generation"  # 代码生成
        model: "claude-sonnet-4-20250514"       # 用强模型
      - condition: "data_analysis"    # 数据分析
        model: "gpt-4o"              # 用通用强模型

  # 缓存 - 缓存重复查询结果
  cache:
    enabled: true
    ttl: 3600                # 缓存有效期（秒）
    max_size: "500MB"        # 最大缓存空间
    strategy: "semantic"     # semantic: 语义相似的查询也命中缓存

响应速度优化

yaml

performance:
  streaming:
    enabled: true            # 启用流式响应
    chunk_size: 10           # 每次推送的 token 数

  prefetch:
    enabled: true            # 预加载常用 Skills
    skills:
      - filesystem
      - knowledge-base
      - code-runner

  connection_pool:
    max_connections: 10      # 最大并发连接数
    keep_alive: true         # 保持连接
    timeout: 30000           # 连接超时（毫秒）

性能监控

bash

# 查看性能统计
openclaw perf stats

# 输出示例：
# Performance Statistics (last 24h)
# ─────────────────────────────
# Total requests:     234
# Avg response time:  1.2s
# P95 response time:  3.4s
# P99 response time:  8.1s
# Token usage:        45,678
# Cache hit rate:     34%
#
# Model breakdown:
#   gpt-4o:         89 requests, avg 2.1s
#   gpt-4o-mini:    120 requests, avg 0.6s
#   claude-sonnet:  25 requests, avg 1.8s

# 导出详细性能报告
openclaw perf export --format csv --output ~/perf-report.csv

记忆系统调优

记忆层级

OpenClaw 的记忆系统分为三个层级：

mermaid

graph TD
    subgraph ShortTerm["短期记忆"]
        ST["当前会话上下文\n自动管理\n容量：上下文窗口大小"]
    end

    subgraph MidTerm["中期记忆"]
        MT["会话摘要\n会话结束时生成\n容量：可配置"]
    end

    subgraph LongTerm["长期记忆"]
        LT["用户画像 & 偏好\n持久化存储\n容量：无限制"]
    end

    ShortTerm -->|会话结束| MidTerm
    MidTerm -->|模式识别| LongTerm
    LongTerm -->|上下文注入| ShortTerm

记忆配置

yaml

# ~/.openclaw/config.yaml
memory:
  short_term:
    type: "sliding_window"   # 滑动窗口
    max_messages: 50         # 保留最近 50 条消息
    max_tokens: 8000         # 或最多 8000 tokens

  mid_term:
    enabled: true
    auto_summarize: true     # 会话结束自动生成摘要
    max_summaries: 100       # 保留最近 100 个会话摘要
    storage: "local"         # 存储位置

  long_term:
    enabled: true
    user_profile: true       # 自动学习用户偏好
    facts_extraction: true   # 自动提取事实信息
    storage: "local"
    max_facts: 1000          # 最多存储 1000 条事实

    # 事实示例
    # - "用户使用 MacBook Pro M3"
    # - "用户偏好 TypeScript"
    # - "用户的项目使用 React + Vite"
    # - "用户在 XXX 公司工作"

记忆管理命令

bash

# 查看记忆内容
openclaw memory show --type long_term

# 编辑长期记忆
openclaw memory edit --type long_term

# 清除特定记忆
openclaw memory forget "用户在 XXX 公司工作"

# 导出所有记忆
openclaw memory export --output ~/memory-backup.json

# 导入记忆
openclaw memory import ~/memory-backup.json

企业部署

多用户部署架构

mermaid

graph TD
    LB["负载均衡器\nNginx / Traefik"] --> GW1["Gateway 1"]
    LB --> GW2["Gateway 2"]
    LB --> GW3["Gateway 3"]

    GW1 --> Auth["认证服务\nOAuth / LDAP"]
    GW2 --> Auth
    GW3 --> Auth

    GW1 --> SharedDB["共享数据库\nPostgreSQL"]
    GW2 --> SharedDB
    GW3 --> SharedDB

    GW1 --> VectorDB["向量数据库\nPgvector / Qdrant"]
    GW2 --> VectorDB
    GW3 --> VectorDB

企业级配置

yaml

# openclaw-enterprise.yaml
deployment:
  mode: "enterprise"
  replicas: 3

auth:
  provider: "oauth2"
  issuer: "https://auth.company.com"
  client_id: "openclaw-prod"
  scopes:
    - "openid"
    - "profile"
    - "email"

  # 角色权限控制
  rbac:
    roles:
      admin:
        permissions: ["*"]
      developer:
        permissions: ["chat", "skills", "kb.read", "kb.write", "files.read"]
      viewer:
        permissions: ["chat", "kb.read"]

database:
  type: "postgresql"
  host: "db.internal.company.com"
  port: 5432
  database: "openclaw"
  ssl: true

vector_store:
  type: "qdrant"
  host: "qdrant.internal.company.com"
  port: 6333

logging:
  level: "info"
  output: "json"
  destination: "stdout"  # 方便 ELK 收集

  # 审计日志
  audit:
    enabled: true
    log_prompts: false    # 不记录用户输入内容（隐私保护）
    log_metadata: true    # 记录操作元数据

monitoring:
  prometheus:
    enabled: true
    port: 9090
  health_check:
    endpoint: "/health"
    interval: 30

Docker Compose 企业部署

yaml

# docker-compose.enterprise.yml
version: '3.8'
services:
  openclaw-gateway:
    image: openclaw/openclaw:latest
    deploy:
      replicas: 3
      resources:
        limits:
          cpus: '2.0'
          memory: 4G
    ports:
      - "18789:18789"
    environment:
      - OPENCLAW_CONFIG=/config/openclaw-enterprise.yaml
      - DATABASE_URL=postgresql://user:pass@db:5432/openclaw
    volumes:
      - ./config:/config:ro
    depends_on:
      - db
      - qdrant

  db:
    image: pgvector/pgvector:pg16
    volumes:
      - pgdata:/var/lib/postgresql/data
    environment:
      POSTGRES_DB: openclaw
      POSTGRES_USER: openclaw
      POSTGRES_PASSWORD: ${DB_PASSWORD}

  qdrant:
    image: qdrant/qdrant:latest
    volumes:
      - qdrant_data:/qdrant/storage

  nginx:
    image: nginx:alpine
    ports:
      - "443:443"
    volumes:
      - ./nginx.conf:/etc/nginx/nginx.conf:ro
      - ./certs:/etc/nginx/certs:ro
    depends_on:
      - openclaw-gateway

volumes:
  pgdata:
  qdrant_data:

安全加固清单

检查项	说明	状态
HTTPS 加密	所有通信启用 TLS	必须
认证授权	OAuth2/LDAP 集成	必须
API Key 加密存储	使用 Vault 等密钥管理工具	推荐
审计日志	记录所有操作	必须
网络隔离	内部服务不暴露公网	推荐
速率限制	防止 API 滥用	推荐
数据加密	静态数据加密	推荐
定期备份	数据库和知识库备份	必须

本章小结

在本章中，你学习了 OpenClaw 的进阶功能：

多 Agent 协作：编排多个专业化 Agent 协同完成复杂任务
自定义 Skill 开发：SKILL.md 格式、项目结构、实现和测试
ClawHub 发布：将 Skill 发布到社区注册中心
性能优化：Token 优化、智能路由、缓存策略
记忆系统调优：三级记忆架构的配置和管理
企业部署：多实例部署、权限控制、安全加固

恭喜你完成了 Learn OpenClaw 的全部 8 章学习内容！你现在已经具备了从入门到精通使用 OpenClaw 的完整知识体系。

上一章：自动化工作流 | 回到首页：Learn OpenClaw

第八章：进阶用法 ​

多 Agent 协作 ​

多 Agent 架构 ​

配置多 Agent ​

启动多 Agent 模式 ​

多 Agent 协作示例 ​

多 Agent 通信模式 ​

自定义 Skill 开发 ​

Skill 基本概念 ​

SKILL.md 格式 ​

Skill 项目结构 ​

实现一个 Skill ​

测试 Skill ​

发布到 ClawHub ​

发布流程 ​

版本管理 ​

ClawHub 统计 ​

性能优化 ​

Token 使用优化 ​

响应速度优化 ​

性能监控 ​

记忆系统调优 ​

记忆层级 ​

记忆配置 ​

记忆管理命令 ​

企业部署 ​

多用户部署架构 ​

企业级配置 ​

Docker Compose 企业部署 ​

安全加固清单 ​

本章小结 ​

第八章：进阶用法

多 Agent 协作

多 Agent 架构

配置多 Agent

启动多 Agent 模式

多 Agent 协作示例

多 Agent 通信模式

自定义 Skill 开发

Skill 基本概念

SKILL.md 格式

Skill 项目结构

实现一个 Skill

测试 Skill

发布到 ClawHub

发布流程

版本管理

ClawHub 统计

性能优化

Token 使用优化

响应速度优化

性能监控

记忆系统调优

记忆层级

记忆配置

记忆管理命令

企业部署

多用户部署架构

企业级配置

Docker Compose 企业部署

安全加固清单

本章小结