我用 OpenClaw 搭建了一支 AI 虾团，干活比我还利索

一、缘起：一个 Agent 不够用了

做数智化这么多年，我越来越深刻地意识到一件事：

与人打交道，是最累的。

一个数据分析项目，从立项到交付，至少要经过：

• 策划：理解业务背景，确定分析方向
• 执行：拉数据、跑模型、出报表
• 汇报：做 PPT、写方案、给老板讲

这三个环节，对应三种完全不同的能力。你让擅长策划的人去跑数据，他痛苦；你让擅长执行的人去做汇报，他也痛苦。

人是有边界的。

更累的是沟通成本——需求传达会失真，进度确认要开会，意见不合要协调，情绪波动要安抚。一个项目做下来，真正花在"干活"上的时间，可能不到一半。

所以当我第一次接触 OpenClaw 的时候，脑子里冒出的第一个问题是：

既然 AI 没有情绪、不会抱怨、24 小时在线，那为什么不让不同的 AI 做不同的事？

就像公司里的组织架构：

• 有人负责战略规划
• 有人负责方案输出
• 有人负责落地执行

为什么 AI 只能是一个"什么都会一点"的全能助手？

一个 AI 就像一个大包大揽的员工：什么都能干，但什么都不精。 你让它写方案，它得先回忆业务背景；你让它跑数据，它又得重新理解需求。来回切换的代价，就是效率越来越低。

而 AI 最大的优势是什么？

它没有脾气。

你让它改十遍方案，它不会烦；你让它凌晨三点跑数据，它不会抱怨；你让它同时对接三个部门，它不会觉得委屈。

与人打交道最累的环节，AI 全扛了。

这大概就是为什么越来越多老板开始迷 AI——不是因为它多聪明，而是因为它好用、省心、不添堵。

既然这样，为什么不让它多分几个身？

说干就干。

二、搭建我的 AI 虾团

工具栈

整套系统只用了三样东西：

不需要买云服务器，不需要配域名，不需要搞反向代理。本地跑一个 Gateway，飞书长连接一配，直接开干。

组织架构图

1. ┌──────────┐
2. │用户（我）│
3. └────┬─────┘
4. │
5. ┌────▼─────┐
6. │🎖️总参谋长│ open-claw3
7. │需求分析/拆解│
8. └────┬─────┘
9. │
10. ┌────┴─────┐
11. ││
12. ┌─▼────┐ ┌──▼────┐
13. │📝秘书长│ │💻落地专家│ open-claw2
14. │open-claw1 │││
15. │文档/咨询│ │编码/开发│
16. └───────┘ └────────┘

三个角色的分工

每个 Agent 都有自己独立的 SOUL.md（人格设定）和 TOOLS.md（工具集），互不干扰，专注自己的领域，有统领者、有策略者、有执行者，当然我是驾驭者哈！

总参谋长不干活，只分配。 它的核心规则只有一句话：收到用户消息，分析需求，然后 @ 对应的机器人。

秘书长和落地专家不抢活，只干自己被分配的活。 收到 @ 就执行，执行完在群里汇报。

就这样，一个最简单的 AI 军团就搭起来了，来看效果。

三、实战：一个需求如何被 3 个 Agent 接力完成

来看一个真实的工作流程。

场景：领导要一份季度数据分析报告

我在飞书群里说：

帮我做一份 Q2 销售数据分析报告，要包含各区域销售额对比、同比环比、以及下季度预测。

第一步：总参谋长收到消息，开始拆解

1. 📋需求分析
2. 需要一份 Q2 销售数据分析报告，包含：
3. 1.各区域销售额对比
4. 2.同比环比分析
5. 3.下季度预测
7. 🎯任务分配
8. @秘书长请起草报告框架和分析维度
9. @落地专家请拉取 Q2 销售数据并生成图表

第二步：秘书长起草方案

1. 📝报告框架已拟定：
3. 一、Q2 销售总览
4. -总销售额：XXX 万
5. -同比增长：XX%
6. -环比增长：XX%
8. 二、各区域销售对比
9. -华东、华南、华北、西部四大区域
10. -柱状图+占比饼图
12. 三、产品线分析
13. - TOP 5产品线贡献
14. -滞销产品预警
16. 四、下季度预测
17. -基于历史数据的趋势预测
18. -关键风险提示
20. 框架已确认，请@落地专家按此结构填充数据。

第三步：落地专家拉数据、出图表

1. ✅数据已拉取并生成图表：
3. 1.各区域销售额柱状图✅
4. 2.同比环比趋势折线图✅
5. 3.产品线占比饼图✅
6. 4. Q3 预测模型（基于移动平均）✅
8. 数据源：Salesforce API +内部数据仓库
9. 图表已导出到~/workspace/reports/Q2-analysis/

第四步：秘书长整合成报告

1. 📝报告已整合完成：
3. - PPT 已生成（12页）
4. -包含所有图表和分析文字
5. -已添加执行摘要和关键结论
6. -导出格式：PPTX + PDF
8. 📂位置：~/workspace/reports/Q2-analysis/Q2销售分析报告.pptx

第五步：总参谋长汇总交付

1. ✅任务全部完成！
3. 📦交付物清单：
4. 1.报告框架（秘书长）
5. 2.数据图表（落地专家）
6. 3.最终 PPT + PDF（秘书长整合）
8. 📂位置：~/workspace/reports/Q2-analysis/
10. 💡关键结论：
11. -华东区域同比增长23%，表现最佳
12. -西部区域环比下降5%，需关注
13. - Q3 预测增长12-15%

整个过程，我在飞书群里看着就行，不需要切换任何窗口，不需要重复描述需求，不需要自己拉数据做图表写 PPT。

四、配置细节（技术干货）

1. 飞书侧：3 个机器人 + 1 个群

这一步其实很简单：

1. 在 飞书开放平台 创建 3 个企业自建应用
2. 每个应用添加「机器人」能力
3. 开启权限： im:message、 im:message.group_at_msg、 im:message.p2p_msg
4. 发布上线，拿到 App ID 和 App Secret
5. 创建一个飞书群，把 3 个机器人全部拉进去

2. OpenClaw 侧：配置 3 个 Agent

每个 Agent 对应一个 workspace，核心是 SOUL.md 的配置。

总参谋长（Master Planner）的核心规则：

1. # Master Planner System Prompt
3. 你是群里的总规划师，负责协调其他 AI 助手完成任务。
5. ## 绝对强制规则
7. ### 规则1：闲聊/打招呼的强制格式
8. 当用户说"下午好"、"你们好"等问候语时：
9. 必须回复：
10. "下午好！☀️
12. @秘书长 @落地专家 各位都在，有什么可以帮您的吗？"
14. ### 规则2：任务分配规则
15. |场景|回复格式|
16. |------|----------|
17. |编程/开发任务|@落地专家请实现...|
18. |文档/咨询任务|@秘书长请处理...|

关键点：总参谋长不干活，只分配。 它收到用户消息后，分析需求，然后 @ 对应的机器人。

3. 飞书插件代码改造

这里是我改动最大的地方。

原版的 feishu-openclaw 插件只支持一个机器人。要实现多 Agent 协作，需要改几处：

改造点 1：多 Agent 识别

1. // 原逻辑：只处理一个机器人
2. if(message.mentioned_user_id === BOT_ID){
3. handle(message);
4. }
6. // 改造后：支持多个机器人
7. const agentMap ={
8. 'cli_agent1':'master-planner',
9. 'cli_agent2':'general',
10. 'cli_agent3':'dev-assistant'
11. };
13. if(agentMap[message.mentioned_user_id]){
14. routeToAgent(agentMap[message.mentioned_user_id], message);
15. }

改造点 2：群聊消息广播

让一个机器人的回复，其他机器人也能"看到"，实现协作：

1. // 改造后：消息广播到所有 Agent
2. async function broadcastToAgents(message, excludeAgent =null){
3. for(const[appId, agentName] of Object.entries(agentMap)){
4. if(appId === excludeAgent)continue;
5. // 通过 OpenClaw 的 session 机制转发消息
6. await forwardToAgent(agentName, message);
7. }
8. }

改造点 3：@mention 解析

飞书群的 @机器人 在消息里是特殊格式，需要正确解析：

1. // 飞书的 @mention 格式：@{"user_id":"ou_xxx","key":"xxx"}
2. function parseMentions(content){
3. const mentions =[];
4. const regex =/@\{"user_id":"([^"]+)"/g;
5. let match;
6. while((match = regex.exec(content))!==null){
7. mentions.push(match[1]);
8. }
9. return mentions;
10. }

4. 协作协议：@mention 机制

三个 Agent 之间的协作，靠的是 @mention：

• 总参谋长用 @秘书长 或 @落地专家 来分配任务
• 秘书长和落地专家收到 @ 后执行任务
• 执行完成后，在群里回复，总参谋长看到后汇总

这个机制简单但有效，就像拉了一个工作群，每个人各司其职。

五、踩过的坑

坑 1：群聊不回复

症状：私聊正常，群里发 @机器人 没反应。

原因：飞书开放平台的「事件订阅」配错了，选了 Webhook 而不是长连接。

解决：事件订阅必须选「使用长连接接收事件」，不是 Webhook！

坑 2：消息循环/死循环

症状：机器人 A 回复后，机器人 B 又回复，然后 A 又回复……无限循环。

原因：每个机器人都能收到其他机器人的消息，如果没有判断逻辑，就会互相回复。

解决：

1. 总参谋长设置规则：只在收到用户消息时分配任务，不回复其他机器人
2. 秘书长和落地专家：只响应 @自己的消息，不响应其他机器人的消息
3. 在插件代码里加一层过滤：

1. // 忽略其他机器人的消息
2. if(message.sender_type ==='app'){
3. return;// 机器人发的消息，不处理
4. }

坑 3：权限配置遗漏

症状：报错 缺少权限。

原因：飞书应用发布前，权限没开全。

必开权限清单：

• im:message — 获取消息
• im:message.group_at_msg — 群聊 @消息
• im:message.p2p_msg — 私聊消息

开完权限后记得重新发布版本。

六、未来展望

目前的 3 人军团已经能满足日常需求了，但我还在想更多可能：

扩展方向

• 🧪 测试 Agent — 专门写单元测试、集成测试
• 📊 数据分析 Agent — 处理数据、生成报表、画图表
• 🔍 代码审查 Agent — 自动 review PR，提改进建议
• 📱 运维 Agent — 监控服务状态、自动重启、发告警

从"能用"到"好用"

现在这套系统已经跑通了，但还有优化空间：

1. 任务持久化 — 当前任务状态靠群聊记录，未来想做任务看板
2. Agent 自动发现 — 现在 @mention 是硬编码的，未来想做成动态注册
3. 权限隔离 — 不同 Agent 访问不同目录，防止越权操作

结尾

一个人干不过一个团队，一个 AI 也干不过一群 AI。

用 OpenClaw + 飞书搭建的这套多 Agent 系统，让我真正体验到了什么是 AI 分身——

你不是在跟一个 AI 聊天，而是在指挥一支团队。

总参谋长帮你拆解需求，秘书长帮你整理文档，落地专家帮你写代码。你只需要坐在飞书群里，说一句"帮我做个 XX"，然后等着看结果。

这才是 AI 该有的样子。

你养的龙虾，怎么才能越用越聪明？

从 用”它“ 到 用”他“，一字只差，关系完全不同。

如果你也在折腾 AI Agent，或者有自己的多 Agent 玩法，欢迎在评论区聊聊 👇