回到正题~

一、配置文件体系：分层设计，优先级明确

OpenClaw 的配置以openclaw.json为主核心，搭配专属目录实现功能隔离，所有配置项遵循严格的优先级规则，确保灵活适配不同使用需求。

核心文件 / 目录及作用

• ~/.openclaw/openclaw.json：主配置文件，定义智能体、模型、渠道、工具等核心模块；
• ~/.openclaw/workspace/：默认 Agent 工作目录，存储记忆文件、技能等数据；
• ~/.openclaw/agents/<agent-id>/：单个 Agent 的专属配置目录，存放认证信息和会话历史；
• ~/.openclaw/agents/<agent-id>/sessions/：按日期隔离存储 Agent 的对话记录，保证数据独立。

配置优先级（从高到低）

命令行参数 > 环境变量 > Agent 特有配置（agents.list） > 全局默认配置（agents.defaults） > 内置默认值

二、单 Agent 配置：基础入门，参数 + 个性化双管控

单 Agent 是 OpenClaw 的基础使用模式，所有配置集中在agents.defaults中，可通过核心参数定义功能，再借助个性化文件赋予专属 “人格”，快速搭建可用的 AI 助手。

核心配置参数（含示例）

{  "agents": {    "defaults": {      "workspace": "C:\\Users\\longx\\.openclaw\\workspace",      "model": {        "primary": "dashscope/kimi-k2.5"      },      "temperature": 0.3,      "compaction": {        "reserveTokensFloor": 20000,        "memoryFlush": { "enabled": true }      },      "heartbeat": { "every": "30m" },      "memorySearch": { "enabled": false },      "skills": {        "allow": ["file.read", "browser.navigate"]      }    }  },  "models": {    "mode": "merge",    "providers": {      "dashscope": {        "baseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",        "api": "openai-completions",        "models": [          {            "id": "kimi-k2.5",            "name": "Kimi K2.5",            "contextWindow": 256000,            "maxTokens": 8192          }        ]      }    }  },  "gateway": {    "port": 18789,    "mode": "local",    "bind": "loopback",    "auth": {      "mode": "token",      "token": "32位随机字符串"    }  }}

个性化文件：打造专属 Agent 人格

在 Agent 工作目录中创建以下文件，可定制行为模式，让 Agent 拥有专属定位：

• SOUL.md：定义核心人格和职责，每次对话都会读取，例：指定为 “耐心的技术学习助手，先给结论再讲细节”；
• MEMORY.md：Agent 自动更新的长期记忆库，也可手动编辑补充关键信息；
• USER.md：存储特定用户信息，实现个性化回应。

三、单 Agent 安全实践：从权限到审计，全方位防护

安全是配置的核心要点，单 Agent 使用阶段需从工具权限、网关设置、定期审计三方面落实防护，避免操作风险和数据泄露。

1. 工具权限最小化：通过skills.allow白名单仅开启必需工具，高危工具（如 shell.execute）非必要不开启；
2. 网关安全加固：设置gateway.bind: "loopback"确保服务仅本地访问，认证令牌使用至少 32 位随机字符串，拒绝简单密码；
3. 定期安全审计：运行openclaw security audit --deep检查配置风险，及时删除来源不明的第三方技能。

四、多 Agent 搭建：角色分工，独立配置实现高效协作

熟悉单 Agent 后，可通过agents.list配置多 Agent 团队，实现角色分离、任务并行和专业分工，让不同 Agent 各司其职，共同完成复杂任务。

多 Agent 的核心价值

• 角色分离：如写作助手负责文案创作，代码助手专注代码编写；
• 任务并行：同时处理多个独立任务，提升整体效率；
• 专业分工：为不同 Agent 配置适配模型，发挥各模型优势；
• 复杂流程拆解：主 Agent 分解任务，子 Agent 并行执行，再汇总结果。

多 Agent 核心配置（agents.list）

在agents节点下添加list数组，每个 Agent 独立配置，可覆盖全局默认参数，实现精细管控：

"agents": {  "defaults": { ... },  "list": [    {      "id": "writer",      "name": "写作助手",      "workspace": "C:\\Users\\longx\\.openclaw\\workspace-writer",      "model": { "primary": "dashscope/kimi-k2.5" },      "skills": { "allow": ["file.write"] }    },    {      "id": "coder",      "name": "代码助手",      "workspace": "C:\\Users\\longx\\.openclaw\\workspace-coder",      "model": { "primary": "deepseek/deepseek-coder" },      "skills": { "allow": ["shell.execute"] }    }  ]}

配置关键点：每个 Agent 必须拥有独立工作区，避免文件冲突；id作为唯一标识，用于后续路由和通信；可单独配置model和skills，适配角色需求。

多 Agent 个性化：独立人格，适配角色

为每个 Agent 在其专属工作区创建独立的 SOUL.md 文件，赋予贴合角色的人格，例如写作助手侧重文采和逻辑，代码助手侧重严谨和实用性。

五、多 Agent 通信：agentToAgent 机制，透明化协作

OpenClaw 通过agentToAgent工具实现 Agent 间的消息互通，协作过程对用户完全透明，只需简单配置即可实现多角色联动。

通信配置：开启并限定互通范围

在tools节点中启用agentToAgent，并通过allow列表限定可互相通信的 Agent，避免无限制交互带来的风险：

"tools": {  "agentToAgent": {    "enabled": true,    "allow": ["writer", "coder"]  }}

通信方式：@目标 ID，快速发起请求

在对话中通过 **@目标 Agent 的 id** 即可发起协作请求，示例：用户对 writer 说：“请写一篇贪吃蛇游戏的技术文章，需要 Python 代码，让 @coder 提供代码示例”，writer 会先规划大纲，再内部请求 coder 生成代码，最终整合内容回复用户。

通信日志：追溯协作过程

通过命令openclaw sessions list --agent <id>可查看单个 Agent 的会话历史，包括 Agent 间的内部通信消息，方便追溯协作过程和问题排查。

六、高级编排：subagents 动态子 Agent，拆解复杂任务

OpenClaw 支持编排器模式，让主 Agent 根据复杂任务动态创建子 Agent，实现任务的多层级拆解和并行执行，适合处理需要多领域知识的复杂问题。

子 Agent 核心配置

在agents.defaults中添加subagents节点，配置子 Agent 的创建规则和资源限制：

"agents": {  "defaults": {    "subagents": {      "maxSpawnDepth": 2,      "maxChildrenPerAgent": 5,      "maxConcurrent": 8,      "model": "dashscope/kimi-k2.5",      "thinking": "low"    }  }}

各参数说明：

• maxSpawnDepth：子 Agent 可继续创建下一级子 Agent 的深度，避免无限嵌套；
• maxChildrenPerAgent：单个 Agent 最多同时拥有的子 Agent 数量；
• maxConcurrent：全局并发运行的子 Agent 上限，控制资源占用；
• model：子 Agent 默认使用的模型；
• thinking：子 Agent 的思考强度，影响 token 消耗，可按需设置。

子 Agent 工作流程

1. 主 Agent 接收复杂任务，自动拆解为多个独立子任务；
2. 为主任务创建对应的子 Agent，可按需指定不同模型，适配子任务需求；
3. 所有子 Agent 并行执行任务，完成后向主 Agent 返回结果；
4. 主 Agent 汇总所有子任务结果，生成最终回复反馈给用户。

七、多 Agent 安全升级：隔离 + 管控，规避协作风险

多 Agent 模式引入了更多通信路径，安全防护需在单 Agent 基础上升级，核心围绕隔离、白名单、最小权限展开，防止风险扩散：

1. 工作区完全隔离：所有 Agent 保持独立工作区，避免一个 Agent 的恶意操作影响其他 Agent；
2. 通信白名单严格管控：agentToAgent.allow仅列出需要协作的 Agent，不随意开放全部权限；
3. 权限精细化分配：根据 Agent 角色仅开启必需技能，高危工具仅分配给核心 Agent；
4. 深度定期审计：持续运行openclaw security audit --deep，检查是否有权限过大、异常通信等问题。
   
   

OpenClaw 提供了一系列 CLI 管理命令，覆盖网关启动、Agent 状态查看、消息发送、安全审计等全流程，核心常用命令如下：

九、实战演练：写作助手 + 代码助手，协作完成技术文章

以 “编写贪吃蛇游戏技术文章（含 Python 代码）” 为例，演示多 Agent 协作的完整流程，快速落地配置成果：

1. 按前文配置writer（写作助手）和coder（代码助手），确保两者均在agentToAgent.allow列表中，通信机制已开启；
2. 启动 OpenClaw 网关，运行命令openclaw gateway start；
3. 向writer发送任务：“我想写一篇关于贪吃蛇游戏的技术文章，需要 Python 完整代码。请先写文章大纲，然后让 @coder 提供代码示例，最后整合为完整文章”；
4. writer自动规划文章大纲，通过@coder发起代码请求，coder生成适配的 Python 代码并返回；
5. writer将大纲和代码整合为完整技术文章，回复给用户；
6. 运行openclaw sessions list --agent writer，可查看整个协作过程的会话记录，包括与coder的内部通信。

十、核心总结

OpenClaw 凭借分层配置、灵活协作、精细管控的特性，为多智能体系统搭建提供了完善的框架支持，从单 Agent 的基础配置到多 Agent 的协同工作，再到动态子 Agent 的高级编排，层层递进且操作可控。

使用该框架的核心关键在于：理解配置的分层优先级，掌握核心参数的配置逻辑，从单 Agent 开始落实安全防护措施，再逐步实现多 Agent 的角色分工和通信协作。其配套的管理命令和审计工具，进一步降低了框架的管控成本，让开发者能快速搭建安全、高效的 AI 智能体团队。

无论是搭建个人专属 AI 助手，还是探索多智能体的复杂协作场景，OpenClaw 的灵活配置和强大功能都能适配需求，动手实操是掌握该框架的最佳方式，可根据实际场景调整配置参数，解锁更多协作玩法。

注：本文转载自【今日头条 - 河鞭夏雨荷】，点击阅读原文进入原文链接