单一agent无法满足流程化需求，需构建多agent协作工作流：一、物理目录隔离实现agent实体化；二、模型分层配置与成本感知路由；三、@提及驱动跨agent任务流转；四、飞书群组统一纳管；五、lobster引擎启用状态回溯。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您已部署OpenClaw基础环境，但面对内容创作、电商运营或多线程研发等复杂任务时仍需手动切换Bot、复制粘贴、人工汇总，则说明单一Agent已无法承载流程化需求。以下是构建可自动流转、角色分明、结果闭环的多Agent协作工作流的具体方法：
一、物理目录隔离与Agent实体化
每个Agent必须作为独立运行实体存在，避免记忆混杂与指令冲突。系统通过物理路径隔离实现职责边界，确保各Agent仅读取自身workspace与MEMORY.md，不共享上下文。
1、在终端执行命令创建两个职能明确的Agent：
openclaw agents add content-boss
openclaw agents add data-scout
2、系统自动生成对应目录：~/.openclaw/agents/content-boss/ 与 ~/.openclaw/agents/data-scout/
3、进入content-boss目录，编辑agent.md文件，写入角色定义：
“你是一个内容项目总监。用户只向你发送一句话需求。你不得直接生成内容，必须拆解为‘找热点’‘写初稿’‘配图建议’三步，并依次@data-scout、@draft-writer、@media-consultant完成。所有中间结果必须存入本Agent的MEMORY.md。”
4、进入data-scout目录，编辑agent.md文件，写入职责约束：
“你是一名实时数据侦察员。仅响应@调用。输入为‘找XX领域今日热榜’，输出格式严格为Markdown表格，含标题、热度值、原始链接三列。禁止解释、禁止额外字段。”
二、模型分层配置与成本感知路由
不同Agent承担不同计算强度任务，应按能力与成本匹配模型。高推理密度任务使用大参数模型，高频轻量调用则选用低延迟小模型，从而控制token消耗并保障响应节奏。
1、打开主配置文件~/.openclaw/openclaw.json
2、在agents.list数组中添加两项配置：
{"id":"content-boss","model":"gemini-1.5-pro","temperature":0.3}
{"id":"data-scout","model":"groq-llama-3","temperature":0.1}
3、在bindings节中指定通讯通道路由规则：
{"channel":"feishu","chatId":"content-team-group","agentId":"content-boss"}
{"channel":"feishu","chatId":"data-monitor-room","agentId":"data-scout"}
4、保存后重启OpenClaw服务，使模型绑定生效。
三、跨Agent提及驱动的任务流转机制
OpenClaw不依赖中央调度器，而是通过自然语言中的@提及触发隐式调用链。被提及Agent仅接收当前指令片段，不感知全局任务，从而实现松耦合协作。
1、在飞书群中向content-boss发送消息：“@content-boss 做一期关于AI Agent安全合规的公众号推文”
2、content-boss解析后，在其MEMORY.md中记录任务ID#A20260418001，并生成子任务：
“@data-scout 找近3天AI安全监管类政策原文与解读文章热榜”
3、data-scout接收到该消息后，立即执行网络检索，将结果以标准表格格式返回至同一飞书群
OpenClaw 自我进化框架一键部署。安装宪法(AGENTS.md)、可进化灵魂(SOUL.md)、心跳系统、PARA三层记忆架构、目标管理，并通过场景化对话引导用户定义 Agent 性格。自动配置 EvoClaw（审批制进化）和 Self-Improving Agent（自主学习）。触发场景："setup o...
4、content-boss捕获该回复，自动提取首行标题与链接，追加写入自身MEMORY.md，并触发下一步：
“@draft-writer 基于以下政策要点与链接，撰写1200字公众号推文草稿，要求带小标题与加粗重点句”
5、整个过程无需人工介入，各Agent仅响应被@时的精确输入。
四、飞书群组统一纳管与权限收敛
所有Agent接入同一飞书群是实现可视化协同的前提。通过群内角色设定与消息过滤机制，可防止无关Bot干扰主线程，同时保留完整操作留痕供复盘。
1、在飞书管理后台创建专用群“OpenClaw-Content-Orchestrator”，设置为“仅群成员可发送消息”
2、将content-boss、data-scout、draft-writer、media-consultant四个Bot全部添加进该群
3、在群设置中关闭“新成员查看历史消息”，确保每轮任务起始干净无污染
4、为每个Bot分配唯一飞书机器人Token，并在openclaw.json的channels.feishu.botTokens字段中逐一填入：
{"content-boss":"btk_xxx1","data-scout":"btk_xxx2","draft-writer":"btk_xxx3","media-consultant":"btk_xxx4"}
5、确认所有Bot在群内显示名称与其agent.md中定义的角色名一致，例如“内容项目总监”而非默认“openclaw-bot”
五、Lobster工作流引擎启用与状态回溯
当协作链路超过三层或涉及条件分支（如“若热点热度＞80则追加专家访谈”），需启用Lobster引擎接管流程控制。该引擎不修改Agent逻辑，仅监听消息流并注入上下文状态变量。
1、在~/.openclaw/目录下新建lobster.config.yaml文件
2、写入基础状态机定义：
initial: wait_for_task
states:
wait_for_task:
on: "@content-boss"
do: "set task_id = A{date}{seq} & set stage = scout_phase"
scout_phase:
on: "table with ≥5 rows"
do: "set stage = draft_phase & emit @draft-writer"
3、在openclaw.json中启用引擎开关：
"lobster":{"enabled":true,"configPath":"~/.openclaw/lobster.config.yaml"}
4、重启服务后，Lobster将自动解析群消息结构，对满足条件的表格响应触发下一环节，无需修改任一Agent的agent.md或代码逻辑
