夜雨聆风如果你已经把 OpenClaw 跑在独立电脑/Docker 里了，下一步很容易遇到一个问题：一个 agent 什么都做，最后往往什么都做不清楚。
开发、产品、测试、调研、数据分析、运营，全塞进一个会话里，短期很省事，长期一定会乱。上下文会串，角色会糊，机器人在不同群里说话也会越来越不像一个稳定的岗位。
所以我这次没继续修 prompt，而是直接改架构：在同一个 OpenClaw gateway 下挂 6 个 agent，给它们各自的 workspace，再让同一个飞书机器人按群聊 id 路由到不同角色，最后再把这 6 个角色串成一个闭环飞轮。
最终结果很干脆：
开发群进开发 agent 产品群进产品 agent 测试群进 QA agent 调研群进 research agent 数据分析群进 analytics agent 运营群进 ops agent
对外还是一个机器人，对内已经是六个不同的脑子，而且它们开始形成回流。
根据最新AI相关内容调研，经过产品bot，挖掘出核心痛点，并进行MVP最小化产品方案设计
然后自动把产品需求给到开发bot，开发bot自动开发
下面我们进行一步步拆解整体实现，也助你打字自己的小龙虾军团
一、团队架构：“一个 gateway，多 agent”模式的claw团队
很多人第一次做多 agent，会先改配置，加几个 agentId，然后觉得事情差不多了。
但这只解决了“名字变多了”，没有解决“角色真的分开了”。
真正的问题其实是这句：
我想让同一个机器人，在不同场景里有不同角色，而且尽量不要串上下文。
这背后至少有三层要同时成立：
路由得分开，不同群要进不同 agent workspace 得分开，不同角色要有自己的本地上下文 角色规则得分开，不然最后还是一个通用助手
少了任何一层，这套方案都会退化。
为什么这次选的是“一个 gateway，多 agent”
理论上当然也可以做成多个独立 OpenClaw 实例。
那样隔离更彻底，边界也更清晰，但代价是运维复杂度会直接上去。每个实例都要维护：
●容器
●配置
●日志
●模型
●渠道
●升级
对个人开发机和小团队来说，这一步太重了。
所以这次我选的是更现实的折中：
●一个 gateway
●六个 agent
●六个 workspace
●一个飞书机器人
●按群聊 id 路由
这不是最重的架构，但它能先解决最痛的两个问题：
●上下文不再乱窜
●机器人终于能在不同群里稳定扮演不同岗位
●上线后的数据和运营结果还能回到下一轮产品和研发
最终落地架构
```
飞书同一个机器人
├─ 开发群 -> main
├─ 产品群 -> product-claw
├─ 测试群 -> qa-claw
├─ 调研群 -> research-claw
├─ 数据分析群 -> analytics-claw
└─ 运营群 -> ops-claw
OpenClaw Gateway
├─ main -> workspace/agents/dev-claw
├─ product-claw -> workspace/agents/product-claw
├─ qa-claw -> workspace/agents/qa-claw
├─ research-claw -> workspace/agents/research-claw
├─ analytics-claw -> workspace/agents/analytics-claw
└─ ops-claw -> workspace/agents/ops-claw
```
这里有个细节很关键：开发 agent 的真实 id 我保留成了 main。
原因很简单，OpenClaw 控制台和部分旧会话默认还会找 main。如果你把默认开发 agent 直接改没，控制台很容易报：
unknown agent id "main" 所以我的处理方式是：
●默认开发 agent 保留 main
●dev-claw 只作为兼容别名存在
这不是命名审美，而是稳定性问题。
二、把 6 个 agent 的 workspace 先拆开
这是基础动作。
我给六个角色分别建了六套 workspace：
●workspace/agents/dev-claw
●workspace/agents/product-claw
●workspace/agents/qa-claw
●workspace/agents/research-claw
●workspace/agents/analytics-claw
●workspace/agents/ops-claw
这一步的收益特别直接：
●不同角色的长期记忆不会混在一起
●本地 skill、模板、文档可以按角色分别放
●同一个飞书机器人进来的消息，最终会落进不同工作目录
如果不拆 workspace，多 agent 很容易只是幻觉。
真正让这套系统开始“转起来”的，是后面补上的两个角色：
●analytics-claw：盯上线后的指标、漏斗、留存和预期差
●ops-claw：盯活动、活跃、转化、营收和口碑扩散
到这一步，OpenClaw 里就不只是“分工”，而是开始形成 research -> product -> dev -> qa -> analytics -> ops -> 下一轮 的闭环飞轮。
三、给每个 agent 明确角色边界
只改名字和 emoji 根本不够。
所以我给每个 agent 都单独配置了：
●AGENTS.md
●IDENTITY.md
●SOUL.md
●USER.md
●TOOLS.md
●MEMORY.md
然后按职责分别写清楚：
开发 agent
负责：
●写代码
●改配置
●查日志
●接 API
●做最小改动和最小验证
它的风格是实现优先，少废话，有判断，遇到愚蠢操作会直接点出来。
产品 agent
负责：
●写 PRD
●做优先级判断
●输出需求边界
●拆执行顺序
它的核心规则不是“帮我头脑风暴”，而是把目标、scope、non-goals 和 acceptance criteria 说清楚。
QA agent
负责：
●写测试计划
●做回归检查
●做发布判断
●输出 findings first 的审查结果
它不是来讲平衡的，它是来把风险翻出来的。
Research agent
负责：
●查变化快的信息
●做来源比对
●给出 source-backed summary
●区分事实、推断和建议
它最重要的规则是：不要把猜测伪装成事实。
四、给产品 agent 装一整套 PM Skills
这一段是我这次特别满意的增强。
因为产品 agent 如果只靠手写规则，最多只是“更像产品经理”，但还不够像一个真正有方法库的 PM。
所以我把开源的 Product Manager Skills 整套装进了 product-claw 的本地 workspace。
最后装进去的是：
●46 个 skills
●6 个 command wrappers
放在：
●workspace/agents/product-claw/skills
●workspace/agents/product-claw/commands
这一步之后，product-claw 就不只是“会写 PRD”，而是有了一整套可执行的方法库，比如：
●PRD workflow
●roadmap planning
●prioritization advisor
●discovery process
●strategy session
而且我没有把整个上游仓库硬搬进来，只装了：
●skills/
●commands/
●少量参考文档
像它上游的 app/ 和 repo 级工具脚本，我没有丢进 agent workspace。原因很简单：
agent 需要的是方法库，不是额外的运行面。
五、同一个飞书机器人，按群聊 id 路由到不同 agent
前面这些都做完以后，最后的关键就是路由。
如果没有路由，飞书消息还是会全进默认 agent，前面的拆分就白做了。
我的做法是在 config/openclaw.json 里加 bindings，按 peer-id 绑定到指定 agent。
这次实际绑定的是：
●qa-claw ← oc_xxx111
●research-claw ← oc_xxx222
●product-claw ← oc_xxx333
●main ← oc_xxx444
●analytics-claw ← oc_xxx555
●ops-claw ← oc_xxx666
这意味着：
●对飞书用户来说，还是同一个机器人
●对 OpenClaw 来说，消息已经被分流进不同 agent
你可以把它理解成：
同一个前台号码，背后接了六个分机。
这套设计最大的好处，就是对用户没有学习成本。
在产品群里聊产品，在开发群里聊开发，在测试群里聊测试，在调研群里聊调研，在数据分析群里看指标，在运营群里推进活动。机器人自己会进正确的角色。
六、验证通过，终于不拧巴了
验证通过后，我最直接的感受不是“酷”，而是：终于不拧巴了。
以前一个通用 agent 最难受的地方，是它在同一段对话里会来回切身份：
●一会儿像产品
●一会儿像开发
●一会儿又像调研
●最后什么都沾一点，但没有一个特别像
现在拆开以后，这个问题明显减轻了。
产品群里，它更像真的在收敛 scope 和写 PRD。
开发群里，它更像真的在改配置、查日志、落 patch。
测试群里，它会更自然地从风险和验证角度说话。
调研群里，它也不会轻易把没查过的东西说得像板上钉钉。
数据分析群里，它会追着你要指标、口径和对照组。
运营群里，它会更自然地去想活动、增长、活跃和转化。这个变化不是“看起来像”，而是连续用几轮以后你会感觉到：
每个群的上下文开始有自己的惯性了。
七、这套方案的边界
这套方案解决的是：
●角色分工
●上下文隔离
●单机器人多场景协作
但它没有解决的是：
●容器级强安全隔离
●多套全局凭证隔离
●多飞书机器人并行的插件级支持
因为本质上它还是：
●同一个 gateway 进程
●同一个 OpenClaw 实例
●同一套全局配置
所以更准确地说，这是一套：
角色隔离 + 上下文隔离
不是基础设施级彻底隔离。
如果你后面真的要做到团队级、组织级的强边界，那还是应该走多个独立 OpenClaw 实例。
但对个人开发机和小团队试运行来说，这一步没必要一开始就上。
八、实践中一些有价值的经验
1. 默认开发 agent 尽量保留 main
这不是保守，而是兼容性现实。
2. 多 agent 的关键不是多写几个 id，而是拆 workspace
不拆 workspace，多 agent 很容易只是幻觉。
3. 人格文件必须落到角色边界上
SOUL.md 有用，但必须和 AGENTS.md、TOOLS.md、MEMORY.md 一起工作。
4. 产品 agent 特别值得挂方法库
开发 agent 靠代码库天然就有很多上下文，产品 agent 没有方法库的话，很容易退化成“会写点文档的通用聊天机器人”。
5. 同一个飞书机器人按群路由，是这套方案最顺手的形态
你当然可以用命令切换、前缀切换、人工切换，但都不如按群路由自然。
因为人在协作里，本来就已经按群在分场景了。
九、遇到的问题：飞书接入还有两个小坑，不补掉体验会差一截
做到按群路由之后，我本来以为这套方案已经差不多了。
结果真正用起来，又冒出来两个很典型的问题：
1.机器人在飞书群里的名字到底在哪里改
2.群里明明只有我和机器人，为什么还是非得 @ 它才回
这两个都不算大问题，但都很影响“专人助手”的使用感。
机器人名字不是在 OpenClaw 里改的
这个问题特别容易想歪。
因为 OpenClaw 里已经配了飞书 appId 和 appSecret，很多人会自然地以为，机器人名称也应该在 openclaw.json 里改。
其实不是。
机器人显示名是在飞书开放平台改，不是在 OpenClaw 里改。
准确一点说，是在应用的 Bot 能力页里改显示名称，然后重新发布。
这事想明白后就很顺：
●appId / appSecret 解决的是“这个机器人是谁”
●Bot 显示名解决的是“别人看到它叫什么”
所以如果你只是想把飞书里的机器人名字换掉，不要去动 OpenClaw 渠道配置，直接去飞书开放平台改 Bot 名称，再发布就行。
文档明明支持关掉 @，结果群里还是不回
这个坑更烦一点，因为它特别像“自己配错了”。
我的诉求其实很简单：
这些群本来就是专门给某个 agent 用的，群里也基本只有我和机器人，那就没必要每次都先 @ 一下。
按 OpenClaw 的文档，飞书群聊本来就支持按群配置：
"channels": {
"feishu-china": {
"groupPolicy": "open",
"groups": {
"oc_xxx": { "requireMention": false }
}
}
}
我也确实这么配了。
结果配置写进去、网关重启完，群里还是没回。
这时候最值钱的动作不是继续猜，而是直接看日志。
日志给出的信息很清楚：
Inbound: chat=oc_xxx type=text ... policy rejected: message did not mention bot 这说明消息其实已经进了网关，但又在插件内部被拦了一次。
继续往下看 feishu-china 的运行时代码，问题就出来了：
●文档支持 groups..requireMention
●配置 schema 也支持这个字段
●但真正跑策略判断时，代码只读了全局 channels.feishu-china.requireMention
●当前群的覆盖配置根本没被用上
说白了，就是这版插件自己有个 bug。
所以最后的处理不是“继续调配置”，而是直接修运行时代码：
●按 ctx.chatId 读取当前群的覆盖配置
●优先使用 groups..requireMention
●再回退到全局默认值
修完再重启网关，群里就能在不 @ 的情况下直接回复了。
这件事背后的结论其实很实用
表面上看，这只是一个“要不要 @”的小问题。
但它背后其实对应的是两种完全不同的使用方式：
●如果机器人是共享工具，那 @ 一下很合理
●如果机器人本来就是某个专属群里的长期助手，那每次都 @ 一下就很蠢
我后来越来越确定一件事：
专人助手式的 agent，交互摩擦一定要足够低。
不然你会不自觉地少用它。
所以这次补完之后，我对这套方案的理解也更完整了：
●名字在飞书侧改，别在 OpenClaw 里绕
●路由在 OpenClaw 里做
●对专属群，尽量关掉 @ 门槛
●如果配置明明对了但还是不工作，第一时间去看运行时日志，不要先怀疑自己
最后总结
如果你已经把 OpenClaw 跑在起来了，我非常建议继续往前做这一步：
不要满足于一个什么都能聊的 agent，尽快把它拆成几个真正有边界的角色。
这次我验证下来的最实用组合是：
●一个 OpenClaw gateway
●一个飞书机器人
●多个按职责拆分的 agent
●多个独立 workspace
●按群聊 peer-id 路由
这套设计不会让你瞬间拥有一个完美的多智能体系统。
但它会很稳定地解决一个特别现实的问题：
机器人终于开始像团队，而不是像一个上下文越来越浑的“万能人设”。
而且这次最关键的变化已经不只是“上下文不串了”，而是：
从调研到产品、从开发到测试、从数据到运营，这几件事终于能在一个系统里自己滚起来。
这已经不是玩具升级，而是开始接近真正能长期用的工作流了。
