夜雨聆风OpenClaw配置多个智能体教程代码版
之前已经写过一篇文章，关于怎么配置多个智能体，那篇文章主要是交给小龙虾自己配置了，感兴趣的可以翻一下历史文章。
上周升级了一下版本，我的小龙虾权限被限制了，导致他没法自动配置，所以自己折腾研究了一下代码。更新一版代码版，如果你也碰到同样的问题，或者担心你的App ID与App Secret泄露，也可以尝试下代码版本配置。
如果你希望在本地终端里配置多个 Agent，让不同 Agent 分别承担不同任务，比如数据分析、内容创作、资料整理、客服答疑等，那么这篇文章可以带你完整走一遍流程。
这次我们以一个名为 dataanalysis 的 Agent 为例，演示如何：
创建一个独立 Agent 配置飞书机器人账号 开启飞书长连接 完成配对 将 Agent 和飞书账号绑定起来
配置完成之后，你就可以让不同 Agent 各司其职，分别处理不同工作流。
一、开始前要准备什么？
在正式配置之前，你需要先准备好以下内容：
1）已经安装并可正常使用 OpenClaw
确保你本机已经可以正常执行 openclaw 命令。
2）提前在飞书开放平台创建好机器人应用
如果你之前已经配置过飞书机器人，可以直接复用；如果还没有，建议先去飞书开放平台创建一个企业自建应用，并开启机器人能力。如果不知道怎么配置飞书机器人，可以点击原文，查看飞书配置教程。
你至少需要拿到以下两项信息：
App ID App Secret
3）提前想好这几个配置项
你需要先明确三件事：
Agent 名称：例如 dataanalysis工作目录名称：例如 ./dataanalysis模型名称：例如 openai-codex/gpt-5.4
这里补充一句：
dataanalysis只是示例名称，你可以改成自己想要的名字工作目录名称和 Agent 名称可以相同，也可以不同 模型名称请替换成你自己实际要使用的模型
二、第一步：创建一个新的 Agent
先在终端中执行下面这条命令，创建一个新的 Agent：
openclaw agents add dataanalysis --model "openai-codex/gpt-5.4" --workspace ./dataanalysis这条命令分别代表什么？
dataanalysis：这是你创建的 Agent 名称--model "openai-codex/gpt-5.4"：这是这个 Agent 要使用的 模型--workspace ./dataanalysis：这是这个 Agent 对应的 工作目录
也就是说，这一步的作用是：给系统新增一个独立 Agent，并为它指定模型和工作空间。
如果你未来要配置多个 Agent，比如：
writerresearchercustomer-service
也可以按同样方式分别创建。
三、第二步：配置飞书机器人的 App ID
创建完 Agent 后，接下来开始配置飞书账号。
先写入飞书应用的 App ID：
openclaw config set channels.feishu.accounts.data_fs.appId "这里输入你的应用凭证 App ID"这里的 data_fs 是你给这个飞书账号起的配置名称。这个名字可以自定义，但后续命令中需要保持一致。
比如你也可以命名为：
my_feishuwork_fsbot001
但如果你这里用了 data_fs，后面绑定时也必须继续用 data_fs。
四、第三步：配置飞书机器人的 App Secret
继续写入飞书应用的 App Secret：
openclaw config set channels.feishu.accounts.data_fs.appSecret "这里输入你的应用凭证 App Secret"这一步和上一步对应，App ID 与 App Secret 都配置完成后，OpenClaw 才能正确连接飞书机器人。
五、第四步：设置飞书连接模式为 WebSocket
这一步是很多人最容易写错的地方。
正确命令如下：
openclaw config set channels.feishu.connectionMode "websocket"为什么这一步很重要？
因为飞书接入 OpenClaw 时，推荐使用 WebSocket 长连接模式。这种方式不需要你额外暴露公网回调地址，配置会更直接，调试也更方便。
这里提醒下
我在这一步实际用的命令是另外一个，但是问了小龙虾，他说我之前的命令是旧的，让我最好用上面的那个命令，你可以用上面那个试试，我还没有试过，如果有错误后续会修正
openclaw config set channels.feishu.accounts.data_fs.protocol "websocket"本次实际操作命令
六、第五步：重启网关，让配置生效
飞书相关配置写完后，执行一次网关重启：
openclaw gateway restart --force这一步的作用是让刚才新增的 Agent 以及飞书配置正式生效。
如果你在中间改过配置，但没有重启网关，后面可能会出现机器人不响应、连接状态不更新等问题。
七、第六步：在飞书开放平台完成机器人配置
终端配置完成后，还需要回到飞书开放平台，把应用侧的配置补齐。
这一部分同样很关键。
你需要完成以下几个动作：
1）开启机器人能力
进入飞书开放平台的应用后台，确保 机器人能力 已经开启。
如果机器人能力没开，应用即使存在，也无法正常接收和发送消息。
2）在“事件与回调”中选择长连接模式
在飞书开放平台中，进入 事件与回调 相关配置页面，选择 长连接（WebSocket） 模式。
这一步是为了让飞书以长连接方式把消息事件推送给你的 OpenClaw。
3）勾选需要的消息事件权限
至少要确保已经开启与“接收消息”相关的必要权限或事件订阅。
如果没有开启消息接收能力，机器人通常会出现：
能看到应用，但不回消息 已经绑定成功，但消息进不来 配对码收不到或会话无法建立
4）创建版本并发布
这是很多人最容易漏掉的一步。
在飞书开放平台中，完成配置之后，还需要进入：
版本管理与发布
然后执行：
创建版本 发布版本
如果没有发布版本，那么前面的配置即使都填对了，也可能不会真正生效。
八、第七步：给机器人发送一条消息，获取配对码
完成飞书侧配置后，去飞书里找到你的机器人，主动给它发送一条消息。
如果你的 DM 策略是默认的配对模式，机器人会返回一个 配对码。
这个配对码是后续批准连接的关键。
九、第八步：在终端中批准配对
拿到配对码之后，在终端执行：
openclaw pairing approve feishu 你的配对码这一步的作用，是告诉 OpenClaw：这个飞书用户是可信的，可以允许其与机器人建立对话连接。
如果你没有执行这一步，即使机器人已经创建成功，也可能无法正常进入可用状态。
十、第九步：将 Agent 绑定到飞书账号
配对完成之后，再把刚刚创建的 Agent 与飞书账号进行绑定：
openclaw agents bind --agent dataanalysis --bind feishu:data_fs这条命令怎么理解？
--agent dataanalysis：表示你要绑定的 Agent 是dataanalysis--bind feishu:data_fs：表示把它绑定到飞书账号data_fs
这里需要注意的是：
如果你前面创建 Agent 时用的不是 dataanalysis或者你前面配置飞书账号时用的不是 data_fs
那么这一步也要对应改掉，保持前后一致。
十一、第十步：最后再重启一次网关
绑定完成之后，建议再执行一次：
openclaw gateway restart --force这样做的目的，是确保 Agent 绑定关系和飞书连接状态都被完整刷新。
到这里，整个配置流程就基本完成了。你可以用飞书与你新的 agent 对话了。
最后帮你总结一下完整流程
如果把整套操作压缩成一句话，其实就是：
先创建 Agent，再配置飞书账号，接着开启飞书长连接，完成配对，最后把 Agent 绑定到飞书。
完整顺序如下：
创建 Agent 配置飞书 App ID 配置飞书 App Secret 设置 Feishu 连接模式为 WebSocket 重启网关 在飞书开放平台开启机器人能力、配置事件与回调、发布版本 给机器人发消息拿到配对码 执行配对批准命令 绑定 Agent 与飞书账号 再次重启网关
配置过程中最容易踩的坑
1）忘记在飞书开放平台开启机器人能力
只创建应用不够，还要确保机器人能力本身已经打开。
2）没有开启消息接收相关权限或事件
如果消息事件没开，机器人很可能完全不响应。
3）忘记发布版本
这是非常典型的问题。很多人配置全对了，但因为没有“创建版本并发布”，结果一直以为是命令写错了。
4）Agent 名称和账号名称前后不一致
比如前面用的是：
Agent： dataanalysis账号： data_fs
后面绑定时就必须保持一致。
进阶建议：配置完成后做一次检查
如果你担心配置有没有写错，可以在终端里额外执行：
openclaw config validate这条命令可以帮助你快速检查当前配置是否合法。对于第一次接触 OpenClaw 的用户来说，这一步非常实用。
或者你直接飞书问一下小龙虾，他这次配置的 agent 是哪一个，我用的是这个方法。
结语
当你在终端里把多个 Agent 配好之后，其实就相当于给不同任务准备了不同的“数字员工”：
一个负责数据分析 一个负责内容创作 一个负责知识整理 一个负责消息处理
它们各自有独立的工作目录、模型和绑定关系，后续无论是扩展协作场景，还是做更复杂的自动化工作流，都会清晰很多。
如果你也想让不同任务拆分给不同 Agent 去执行，这套配置方式非常值得提前搭好。