- 综合排序
- 最热优先
- 最新优先
- 来自专栏OpenClaw系列笔记
OpenClaw 多智能体路由方案实现不同业务处理
解决方案：配置多智能体路由（Multi-AgentRouting）在一个OpenClaw网关（Gateway）下，创建三个独立的智能体，并通过飞书的不同对话场景（私聊、群聊）将任务路由给对应的智能体。 3.1配置智能体"list":[{"id":"assistant_xiaosheng",//自定义智能体id"name":"日常助手","default":true,//设为默认智能体"workspace 3.2配置智能体路由"bindings":[//绑定规则：将飞书的不同对话路由到不同的智能体//示例1：将飞书群聊「公众号选题群」的消息路由给writer智能体{"agentId":"writergzh_xiaosheng 四、总结上面的配置已经实现了多智能体路由核心功能，但没有做个性化配置，比如我公众号写作群想用Geminiapi来写，日常交流群用deepseek就足够了；还希望不同群我对小龙虾的称呼不同，也就是我可以给不同的智能体起一个特定的名字 就看你的业务多不多了，多的话区分出来是最好的，下篇就写这个。下篇：OpenClaw多智能体配置不同的模型和个性化设置大家好，我是小生，从程序员转行做自媒体，每天学习一点AI技术。
1.1K40编辑于 2026-03-25 补充：企业微信-openclaw多智能体关键配置文件
下述配置是在openclaw中配置了三个agent：main，agent1，agent2在企业微信里配置了一个智能机器人：bot_app，三个企业微信应用：main_app、agent1_app和agent2 通过binding：智能机器人和main_app都会发到缺省的main agent上，而应用agent1_app和agent2_app则分别发到agent1和agent2上。 /workspace-agent1", "agentDir": "/root/.openclaw/agents/agent1/agent" }, { "id": "agent2", "name": "agent2", "workspace": "/root/.openclaw/workspace-agent2", "agentDir": "/root/.openclaw/agents/agent2/agent" } ] }, "bindings": [
1K00编辑于 2026-03-12- 来自专栏OpenClaw系列笔记
OpenClaw 多智能体配置不同的模型和个性化设置
OpenClaw多智能体配置不同的模型和个性化设置一、前情回顾到这里，前面的内容已经实现了本地部署和多智能体路由方案，现在在此基础上进一步给每个智能体设置不同的文本模型和生图模型，最后再给每个智能体配置不同的 3.4熟悉多智能体的工作空间在开始之前，先熟悉一下多个智能体的工作空间结构：根目录.openclaw我们前面到现在一直改的就是图上这个openclaw.json它是作用于全局的，也推荐在这里改配置。 下面三个工作空间，第一个是默认的，后面两个就是我们上一篇配置多智能体后自动生成的工作空间。我们打开其中一个看看都有啥？ 3.5给不同智能体配置名称和头像我们接下来要修改的就是每个工作空间里面的IDENTITY.md，打开后里面的东西不要动，直接增加如下信息然后保存即可：name:儒剑仙·谢宣theme:我书读的多，专门负责给你写作 下一篇：OpenClaw多智能体配置不同的图片生成模型大家好，我是小生，从程序员转行做自媒体，每天学习一点AI技术。
1.7K50编辑于 2026-03-26 OpenClaw 本地 AI 智能体全解析
OpenClaw 本地 AI 智能体全解析告别“只聊天不做事”：OpenClaw 本地 AI 智能体全解析（原理、部署与实战）在 AI 工具遍地开花的当下，你是否还在烦恼大模型只能“输出文字”，却无法真正替你完成操作系统 2026 年爆火的开源项目 OpenClaw（国内俗称“龙虾”），彻底打破了这一局限——它不是另一个对话机器人，而是一款本地优先、模型无关、能真正落地执行任务的 AI 智能体执行网关，能让 AI 像“真人 它的核心身份是：开源、自托管、模型无关的 AI 智能体执行网关，口号是 “The AI that actually does things”（真正做事的 AI）。2. 智能体（Agent）：承载“思考能力”的核心，可根据用户指令拆解任务、匹配技能、规划执行步骤，支持多 Agent 路由（不同账号/会话对应不同 Agent，实现个性化定制）。 网关接收指令，转发给智能体（Agent）。Agent 拆解任务：定位文件夹→读取文档结构→生成 README→提交 Git，匹配对应技能（文件读取、代码运行、Git 操作）。
2.4K20编辑于 2026-03-11- 来自专栏openclaw系列
OpenClaw源码大揭秘：解构OpenClaw的executeSendAction 与 executePollAction —— AI智能体的多通道消息中枢
它们构成了AI智能体的“发声”系统。第一章：设计哲学——插件优先，核心兜底整个模块的设计遵循了清晰的分层与委托原则。 agentId,);这确保了不同Agent生成或处理的图片、视频等媒体文件被严格隔离，避免了命名冲突和数据泄露，是多租户或多Agent环境下的关键安全措施。 它是一个精心设计的通信总线，通过插件化架构实现了对多平台的灵活支持，通过镜像回溯机制解决了AI行为的可观测性难题，并通过严谨的工程实践保证了系统的健壮性。 它生动地诠释了现代AI工程的核心思想：智能在模型，而可靠性、可扩展性和可维护性在Harness（驾驭系统）。这份代码，为构建能够真正融入我们工作流的、可靠的AI伙伴，奠定了坚实的基础。
5511编辑于 2026-04-15 - 来自专栏机器学习算法与Python学习
开源星际争霸2多智能体挑战smac
转自：专知 SMAC是Github上的一个用于在暴雪星际争霸2上进行多智能体协同强化学习（MARL）的环境。 SMAC用了暴雪星际争霸2的机器学习API和DeepMing的PySC2为智能体与星际争霸2的交互提供了友好的接口，方便开发者观察和执行行动。 https://github.com/oxwhirl/smac 安装SMAC pip install git+https://github.com/oxwhirl/smac.git 另外，星际争霸2也是要安装的 示例代码 ---- 在下面的代码中，独立的智能体在接收到观察和全局状态后会执行随机策略。 from smac.env import StarCraft2Env import numpy as np def main(): env = StarCraft2Env(map_name=
1.6K20发布于 2019-03-07 各大厂商OpenClaw 多智能体 中文生态分析研究报告
核心平台与官方工具OpenClaw (原 Moltbot / Molili / Clawdbot)：整个生态的起源，开源的自主 AI 助手框架。 特定区域与浏览器增强：KimiClaw、Xiaomimiclaw、TuyaClaw、HiClaw、51Claw、OpenClaw-Zh.CN 。 LobsterAI / Ribbi / Lobster：基于 OpenClaw 创始团队梗（龙虾）命名的社区衍生项目。 这些产品中，OpenClaw-zh.cn 和 ClaudeCowork 代表了技术的主流方向，其余大多是基于这两者的二次开发或垂直领域的分叉。
38210编辑于 2026-04-01基于.NET AgentFramework开发OpenClaw智能体框架
基于.NETAgentFramework开发OpenClaw智能体框架本文档详细介绍了基于.NETAgentFramework开发OpenClaw智能体框架的设计理念、核心功能、技术实现、使用方法和注意事项 概述1.1项目背景OpenClaw作为2026年全球流行的开源AI智能体框架，以其多通道接入能力、灵活的Skill技能系统和工程化治理能力而闻名。 本文档将介绍如何利用MicrosoftAgentFramework（Preview）在.NET平台实现OpenClaw的核心功能，为.NET开发者提供一个生产级AI智能体框架的参考方案。 加载机制基于.NET依赖注入与配置体系，实现开箱即用的易用性1.3术语表术语说明Agent智能体，基于大语言模型（LLM）执行任务的核心实体。 ，采用前后端分离设计，具备以下核心特性：AI智能体框架RAG检索增强AI知识库AI智能体技能集成多级缓存机制SignalR实时通信等等......项目地址：github：https://github.com
33620编辑于 2026-03-23OpenClaw SubAgent指南：构建确定性多智能体工作流的架构实践
2026年2月，一位全栈开发者在构建自动化代码审查管道时遭遇了典型的多智能体架构危机。 一、OpenClaw SubAgent核心机制：父子委托架构解析OpenClaw SubAgent（子智能体）是OpenClaw多智能体系统中基础且常用的协作机制，其本质是一种一对多的父-子委托关系。 二、确定性编排的挑战：为什么LLM控制流不可靠2.1 当前框架的局限性OpenClaw v1版本的SubAgent机制存在五个关键约束，直接影响生产环境可靠性：真实故障模式：在"生成2个研究子智能体并行工作 5.2 并发与资源管理OpenClaw v1的全局并发限制为`maxConcurrent: 8`，且子智能体默认最大深度为2（`maxSpawnDepth: 2`）。 ├─ 是 → 独立Agent架构 └─ 否 → 标准SubAgent模式结语：从智能体协作到基础设施韧性OpenClaw SubAgent代表了AI工程化从"单智能体对话"向"多智能体协作
74120编辑于 2026-04-08无需复杂配置，Windows 快速部署 OpenClaw 智能体
Windows 一键部署 OpenClaw 教程｜5 分钟搞定本地 AI 智能体，告别复杂配置2026 年开源圈热度极高的「数字员工」OpenClaw（昵称小龙虾），GitHub 星标突破 28 万 + -2.3.12」，等待 1-2 分钟；解压完成后，生成Openclaw-win文件夹，进入文件夹确认包含「Openclaw Windows 一键启动.exe」（红色龙虾图标），即为解压成功。 进入解压目录 打开Openclaw-win文件夹，找到「Openclaw Windows 一键启动.exe」程序（红色龙虾图标）。 2. 进入初始化界面 启动程序后，弹出 OpenClaw 欢迎界面（红色龙虾 Logo），点击界面底部红色「开始使用」按钮，进入安装配置页面。 2. 确认部署成功 进入 OpenClaw 主界面后，右上角显示「Gateway 在线」，代表服务正常运行，部署完成！ 2.
44310编辑于 2026-04-07怎么把 OpenClaw 用成“真正的智能体”
Goal-driven）不要再这样用：展开代码语言：TXTAI代码解释帮我查一下xxx要这样设计：展开代码语言：TXTAI代码解释目标：每天分析设备运行状态，并生成异常报告Agent必须有“长期目标”2. 构建Agent基础架构（建议你这样做）核心模块：展开代码语言：TXTAI代码解释1.Planner（任务规划）2.Executor（执行工具）3.Memory（状态存储）4.Observer（结果评估） 简单结构：展开代码语言：TXTAI代码解释graphTDA[用户目标]→B[任务拆解]B→C[执行工具]C→D[结果]D→E[评估]E→B关键是：循环（Loop）3.工具接入（这是你最应该做的）你可以把OpenClaw 决定是否调用工具3.输出行动四、升级路径（给你一条清晰路线）第一步（你现在）✔OpenClaw+搜索↓第二步✔接入数据库+API↓第三步✔加循环（AgentLoop）↓第四步✔加Memory↓第五步✔做业务场景 （运维/IoT）五、结论很多人把OpenClaw当搜索工具，本质不是工具不行，而是：没有构建“任务执行系统”，只是在用“信息获取系统”。
13720编辑于 2026-03-31- 来自专栏测试开发囤货
MetaGPT：多智能体元编程框架
MetaGPT：多智能体元编程框架 使 GPTs 组成软件公司，协作处理更复杂的任务 MetaGPT输入「一句话的老板需求」，输出「用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等 并使用npm安装mermaid-js npm --version sudo npm install -g @mermaid-js/mermaid-cli # 第 2 步：确保您的系统上安装了 Python
92630编辑于 2023-08-08 深度解析OpenClaw自主智能体的核心技术
从“对话者”到“行动者”，大模型驱动的智能体（AI Agents）正在开启通往自主智能的大门。本文将带你深入拆解智能体的认知架构、进化路径与未来挑战。 认知觉醒：智能体的“四位一体”架构如果把传统的软件比作听命行事的“工具”，那么基于大模型的智能体更像是一个正在成长的“数字人类”。 要处理复杂任务，智能体必须进化出“深思熟虑”（System 2）的能力。1. 思维的进化：从链到树我们解决难题时，习惯分步骤思考。 思维树（ToT） 允许智能体像人类一样进行多路径探索：分解问题、生成多个想法、自我评估，甚至在发现错误时回溯（Backtracking），在无数种可能性中寻找最优解。2. 行业启示录：金融领域：FinGPT 利用数据飞轮，结合情感分析与数值推理，甚至能模拟“多智能体辩论会”，让风控与激进策略博弈，从而做出更优投资决策。
1.9K10编辑于 2026-02-03多智能体架构的核心功法
这让我意识到：多智能体不是技术升级，而是组织升级。 多智能体不是简单叠加，而是化学反应 很多人听到"多智能体"，第一反应是"不就是多调用几个AI接口吗"。这种理解太表面了。 这些问题解决不好，多智能体就会从"提升效率"变成"增加负担"。 企业落地的三个关键门槛 经过两年的实践，我总结出企业落地多智能体的三个关键门槛： 第一个门槛：找到合适的分工边界 不是所有业务都适合用多智能体。有些场景用单体AI更高效，有些场景必须用多智能体。 如果任务相对简单且变化不大，单体AI足够；如果任务复杂且经常变化，多智能体的优势就体现出来了。 对于企业来说，关键不是要不要用多智能体，而是什么时候用、怎么用、用在什么地方。 我们的经验是：从简单场景开始，逐步复杂化；从单体AI开始，逐步多智能体化；从技术验证开始，逐步业务化。
15510编辑于 2026-02-02- 来自专栏张善友的专栏
OpenAI官方开源多智能体框架「Swarm」，并不是我想要的多智能体框架
今天早上，OpenAI实施团队的 @shyamal在Github上开源了Swarm这个OpenAI官方的多智能体框架。 这个多智能体框架确实已经把多智能体的关键，说的很透彻了，Swarm 里面定义了两个核心「Agents」和「Handoffs」，多智能体的核心是在这个Handoffs上面。 个人观点认为他的设计还没有我们的多智能体框架好用，OpenAI的[Swarm]是docker swarm，我们的多智能体框架就是k8s，我需要的是像k8s编排容器那样编排智能体，我们刚刚在9月26日对外发布了多智能体的工业设计产品 多智能体的核心难题其是不同智能体之间的通信问题。怎麼传递信息，传哪些信息，这些都很重要。多个智能体协作，也只需要在必要的时候被调用起来就可以了。 OpenAI的Swarm 目前还处于实验阶段，期望他发展成为k8s 这样的一个多智能体编排框架： 这个框架是python写的，大家觉得用python 写多智能体应用是好选择吗？
60910编辑于 2025-02-04 - 来自专栏大模型应用开发
Data Agents-Part 2 ：揭秘 AI 量产关键：多智能体编排
定制化AI系统开发全流程：多智能体编排才是量产关键在定制化AI系统的完整生命周期里，咱们一般会按三步走来：基于现成的预训练大模型（比如GPT-5、Claude这类狠角色）针对特定领域任务做微调结合真实业务场景的反馈 ，用强化学习打磨效果但要把模型的“蛮力”转化为能落地的产品，还得补上第四步——多智能体协同编排。 一套极简的多智能体架构我们采用的是分层架构，各司其职、分工明确：规划师（Planner）：把用户的原始需求，拆解成一步步能执行的原子任务调度器（Executor）：决定下一步该执行哪个任务、要不要重新规划 2. regulations", "enabled_agents": ["web_researcher", "synthesizer"],}graph.invoke(state)编排层才是量产的关键这套多智能体编排层
40210编辑于 2025-12-20 - 来自专栏编码如写诗
OpenClaw自学习：AReaL 让智能体真正学会
一、智能体的进化困境 OpenClaw、LangChain、Claude Code等智能体框架如雨后春笋般涌现，但一个核心问题始终未被解决：智能体的能力在部署那一刻就被锁死了。 开发者完全不需要修改智能体原有代码，只需要在配置文件（比如OpenClaw的配置）中改两个参数： base_url：指向AReaL网关 api_key：换成AReaL的密钥 就这么简单，智能体就能接上强化学习训练 数学推理 GSM8K：支持多种算法的数学推理训练 多轮对话：跨轮次奖励折扣 Countdown：自定义奖励函数 2. 智能体强化学习 通用智能体：兼容多种框架 客服智能体：Tau2-Bench数据集 搜索智能体：端到端搜索流程 工具调用：多轮工具使用（Python执行器、计算器等） 3. cluster.n_gpus_per_node=8 \ scheduler.type=ray 九、未来路线图 AReaL团队计划持续迭代： 训练引擎优化：提升性能和稳定性 易用性提升：降低使用门槛 多模态智能体
76811编辑于 2026-03-05 - 来自专栏数据科学和人工智能
DeepMind 最新教程：多智能体学习
DeepMind团队最新做的关于多智能体学习的教程 DeepMind团队最新做的关于多智能体学习的教程
71610编辑于 2022-03-31 - 来自专栏openclaw系列
OpenClaw源码大揭秘：解构OpenClaw下 `SessionBindingService` —— AI智能体的“会话粘合剂”
然而，真正的智能体现在能够主动创建上下文、管理并行任务、并在不同沟通渠道间无缝切换。SessionBinding机制正是为了解决这一挑战而生。 1.1绑定目标（BindingTarget）"subagent":绑定到一个独立的子智能体实例。这通常用于启动一个专门处理特定任务的AI。"session":绑定到另一个已存在的会话。 3.3位置（Placement）推断与验证如果调用者未指定placement，服务会根据conversationId是否存在来智能推断：有ID则为"current"，无ID则为"child"。 它通过清晰的分层、强大的适配器模式和周全的错误处理，为AI智能体提供了一种标准化的方式来管理和协调跨会话、跨平台的交互。 在这个模块的支持下，AI智能体得以真正打破单一对话的牢笼，在一个更加广阔和互联的数字世界中自由协作。这正是构建下一代AI应用所必需的基础设施。
5910编辑于 2026-04-15 - 来自专栏openclaw系列
OpenClaw源码大揭秘：解构OpenClaw下`normalizeReplyPayloadsForDelivery` 构件— AI智能体输出的“精炼厂“
此外，还有一个巧妙的逻辑来处理单图vs多图的兼容性：展开代码语言：TypeScriptAI代码解释consthasMultipleMedia=(explicitMediaUrls?.length??
8110编辑于 2026-04-15
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号