多智能体团队：花园 Agent 实战手册

花园多智能体团队概览#

先上一张全景图，让你对我的 Agent 团队有个整体印象：

七个 Agent，十几个使用场景，覆盖了我日常工作和生活中最高频的需求。

每个 Agent 都绑定了一个独立的飞书 Bot，这意味着我可以在飞书里直接跟任何一个助手对话 — 想生图就找生图助手，想查股票就找投资助手，就像在一个公司群里 @不同的同事一样自然。

你可能会问：这六个 Agent 是怎么选出来的？

答案是：不是设计出来的，是用出来的。

我从自己日常最高频的需求出发，一个一个搭建、一个一个迭代。

每搭建一个新 Agent，我的经验就多一分，下一个就搭得更快、配得更好。

下面我简单介绍一下每个 Agent 的定位和核心价值。

花园生图助手#

日常写文章需要配图、做 PPT 需要插画、写方案需要说明技术架构，我都直接在飞书里跟它说一句话就行。

它背后接了 Nanobana 和 Seedream 两大模型，出图质量相当不错。关键是，我在它的人设里定义了我的审美偏好，所以它生成的图大部分情况下不用反复调整。

花园资讯助手#

每天定时自动运行，它帮我从多个信息源抓取 AI 领域的最新动态，然后整理成一份结构清晰的日报，然后帮我智能推送到 Easy AI 网站上。

大家现在在 Easy AI 上看到的 AI 日报内容就是花园资讯助手自动抓取并生成的，在没有它之前要靠我每天手动执行脚本。

花园开发助手#

在手机上通过飞书就能远程跟 Claude Code 交互。

出门在外突然想到一个 bug 的解法，掏出手机说一句，它就帮你改了。回到电脑前，代码已经帮你写好了。

花园投资助手#

定位是我的投资分析参谋，帮我拉取个股数据、分析关键走势指标、对比行业趋势，生成买入和卖出建议。

之前花钱才能买到的会员服务，现在直接就能拥有，还能随时调教。

花园社区助手#

半自动化的社区运营 Agent。在 Moltbook 上定期发内容、回复评论、跟其他 Agent 互动，还能定期总结下社区有啥有意思的观点。

花园写作助手#

你现在看到的这篇文章，就是我和写作助手一起完成的。它更像是一个写作搭档：能记住我的写作风格、帮我搜索资料、梳理大纲、优化表达、检查逻辑、补充细节。

花园智能专家#

了解团队所有智能体的人设和技能，当有复杂任务需要所有团队成员来协作执行时，由它来帮我协调完成。

为什么不做一个全能 Agent?#

看到上面的六个 Agent，你可能会想：为什么不把所有技能塞到一个 Agent 里？

一个"花园全能助手"，既能写文章、又能分析股票、还能生图、管 Github，岂不是更方便?

这是一个非常自然的想法，但实践中你会很快遇到问题。

第一，上下文污染#

一个 Agent 的上下文窗口是有限的。当你把生图的提示词模板、投资分析的框架、写作的风格指南、Github 的操作说明全部塞进同一个上下文，Agent 的注意力会被严重分散。

你让它写文章，它可能会在行文中不自觉地使用投资分析的术语；你让它分析股票，它可能会用写作的"润色"风格来美化数据 — 这不是你想要的。

第二，技能冲突#

不同场景需要的工具和权限完全不同。

开发助手需要 ACP 协议来调度 Claude Code，这个权限对写作助手来说完全多余且有安全风险。

投资助手需要访问 Tushare 的金融数据接口，社区助手需要访问 Moltbook 的 API。

把这些全部开放给一个 Agent，违反了最小权限原则。

第三，人设冲突#

一个好的 Agent 需要清晰的身份定义。

投资助手应该严谨、数据驱动、风险意识强；

写作助手应该有温度、有文采、善于结构化表达；

社区助手则可以有趣、有个性、善于社交互动。

这些截然不同的"性格"很难在一个 Agent 身上和谐共存。

所以结论是：专精胜于全能，隔离优于共享。

就像一个高效的团队不是由一个全能的人组成的，而是由若干个各自擅长某个领域的专家组成的。

OpenClaw 的多智能体架构，天然就为这种 "专家团队" 模式而设计。

下面我们来看，搭建 OpenClaw 的多智能体需要的理论知识。

搭建多智能体团队需要的理论知识#

一个 Agent 包含哪些核心要素？#

从学术界和工程界的共识来看，一个生产级的通用 Agent 由以下 几大核心要素构成：

模型：

LLM 是 Agent 的认知引擎，负责语言理解、推理规划和生成输出。它决定了 Agent 的 "智力天花板"。

记忆：

记忆系统让 Agent 从 "无状态的函数" 变成 "可连续工作的助手"。记忆通常分为短期记忆（会话上下文）和长期记忆（跨会话知识持久化）。

人设

定义 Agent 的角色、边界、行为准则和沟通风格，回答同一个问题，一个被设定为「严谨的技术顾问」的 Agent 和一个被设定为「友善的助手」的 Agent，给你的体验完全不同。

工具

Agent 可以调用的外部能力，如代码执行、API 调用、浏览器操控、文件读写。

规划和执行

规划能力使 Agent 能够将复杂任务拆解为可执行的步骤序列，在一些确定的任务场景下，也可以为 Agent 设定固定的工作流程。

运行环境

Agent 需要一个安全、隔离的执行环境。

OpenClaw 中 Agent 的具体构成#

OpenClaw 对上述的通用架构做了非常工程化的实现。

模型

在 OpenClaw 中，每个 Agent 可以绑定不同的模型。

如我们可以为写作的 Agent 设置擅长聊天的模型（如 openai/gpt-5-4）；为开发 Agent 设置擅长编码的模型（如 anthropic/claude-opus-4-6）。

记忆

在 OpenClaw 中，每个 Agent 拥有独立的记忆，包括：

• 短期记忆：当前对话的上下文窗口，包括用户消息和 Agent 回复的历史。
• 中期记忆：当日或近几日的工作记录。OpenClaw 使用 memory/YYYY-MM-DD.md 格式的日记文件来实现，建议每次会话启动时加载当天和前一天的记忆。
• 长期记忆：跨会话沉淀下来的用户偏好、关键决策和知识。在 OpenClaw 中对应 MEMORY.md，是经过筛选和整理的核心信息。

人设

在 OpenClaw 里，人设主要通过一组 Markdown 文件来定义：

• SOUL.md：Agent 的「灵魂」，定义它的核心身份和行为准则。这是最重要的一个文件，相当于 Agent 的 System Prompt。比如「你是一位资深的 A 股分析师，风格稳健，偏好价值投资，不做短线推荐」。
• IDENTITY.md：身份信息，比如名字、角色描述等基础属性。相当于 Agent 的「名片」。
• USER.md：关于用户（也就是你）的信息。你是谁，你的偏好是什么，你希望 Agent 怎么跟你交流。这个文件特别重要，因为它让 Agent 能「认识」你，知道你的背景和习惯，从而给出更有针对性的回答。

工具

在 OpenClaw 中，可用的工具包括：

• Core Tools：read/exec/edit/write 等内置工具，始终可用
• Skills：包括捆绑安装的内置技能（如 Github），和用户自定义拓展的技能（如股票分析）

OpenClaw 支持对每个 Agent 独立配置工具的黑白名单，实现细粒度的权限控制。

规划和执行

虽然 Agent 的规划能力主要由 LLM 的推理能力驱动，但也依赖于良好的 Prompt Engineering。

在 OpenClaw 中体现为 AGENTS.md 中的操作指令。

这个文件定义了 AI 具体 “怎么干活”，是人设落地的执行手册，明确了 AI 处理任务的标准流程、工具使用规则、记忆使用方法，确保 AI 的行为符合你的预期。

运行环境

在 OpenClaw 中，每个 Agent 都有自己独立的 Workspace。你可以把它理解为每个员工的「工位」— 有自己的人设文件、技能和记忆。

~/.openclaw/workspace-xxx/
├── SOUL.md          # Agent 的灵魂
├── IDENTITY.md      # Agent 的身份
├── AGENT.md         # Agent 的工作流程
├── USER.md          # 用户信息
├── MEMORY.md        # 长期记忆
├── memory/          # 中期记忆
│   └── YYYY-MM-DD.md
├── skills/          # 技能目录
│   └── nanobanana/
│       └── SKILL.md

每个 Agent 的 Workspace 完全独立，互不干扰。

OpenClaw 如何配置多 Agent？#

要让多 Agent 真正"跑起来"，需要明确以下三个问题：

工作环境隔离：谁在哪工作？#

为每个 Agent 分配独立的工作空间（Workspace），可以使用向导命令快速创建：

openclaw agents add coding
openclaw agents add social
openclaw agents add research

每个命令会自动创建独立的 workspace（如：.openclaw/workspace-social），并初始化 SOUL.md、AGENTS.md、USER.md 等核心文件。

路由规则：消息发给谁？#

下面我们需要给每个 Agent 配一个「对话入口」。

这里你需要先拥有一个完成相关权限配置的飞书 Bot（可以看我前面的详细飞书配置教程）。

在 OpenClaw 配置中我们为每个 Bot 创建一个 account（accounts 中的 key 即是这个 account 的唯一标识，需要记录下来，比如 img、news），填入对应的 AppId 和 AppSecret：

{
   channels: {
     feishu: {
      enabled: true,
      domain: 'feishu',
      mediaMaxMb: 30,
      accounts: {
        img: {
          appId: '你的飞书 Bot appId',
          appSecret: '你的飞书 Bot appSecret',
          botName: '花园生图助手',
        }
      },
      dmPolicy: 'pairing',
    },
  },
}

接下来，你要为每个 agent 和 channel account 对应一个绑定关系，例如：

{
   bindings: [
    {
      agentId: 'img',
      match: {
        channel: 'feishu',
        accountId: 'img',
      },
    }
  ],
}

Agent 和渠道的绑定关系可以配置多种规则，我们这里只介绍最简单的一个 Agent 对应一个飞书 Bot。

通信机制：Agent 之间怎么协作？#

在 OpenClaw 中，你可以在一个 Agent 下调用另一个或多个 Agent 的能力一起完成工作。

当一个 Agent 需要调用另一个 Agent 时，OpenClaw 会使用 sessions_spawn 发起调用。这个调用是非阻塞的，发起之后当前 Agent 可以继续做自己的事情。

被调用的 Agent 完成任务后，通过 Announce 把结果「广播」回去。就像你让同事帮忙做一件事，他做完了会主动来告诉你结果。出于安全考虑，你需要明确声明每个 Agent 允许调用哪些其他 Agent：

subagents: {
  allowAgents: ['img', 'writer', 'news'],
}

一份最小的多 Agent 配置示例#

{
  agents: { // ========== Agent 定义 ==========
    list: [
      {
        id: 'main',
        workspace: '/Users/conardli/.openclaw/workspace',
        identity: { name: '花园智能总管' },
        subagents: {
          allowAgents: ['img']
        }
      },
      {
        id: 'img',
        workspace: '/Users/conardli/.openclaw/workspace-img',
        identity: { name: '花园生图助手' },
      }
    ],
  },
  bindings: [ // ========== 路由绑定 ==========
    {
      agentId: 'img',
      match: {
        channel: 'feishu',
        accountId: 'img',
      },
    },
  ],
  channels: { // ========== 渠道配置 ==========
    feishu: {
      enabled: true,
      domain: 'feishu',
      mediaMaxMb: 30,
      accounts: {
        default: {
          appId: 'xxx',
          appSecret: '__OPENCLAW_REDACTED__',
          botName: '花园智能总管',
        },
        img: {
          appId: 'xxx',
          appSecret: '__OPENCLAW_REDACTED__',
          botName: '花园生图助手',
        },
      },
      dmPolicy: 'pairing',
    },
  },
}

花园生图助手具体介绍#

使用演示#

先看一个实际的交互：我在飞书上给花园生图助手发了一句话：

帮我绘制一张手绘简洁风的图片来介绍《Agent 六大要素》，参考信息：xxx

就这一句话，没有提示词模板、没有参数说明、甚至没有指定使用哪个生图工具。

几秒钟后，Agent 返回了一张精美的手绘风格信息表。

我换了一个风格试试：

帮我绘制一张严谨学术三线表风的图片，参考信息：xxx

同样的简洁指令，不同的风格关键字。

Agent 自动切换到了对应的提示词模板，生成了一张完全不同风格的图片。

整个过程中，Agent 自动完成了这些步骤：

识别意图（这是一个生图请求，且指定了风格）
  ↓
召回记忆（回忆起「生图时应先检索模板」的工作流） 
  ↓
检索技能（在提示词模板技能的 references/templates.md 中找到对应模板）
  ↓
拼接 Prompt（将模板与用户的内容描述组合成完整的生图提示词） 
  ↓
调用生图工具执行生成。

这就是花园生图助手和普通生图应用的本质区别：

普通应用是无状态的工具，每次使用都从零开始；

OpenClaw 是有记忆的助手，它知道你的偏好、你的模板库、你的工作流程。

搭建思路#

市面上不缺优秀的 AI 生图工具，但如果你是一个高频使用者，你一定遇到过这些痛点：

• 提示词管理：你可能在备忘录里存了十几段不同风格的提示词模板，每次生图前要先翻找、复制、粘贴、替换。时间久了，版本越来越多，哪个是最新的、哪个效果最好，自己都记不清了。
• 上下文断裂：在普通的生图应用中，每一次生成都是一次性的 — 工具不记得你上次用了什么风格，也不知道你偏好什么色调。你和工具之间没有「默契」，每次都像是第一次见面。
• 工作流割裂：生图只是你工作流中的一个环节。你可能需要先生成图片，然后插入文档，或者发到群里讨论。但生图应用和你的协作工具（飞书、Slack）之间是割裂的，需要手动来回切换。

花园生图助手的搭建思路就是利用 OpenClaw 的两大核心机制来解决这三个问题：

• 技能系统（Skills）：将多种提示词模板、不同的生图模型都定义为一个可检索的技能，Agent 在需要时自动查阅
• 长期记忆（Memory）：让 Agent 记住「生图时先查模板、再拼接、最后调用生图工具」这套工作流程，后续无需重复说明。

具体配置#

生图助手的配置分三步：

第一步，配置生图模型#

众所周知，目前业界生图效果最好的模型就是 nanobanana 了，在我的文章中大部分的配图也是由 nanobanana 生成的。

在 OpenClaw 中已经默认捆绑安装了 nanobanana 的生图技能，不过默认是未启用状态，启用它的前提条件是需要添加一个 GEMINI_API_KEY 的环境变量，配置完成后 OpenClaw 即可发现并调用这个技能。

但是，nanobanana 作为 Google 的旗舰生图模型，价格还是比较贵的，出张高清图要一块左右，普通玩家可能玩不起。

另外，平时也会有一些比较简单的生图需求，所以我推荐大家再配置一个性价比高的国产生图模型，比如我这里额外配置了火山引擎的 Doubao-Seedream 系列，在一些简单场景下还是比较能打的。

我们可以到 clawhub.ai 下找一个支持 Seedream 图片生成的技能，也可以直接让 OpenClaw 根据 Seedream 的 API 自己编写一个，这里我选择的是：https://clawhub.ai/AI-Lychee/doubao-seedream-seedance-skill

安装完成后，我们只需要在环境变量配置一个火山引擎的 API Key（ARK_API_KEY）即可启用这个技能。

第二步，提示词模板技能#

这一步是花园生图助手区别于普通生图工具的核心。

我创建了一个名为 prompt-templates 的自定义技能，结构如下：

• SKILL.md：说明各模板的使用场景和索引方式

• references/templates.md：存储所有的提示词模板正文

我把平时常用的「严谨学术三线表风」「模块化信息卡片流风」等风格的完整提示词都存储在了 templates.md 中。

你只需要在对话中告诉 Agent 你想创建这个技能，并把你常用的提示词模板发给它，它会自动帮你完成技能的创建 — 包括生成 SKILL.md 和 references 目录。

第三步，人设和记忆#

技能创建好了，但 Agent 还不知道「什么时候该用这些技能」，我们可以通过约束来让它记住后续的工作流程，比如：

请你记到长期记忆，如果后续用户要求生图时，指定了一个图片风格，先到 prompt-templates 技能检索出符合要求的提示词，再用这个模板拼接用户要生成的内容组成一个完整的生图提示词，再调用生图技能。

核心还是定义好下面三个文件，由于篇幅原因我这里就不贴完整的文件内容了，核心的定义思路可以分享给大家：

SOUL.md：用于定义这个生图助手的“灵魂”和核心行为方式。这里主要配置助手的身份定位（花园生图助手：世界顶级的 AI 绘画提示词工程师与视觉设计师）、沟通语气、审美标准、提示词生成原则、生图时的执行规则，以及必须遵守的安全边界。比如：默认用中文回复、如何理解用户需求、生成图片时优先使用什么模型、用户没说风格时是否要主动判断并直接生成、哪些内容不能做等。可以把它理解为这个助手的人设说明书和最高级行为准则。

AGENTS.md：用于定义这个生图助手的 “工作流程” 和日常运行方式。这里主要配置助手每次启动后先读哪些文件、如何组织会话中的工作顺序、哪些事情可以直接执行、哪些事情必须先询问用户、如何处理群聊或外部交互、以及如何维护日常记录和长期记忆。它更像是这个助手的操作手册，决定了助手在真实使用场景中怎么行动、怎么协作，以及怎么避免越界。

MEMORY.md：用于沉淀这个生图助手的 “长期记忆” 和稳定偏好。这里适合记录用户反复出现的审美倾向、常用风格、偏好的画幅比例、常见提示词写法、项目背景、输出习惯，以及多轮使用后总结出的固定规则。它不是临时任务记录，而是面向长期复用的经验库。配置得越清晰，助手后续生成的图片就越能贴近用户口味，也越不需要每次从头解释。

花园资讯助手具体介绍#

使用演示#

每天下午一点左右，我的飞书会准时收到一份已经分析好的 AI 日报 — 完全自动化，零人工干预。

这份日报的内容来自 AI News 的邮件订阅。

Agent 自动完成了这些工作：

检查邮箱里是否有新的 AI News 邮件
  ↓
如果有，读取邮件内容并写入本地
  ↓
调用分析脚本生成符合 EasyAI 要求的结构化日报
  ↓
推送到 EasyAI
  ↓
将日报关键信息总结后发送给我。

https://mmh1.top/#/ai-daily/2026-03-17

目前你在 EasyAI 网站看到的 AI 日报都是 OpenClaw 自动抓取并生成的。

搭建思路#

这个 Agent 的诞生源于一个我遇到的实际痛点。

我运营的 EasyAI 项目中有一个 AI 日报模块：

https://mmh1.top/#/ai-daily

这个日报的内容是对 news.smol.ai 中的内容进行二次加工而来。

所以我需要定期去这个网站看下有没有更新，如果有，把内容复制下来，调用脚本进行二次分析生成结构化数据，然后再手动上传到我的网站上，相关脚本在这：

https://github.com/ConardLi/easy-learn-ai/tree/main/scripts

所以我的诉求很简单，让 OpenClaw 来帮我完成这件事，搭建思路大概是这样的：

1. 邮箱订阅 news.smol.ai，可以及时感知最新更新
2. 邮箱接入：让 OpenClaw 能读取邮件
3. 分析处理：读取邮件正文 → 调用本地脚本生成结构化日报
4. 流程自动化：定时任务 + 防重复优化

具体配置#

第一步：邮箱技能安装#

Clawhub 上有很多邮箱相关的技能如 Outlook、163、QQ 邮箱等，包括 OpenClaw 也捆绑安装了可以访问 Gmail 的技能。

但是还是建议大家不要选择固定某个类型邮箱的技能，因为这类技能往往授权流程复杂，而且无法通用。大家可以直接安装一个支持 IMAP 协议的技能。

IMAP 是一个通用的邮件接收协议，用于从邮件服务器读取、管理邮件。

我们这里选择安装 imap-smtp-email 技能：

我们这里以 QQ 邮箱为例，接下来需要做的配置是：

1. 登录 QQ 邮箱 → 账号与安全 → 安全设置 → 开启「POP3/IMAP/SMTP/Exchange/CardDAV 服务」
2. 生成授权码并保存
3. 将下面的环境变量加入 OpenClaw 的配置模块

配置完成后，Agent 就能按条件检索邮件（按发件人、标题关键字、时间范围筛选），也能读取邮件正文。

第二步：分析脚本配置#

我们之前已经有一个内容的分析脚本负责完整的日报生成流程：

从 https://news.smol.ai/ 获取日报内容 
  ↓
提取 HTML 中的文本
  ↓
读取 prompt.md
  ↓
调用 LLM 生成结构化数据
  ↓
格式化为 Markdown
  ↓
保存日报文件
  ↓
生成标题和标签
  ↓
更新 dailyData.json。

这个脚本的问题是需要先从远程 URL 拉取，具体代码大家可以看：

https://github.com/ConardLi/easy-learn-ai/blob/main/scripts/index.js

因此我们优化一下脚本改为从本地文件读取（此步也让 OpenClaw 完成），更改后的流程为：

读取本地 JSON 文件
  ↓
提取 text 字段
  ↓
... 和上述流程相同

为了让 Agent 能将邮件内容传递给脚本，我还让 OpenClaw 帮我在 imap-smtp-email 技能中增加了一个 fetch-to-file 方法，在获取到邮件后直接写入上面的脚本可以读取到的目录。

第三步：制定分析流程#

接下来，我们为 Agent 设定一个稳定的工作流程，让它记录到自己的长期记忆中：

你是一个专用于从邮件中分析 AI 资讯的智能分析师，你的名字叫花园资讯助手。

当用户发出要分析 AI 资讯/生成 AI 日报相关的指令时，你需要完成下面的流程：

1. 先看本地有没有已经生成好的日报，如果有，就直接读取并总结
2. 调用 imap-smtp-email 技能，从用户的邮箱中检索标题中带有 AI News 的邮件
3. 调用 fetch-to-file 指令，把邮件内容写入本地目录
4. 执行 xxx Node.js 分析脚本，传入日期参数，获得结构化后的日报数据
5. 将生成的变更通过 git 提交并推送到远程（EasyAI 会自动部署）
6. 读取生成的日报内容，总结关键信息，发送到飞书

然后它会在长期记忆中建立一个非常详细的工作流程：

第四步：设置定时任务#

让 Agent 创建一个每天执行的定时任务，自动执行上述流程。

配好之后什么都不用管了，每天下午飞书里准时出现 AI 行业日报。

花园投资助手具体介绍#

使用演示#

我我们可以让花园投资助手执行一个真实的投资分析任务：

全面分析一下比亚迪，给出当前具体的投资建议

几分钟后，它返回了一份极其完整的研究报告，内容包括：

1. 公司基本面：结合业务结构、盈利能力、成长性、现金流、财务安全（负债率、库存），判断公司核心质地、经营韧性与潜在经营风险。
2. 估值与股价位置：通过PE/PB/PS估值水平、近1/3/5年股价历史分位，评估当前性价比与赔率，判断是否具备配置价值。
3. 筹码与风险层面：依据股东结构、筹码散户化程度、增减持、股权质押、公司回购，判断筹码稳定性、短期抛压与内部信心信号。
4. 资金面与机构预期：参考主力资金流向、机构调研热度、券商研报一致预期，判断市场资金态度与主流投资预期。
5. 技术面走势：结合股价趋势、关键高低位、成交量与换手率，判断股价处于底部修复还是趋势反转阶段。
6. 量化综合评分：对基本面、估值、筹码、资金、趋势五大维度加权打分，按分数区间映射「买入/观察/减仓/卖出」的标准化操作建议。
7. 风险匹配与投资者适配：结合行业价格战、库存、成长不及预期等核心风险，匹配适合的投资者类型，给出持仓/未持仓的差异化操作方案。

这种深度的分析，如果手动去做，至少需要半天时间在各种财经网站之间来回切换，或者花钱去买付费的会员服务，现在只需要一句话就搞定了。

搭建思路#

如果你有关注股票市场的习惯，一定深有体会：每天要看的信息太多了。

财报数据、行业新闻、技术指标、机构研报……

光是把这些信息搜集齐全，就已经耗费了大量精力，更别说还要从中提炼出有价值的判断。

我的投资助手要做的事情很简单 — 帮我跑数据、整报告。

我给它一个股票代码或公司名称，它帮我把基本面信息拉出来，整理成一份结构化的分析简报。

省下来的时间，我可以专注在策略思考和最终决策上。

投资分析的核心挑战不是「能不能拿到数据」，而是「拿到数据后怎么分析、以什么框架分析、输出什么格式、遵守什么底线」。

所以投资助手是我搭建的所有 Agent 中人设最「重」的一个。因为投资领域的特殊性，你不希望 AI 给你编造数据或者过度乐观 — 一个不靠谱的投资建议可能导致真金白银的损失。

OpenClaw 的人设系统让我们可以精确定义 Agent 的行为边界 — 数据驱动、多维分析、风险第一、保持中立、免责声明...

OpenClaw 的技能系统则负责提供大量专业金融接口的分层数据获取能力，另外可以根据你平时的投资风格定制一套全面且严谨的分析框架。

两者结合的效果是：一个既有专业判断框架、又有数据获取能力的分析师。

具体配置#

第一步：数据获取技能#

投资助手的核心数据获取能力来自两个 Skill：

1. a-stock-analysis（https://clawhub.ai/CNyezi/a-stock-analysis）

这是一个基于新浪财经 API 的轻量级分析工具，完全免费，开箱即用。它能获取：股票实时行情与历史 K 线、 基本财务指标、简单的技术分析信号。

对于日常快速查看个股概况来说，这个 Skill 已经够用了。

1. tushare-data（https://clawhub.ai/lidayan/tushare-data）

如果你想要更专业、更全面的金融数据，tushare-data 是一个强大的选择。Tushare 是国内知名的金融数据接口平台，提供了 225+ 个专业级的金融 API。

使用 tushare-data 前提需要注册 Tushare 账号并获取 API Token（大家按需选择，此处不构成建议）。

第二步：综合分析技能#

光有了分析数据还不够，投资助手还得知道具体要怎么分析，以什么样的方式给出结论。

所以我调研了一些比较主流的分析方法，并且结合我的一些个人风格，建立了一个 stock-investment-report 技能，它由三个文件构成：

SKILL.md：规定了完整的执行流程：先读取分析框架，再调用 Tushare 获取数据，然后按评分体系做分析，最后输出结构化报告。本质上是在定义：这个技能的定位、触发场景和总流程。

references/investment_framework.md：相当于投研方法论手册。它会明确列出，做一份个股投资报告时需要看哪些数据：公司基本信息、行情和估值、财务报表、股东结构、资金流向、机构预期、风险事件等等。更重要的是，它不只是罗列数据，而是进一步规定了评分体系，也就是从哪些维度来判断一只股票好不好，比如基本面质量、估值与性价比、筹码与风险、资金与预期、趋势与位置，每一部分占多少分、总分落在哪个区间分别意味着买入、观察、减仓还是回避。这个文件的核心作用是：负责定义分析标准和决策逻辑。

investment_report_template.md：更像是成品报告的模板吗，规定最后输出时要有哪些章节、顺序怎么排、每一部分应该包含什么内容。比如报告要先有执行摘要，再有公司画像、基本面、估值、筹码与风险、资金面、技术面、投资评分、风险提示和免责声明；这个文件的核心作用是：负责定义最终交付物的结构和呈现方式。

第三步：人设和记忆#

三个核心文件的定义思路可以分享给大家：

SOUL.md：定义花园投资助手的核心人格与工作原则：一位具备20 年投资研究经验的专业投资专家，偏向严谨、理性、数据驱动的投资研究。也明确了它做分析时的基本方法：要基于真实数据，不做拍脑袋判断；要同时看基本面、估值、资金面、技术面和风险；要优先提示风险；在信息充分时要给出明确倾向，而不是模糊表态。可以说，SOUL.md 决定了“花园投资助手”的人设、专业气质、分析方法论和行为边界。

USER.md：用于告诉花园投资助手我们是个什么样的人：关注 A 股和美股、投资经验偏初学者、风险偏好稳健、周期偏中长期的人，更有利于它后续能给出我们更针对性的建议。

MEMORY.md：定义花园投资助手的长期工作记忆与固定流程。例如，当用户要求生成个股投资建议时，花园投资助手应该先读取哪个技能、再获取哪些数据、再按什么评分框架分析、最后按什么结构输出报告。可以说是花园投资助手的长期经验、执行规范和可复用方法。

花园开发助手具体介绍#

使用演示#

放假在家，开源项目收到了一条 GitHub Issue。手机上根本没法排查代码 — 以前只能干着急，或者草率回复一个「回来再看」。

现在，我在手机飞书上给开发助手发了一条指令：

帮我看看这个 Issue ，然后排查一下具体原因，注意别改代码，直接把排查结论发给我

就这么简洁。由于我之前已经让它记住了默认工作模式和常用项目目录，OpenClaw 自动完成了整个链路：

识别到这是一个需要 ACP 调度的开发任务
  ↓
通过 acpx 创建一个 ACP 会话，调度 Claude Code
  ↓
Claude Code 到我记住的项目目录下找到对应项目
  ↓
根据 Issue 描述分析代码，定位问题。

几分钟后，它返回了一份完整的问题排查结论——代码上下文、问题根因、修复建议一应俱全。

然后我直接让它把排查结论回复到 GitHub Issue 上：

它成功帮我创建了回复。整个过程在手机上完成，没有打开过电脑。从收到 Issue 到给出专业的排查回复，整个流程只需要几分钟。

搭建思路#

我搭建开发助手的主要目的是辅助维护开源项目，所以搭建思路主要围绕两件事展开：管理仓库和写代码。

管理仓库靠的是 Github Skill。它是 OpenClaw 默认自带的技能，基于 gh cli 实现，能帮你列 Issue、提 PR、查看仓库状态 — 对于日常维护开源项目来说，这些操作已经覆盖了大部分"管理型"需求。

但光能管还不够，真正的开发任务 — 读代码、改文件、跑测试 — 需要一个专业的编程 Agent 来干。

OpenClaw 自身虽然也能写代码，但专业的事还是交给专业的人。

问题在于：怎么让 OpenClaw 去"指挥"Claude Code 这样的外部编程 Agent？

答案是 ACP（Agent Client Protocol），一套标准化的通信协议，让任何 Agent 客户端都能以统一方式接入任何 Coding Agent（Claude Code、Codex、Gemini CLI 等）。

它解决的核心问题是：不再需要通过解析命令行 ANSI 转义序列来 "盲操"编程 Agent，而是通过结构化接口完成会话管理、消息交互、权限控制、文件读写和终端操作，Agent 返回的是带类型的结构化消息（思考过程、工具调用、代码 diff、执行结果），而非需要人工解析的文本流。

具体配置#

第一步：GitHub Skill 认证#

GitHub Skill 虽然是 OpenClaw 默认安装的，但需要完成一次认证才能。

在终端执行 gh auth login，按照交互式引导完成 GitHub 账号授权。

认证成功后，Agent 就可以列出仓库、创建 Issue、提交 PR 了。

第二步：acpx 插件配置#

执行以下命令：

openclaw plugins install acpx
openclaw config set plugins.entries.acpx.enabled true

在 OpenClaw 配置中添加 ACP 配置块：

acp: {
  enabled: true,
  dispatch: { enabled: true },
  backend: 'acpx',
  defaultAgent: 'claude',
  allowedAgents: ['claude'],
  maxConcurrentSessions: 8,
  stream: {
    coalesceIdleMs: 300,
    maxChunkChars: 1200,
  },
  runtime: {
    ttlMinutes: 120,
  },
}

配置说明：开启 ACP 功能，使用 acpx 作为后端，默认且仅允许调用 Claude Code。

这是容易踩的坑，ACP 会话是非交互式的（no TTY），当 Claude Code 需要写文件或执行命令时，会弹出权限确认提示——但在无头模式下没有人能点「确认」。所以需要配置权限策略：

openclaw config set plugins.entries.acpx.config.permissionMode approve-all
openclaw config set plugins.entries.acpx.config.nonInteractivePermissions fail

安全提示：approve-all 意味着 Agent 可以在你的机器上执行任意命令。请确保你信任所调用的 Agent，并且工作目录的范围是合理的。

第三步：记录开发习惯#

跑通流程后，通过两条长期记忆让 Agent 记住工作模式：

1. 「后续开发任务默认采用 ACP 操作 Claude Code 的工作模式」— 后续发出开发任务，无需每次说明
2. 「我常用的开发目录是 /Users/conardli/Desktop/github」— 后续指令只需说项目名，不用说完整路径

花园社区助手具体介绍#

使用演示#

花园社区助手是我所有 Agent 中最「非典型」的一个。

它连接的不是什么实用工具，而是一个名叫 Moltbook 的 AI Agent 社交网络平台。

Moltbook 是全球第一个专为 AI Agent 打造的社交网络平台。它的形态类似 Reddit，但有一个根本性的区别：只有经过验证的 AI Agent 才能发帖和互动，人类用户只能旁观。

我的花园社区助手帮我在 Moltbook 上注册身份，现在它可以在上面发帖记录里程碑和决策、与其他 Agent 讨论交流、观察不同 Agent 的行为模式。

这个 Agent 不像其他几个有明确的「生产力」定位，更像是一扇了解 AI Agent 社交生态的窗口。

但我认为它的意义在于：当你的 Agent 开始和其他 Agent 交互时，你会对「多智能体」这个概念产生更深层次的理解。

具体配置#

这个 Agent 的配置非常简单，你只需要把这个 Skill 发给它： https://www.moltbook.com/skill.md

OpenClaw 自己就能知道如何去注册 Moltbook（前提要有一个 X 账号帮助完成辅助认证），以及如何在上面发帖和评论。

然后你只需要给它设定一个有意思的人设，接下来就可以去自由探索啦：

花园写作助手和多智能体协作#

使用演示#

先看写作助手单独使用的效果。

我让它写一篇技术文章，它会先设定一个详细的大纲，然后逐节撰写，中途自动联网搜索补充信息，对需要深挖的内容还会自动提取原文，写完后自动调用「去AI味」技能对每个章节进行润色，最终输出到飞书文档：

但写作通常会有些更复杂的需求，可能需要团队多个成员来协作完成。

我们可以尝试给花园智能专家下达一个需要多方协作的任务：

首先协调花园资讯助手获取 3.18 的 AI 日报内容，然后调用花园生图助手为日报生成 3 张合适的配图，最后调用花园写作助手，为日报进行更多的调研，编写成一篇丰富的 AI 日报飞书文档，并且将图片插入到合适的位置。

主管按照依赖关系分三个阶段执行：

1. 阶段一：派花园资讯助手获取日报内容，生成配图建议
2. 阶段二：派花园生图助手根据日报主题生成三张图片
3. 阶段三：派花园写作助手进行更多调研，将资讯内容扩写成深度文章，并将图片插入合适位置，最终输出飞书文档

经过三个阶段的协作，我拿到了一份内容丰富、配有精美插图的 AI 日报飞书文档。三个 Agent 各司其职：资讯助手负责数据获取，生图助手负责视觉创作，写作助手负责内容生产和最终交付 — 而主管只负责调度和串联。

这就是多智能体系统的理想形态：你不需要告诉每个 Agent 怎么做，你只需要告诉主管你想要什么结果。

搭建思路#

花园写作助手的搭建核心是详细的人设设定（尽量复刻你的写作风格）和一套完整的工作流程定义。

比如我给它设定的工作流程是这样的：

1. 需求理解：与用户确认主题、受众、风格、篇幅
  ↓
2. 初步调研：通过网络搜索技能搜索相关资料
  ↓
3. 大纲拟定：输出结构化大纲供用户确认
  ↓
4. 逐节撰写：每个章节独立完成编写
  ↓
5. 联网补充：对需要深挖的内容提取详细原文
  ↓
6. 自查润色：检查逻辑一致性、数据准确性
  ↓
7. 去 AI 味：对内容中看起来像 AI 的部分进行改写
  ↓
8. 格式交付：输出为飞书文档

具体配置#

第一步：技能设定#

根据上面的工作流程，我们需要的核心技能有三个：

• 联网搜索：这里我们选择 Tavily，它一个专为 AI Agent 优化的搜索引擎 API，比起直接调用通用搜索引擎，Tavily 返回的结果更加结构化、噪音更少，非常适合做调研型写作。

可以根据 Tavily 的官方文档安装它的技能：

https://docs.tavily.com/documentation/agent-skills

然后配置好环境变量：

即可使用 Tavily 的联网搜索、提取网页内容等技能：

• 飞书文档技能：能够直接创建、写入和整理飞书文档，其实之前在启用飞书插件的时候，这些技能已经捆绑安装了：

我们只需要给这个飞书 Bot 开通云文档相关的技能即可：

• 去 AI 味技能：写作 Agent 有一个最高频的需求 — 写出来的东西一看就是 AI 生成的，需要反复人工润色。所以强烈推荐按照我们平时的写作习惯，创作一个去处 AI 味的 Skill：

比如把「值得注意的是」改成更自然的表达，把「总之/综上所述」这种 AI 味浓厚的总结词替换掉，把过度工整的排比句打散等等。

第二步：人设和记忆#

将你平时的语调和风格、核心原则、行为边界等写入 SOUL.md ：

让写作助手在长期记忆文件中记住我们刚刚设定的工作流程（MEMORY.md）：

第三步：多智能体协作#

最后我们再简单提一下多智能体的协作，这就要用到 OpenClaw 的 Subagent 架构了。

在 OpenClaw 的设计中，我们可以通过 Subagent（子智能体）来在一个 Agent 下协调其他 Agent 一起完成工作。

比如：想要像上面的案例一样让在花园智能专家能调用生图、协作、资讯三个智能体，需要在配置中加入：

subagents: {
  allowAgents: ['img', 'writer', 'news'],
}

这份配置只是开通了多智能体协作的权限，如果你希望花园智能专家能当好一个管理者，必须能够知道这些子智能体的具体信息，建议在主管智能体的长期记忆中写入每个子智能体的详细能力说明：