OpenClaw 实战｜多 Agent 打通小红书：数据收集 + 笔记编写 + 自动发布一步到位

大家好我是小肥肠，今天给大家带来的教程是OpenClaw 多 Agent 实战：小红书从数据收集整理到自动发布的全链路实现。这套系统实现了从获取热榜数据、分析竞品笔记、AI 创作内容到生成精美图文自动发布 的全自动化流程，你只需要在飞书发一句话，剩下的交给OpenClaw搞定。

1. 前言

在OpenClaw应用中单 Agent 往往面临 "全能困境" ：既要理解需求、又要执行任务、还要处理异常，导致提示词臃肿、响应变慢、容错性差。 我整理了一个表格从多维度对比了单 Agent和多 Agent。

对比维度	单 Agent	多 Agent
提示词复杂度	臃肿，包含所有功能说明	精简，每个 Agent 专注单一职责
执行效率	串行处理，耗时长	并行协作，整体更快
容错能力	一处出错全盘崩溃	故障隔离，便于定位修复
扩展性	新增功能需改动全局	新增 Agent 即可，互不影响
维护成本	牵一发动全身	模块化管理，低耦合

本文实战场景 以小红书内容生产 为例，我们将搭建一套三层多 Agent 系统，实现从 "素材收集" 到 "小红书自动发布" 的全自动化闭环，并通过飞书多维表格沉淀数据，方便后续分析和复用。举个例子，用户只需要输入指令：搜索openclaw，总结一下什么笔记会上热门，创作3篇笔记，openclaw会优先开启素材收集环节。

素材收集完毕就开始进行笔记创作。

我说一下为什么不直接在小红书上发布，我这边用skill直接发布小红书的流程是没问题的，但是笔记违规直接被删了，仔细排查了下发现是笔记里面的内容违规了。于是改成了写入文件夹，人工审核以后再发布，计划后期把相关规则的知识库建好后再改成自动发布。

小红书笔记展示：

图文展示：

接下来，我们将从架构设计、技能集成、配置实现三个维度，手把手带你搭建这套系统。

2. 多Agent架构设计

这套基 Agent 架构通过清晰的三层解耦，实现了从极简指令到精美物料产出的全自动化闭环：

交互层

这一层可以理解为飞书会话界面，用户通过自然语言（如：搜索openclaw，总结一下什么笔记会上热门，创作3篇笔记）向飞书机器人发送指令。

调度层： 中枢大脑 "总监 (Director)" 全盘接管需求，负责意图拆解、任务串联与最终的交付汇总， "总监 (Director)" 与用户直接交互，并负责调度下属的两个Agent 。

执行层： 两大专业 Sub-Agent 各司其职，执行层不与用户进行交互。

"采集员 (Collector)" 集成 xhs-collector ，定向获取热点数据|领域优秀笔记，结构化后沉淀至飞书多维表格。

"创作者 (Creator)" 集成Auto-Redbook-Skills，基于沉淀的数据进行合规创作与渲染，最终将排版精美的笔记素材打包输出到指定文件路径。

3. 项目搭建前置准备

本文的多Agent应用涵盖两个场景。

热点追踪场景：

用户发送指令获取热榜数据，创作3个笔记后，系统将自动执行以下闭环流程。

1. 数据获取

Director 唤醒 Collector 执行底层脚本，获取 50 条最新热点并将其结构化写入飞书多维表格。

1. 筛选调度

Director 读取飞书数据，精准筛选 3 个高潜话题，并向 Creator 批量下发独立创作任务。

1. 内容生成

Creator 严格按合规规范撰写文案并执行渲染脚本生成图文，将图文物料分类输出至本地文件夹。

1. 汇总汇报

Director 完成最终验收，向用户反馈飞书数据链接及各话题的具体产出明细（如：话题A产出4张图），实现流水线闭环。

竞品分析场景：

用户发送指令搜索openclaw，创作类似笔记后，系统将自动执行以下闭环流程：

1. 定向获取

Director 下发关键词搜索任务，Collector 执行底层脚本获取相关竞品笔记，并将其结构化写入飞书多维表格中。

1. 对标创作

Director 引导 Creator 介入。Creator 读取飞书数据以分析竞品行文风格，在合规前提下撰写高质量笔记，并渲染输出最终图文。

1. 汇总汇报

Director 完成全链路验收，向用户反馈包含搜索数据的飞书查阅链接及笔记素材的本地路径，实现从对标到产出的闭环。

3.1. 集成小红书Skills到Openclaw

3.1.1 Auto-Redbook-Skills简介

Auto-Redbook-Skills （github.com/comeonzhj/A... 是一款专为小红书打造的开源内容自动化工具。它的核心能力是将大模型生成的 Markdown 文本，自动排版渲染为符合平台审美的高清多图卡片（内置8套精美主题与4种智能分页），并支持基于 Cookie 的全自动发布。

3.1.2 集成Auto-Redbook-Skills至Openclaw

打开Auto-Redbook-Skills仓库网站，点击【Code】按钮，在弹出的下拉菜单中点击【Download】按钮，浏览器会开启下载进程。

任意找到一个磁盘存放下载好的ZIP包并解压，建议存放在skill项目文件夹下。

这个skill下载以后需要配置一下cookie路径，否则无法直接使用，新建.env文件，配置小红书cookie信息，这边直接参考env.example.txt配置即可。

小红书的cookie获取很简单，登录网页版小红书，按住键盘上的F12，在弹出的页面中选择Network选项，点击Headers查看请求头信息，找到任意异步请求即可获取Cookie值。

skill配置完成后直接用FTP工具传到小龙虾所在服务器的/root/.openclaw/workspace/skills/目录下就行。

3.2 集成xhs-collector到Openclaw

xhs-collector是我自研的skill，主要用来整理平台热门选题与优质笔记思路，汇总到飞书多维表格，方便我后续进行笔记创作。

对标笔记的多维表格展示：

xhs-collector的目录结构设计如下：

xhs-collector/
├── SKILL.md          # 必填：使用说明 + 元数据
├── scripts/          # 必填：可执行代码
└── config.json       # 必填：配置文件，配置第三方平台key
└── output/           # 必填：输出小红书图文的目录

基于目录设计，在.claude目录下新建项目文件夹，如下图所示，我在F:\skill-project.claude\skills\目录下新建了xhs-collector目录。

3.2.1 SKILL.md编写

SKILL.md如下图所示。给大家说一下编写思路，你可以把这个思路投喂给AI来实现skill.md的编写：

1. 找到靠谱的可以获取小红书信息的第三方平台网站
2. 定义两个工作流
- 第一个工作流用于获取小红书热榜信息，为小红书笔记选题提供方向
- 第二个工作流的作用是按关键词检索特定领域优秀笔记，并将其信息整理至飞书表格，为小红书笔记编写提供思路

3.2.2 scripts/ 代码编写

来到scripts/ 目录编写fetch_hot_list.py和fetch_search_notes.py，分别用于收集整理热榜数据和领域优秀笔记内容。

fetch_hot_list.py大致流程为：

1. 调用第三方 API 获取热榜数据

2. 解析返回后的数据，保留需要字段（排名、标题等）

3. 将数据转换为 JSON 格式返回

代码结构：

def fetch_hot_list(): 
    # 1. 调用第三方 API 
    url = "https://api.xxx.com/xhs/hotlist"
    headers = {"Authorization": "your_api_key"}
    response = requests.get(url, headers=headers) 
    # 2. 解析返回数据 
    data = response.json()
    hot_list = [] 
    for item in data['items'][:50]:  # 取前50条 
        hot_list.append({
            "rank": item['rank'],
            "topic": item['title'],
            "heat": item['heat_value'],
            "link": item['url']
        }) 
     
    # 3. 输出 JSON 
    print(json.dumps(hot_list, ensure_ascii=False)) 
 
if name == "main":
    fetch_hot_list()

fetch_search_notes.py大致流程为：

1. 调用第三方 API 搜索领域优秀笔记数据

2. 解析返回后的数据，保留需要字段（标题、作者、互动数据等）

3. 将数据转换为 JSON 格式返回

代码结构：

def search_notes(keyword): 
    # 1. 调用搜索 API 
    url = "https://api.xxx.com/xhs/search" 
    params = {"keyword": keyword, "limit": 20} 
    headers = {"Authorization": "your_api_key"} 
    response = requests.get(url, params=params, headers=headers) 
     
    # 2. 解析笔记数据 
    data = response.json() 
    notes = [] 
    for item in data['notes']: 
        notes.append({ 
            "title": item['title'], 
            "author": item['author_name'], 
            "likes": item['like_count'], 
            "comments": item['comment_count'], 
            "cover": item['cover_url'], 
            "link": item['note_url'] 
        }) 
     
    # 3. 输出 JSON 
    print(json.dumps(notes, ensure_ascii=False)) 
 
if __name__ == "__main__": 
    keyword = sys.argv[1] if len(sys.argv) > 1 else "openclaw" 
    search_notes(keyword)

代码编写完后直接用FTP工具将skill文件夹传到小龙虾所在服务器的/root/.openclaw/workspace/skills/目录下即可。

4. OpenClaw多Agent实现

4.1. 飞书应用集成OpenClaw

为了适配多Agent我新建了一个飞书应用------小红书运营 ， 飞书应用集成OpenClaw在之前的文章中已经进行了详细讲解喂饭级教程！免费部署云端 OpenClaw + 打通飞书，自动抓取 ClawHub 技能并写入飞书表格。这边不再赘述。

4.2 多Agent配置文件编写

在第2节中我们设计了多 Agent架构，这一小节就带大家来实现。核心是配置文件的编写。

步骤 1：配置Agent 工作空间，来到root/.openclaw/workspace/agents/路径，创建如下结构文件和文件夹，其中带/后缀的是文件夹。

├── director/                # 总监Agent
│   ├── SOUL.md              # 身份定义
│   ├── AGENTS.md            # 工作空间说明
│   └── CONFIG.md            # 飞书表格配置
├── collector/               # collector采集者Agent
│   ├── SOUL.md              # 身份定义
│   ├── AGENTS.md
│   └── .openclaw/
│       └── skills.json      # 技能关联
└── creator/                 # creator笔记创建者Agent
    ├── SOUL.md              # 身份定义
    ├── AGENTS.md
    └── .openclaw/
        └── skills.json      # 技能关联

步骤 2：编写director/SOUL.md

你是总监，负责协调 Collector 和 Creator 完成小红书内容生产。 
职责
理解用户指令，拆解任务 
调用 Collector 采集数据 
调用 Creator 创作内容 
汇总结果向用户汇报 

工作流
热点追踪：调用 Collector 获取热榜 → 筛选话题 → 调用 Creator 批量创作 → 汇报结果 
竞品分析：调用 Collector 搜索关键词 → 调用 Creator 对标创作 → 汇报结果 

调用方式
{ 
  "runtime": "subagent", 
  "agentId": "collector",  // 或 "creator" 
  "task": "任务描述", 
  "mode": "run" 
}

步骤 3：编写creator/SOUL.md

你负责根据飞书表格数据创作小红书笔记。
## 流程
1. 读取飞书表格数据
2. 撰写 Markdown 文案（标题吸睛、多用 emoji、避免敏感词）
3. 保存为 README.md
4. 执行渲染：`cd /root/.openclaw/workspace/skills/Auto-Redbook-Skills && node render.js`
5. 汇报：话题 + 图片数 + 路径

creator/.openclaw/skills.json：
{ 
  "skills": [ 
    { 
      "path": "/root/.openclaw/workspace/skills/Auto-Redbook-Skills", 
      "enabled": true 
    } 
  ] 
}

步骤 4：编写collector/SOUL.md

# Collector - 采集员 
 
你负责获取小红书数据并写入飞书表格。 
 
## 两种模式 
 
**热榜**：`node scripts/fetch-hotlist.js` → 获取前 50 条热榜 
**搜索**：`node scripts/search-notes.js "关键词"` → 搜索相关笔记 
 
## 流程 
 
1. 执行采集脚本 
2. 解析 JSON 数据 
3. 写入飞书表格 
4. 汇报：数据条数 + 表格链接 

collector/.openclaw/skills.json：
{ 
  "skills": [ 
    { 
      "path": "/root/.openclaw/workspace/skills/xhs-collector", 
      "enabled": true 
    } 
  ] 
}

步骤 5：配置 openclaw.json，在 /root/.openclaw/openclaw.json 中添加如下代码。

{ 
  "agents": { 
    "list": [ 
      { 
        "id": "director", 
        "name": "总监", 
        "workspace": "/root/.openclaw/workspace/agents/director" 
      }, 
      { 
        "id": "collector", 
        "name": "采集员", 
        "workspace": "/root/.openclaw/workspace/agents/collector" 
      }, 
      { 
        "id": "creator", 
        "name": "创作者", 
        "workspace": "/root/.openclaw/workspace/agents/creator" 
      } 
    ] 
  }, 
  "channels": { 
    "feishu": { 
      "accounts": { 
        "xhs": { 
          "appId": "cli_xxx", 
          "appSecret": "xxx", 
          "defaultAgent": "director" 
        } 
      } 
    } 
  }, 
  "bindings": [ 
    { 
      "match": { 
        "channel": "feishu", 
        "accountId": "xhs" 
      }, 
      "agentId": "director" 
    } 
  ] 
}

配置完成后重启openclaw（进入服务器命令面板输入openclaw gateway restart）或重启云服务器都行。

以上就是本期教程的完整内容，动手能力强的读者可以跟着教程实践一遍。上述skill已经被收录到了小肥共学群中，需要原件可以加入社群直接使用哦。

5. 结语

通过这套多 Agent 架构，我们实现了小红书内容生产的全流程自动化。Director 负责调度，Collector 专注采集，Creator 聚焦创作，职责清晰、易于扩展。Auto-Redbook-Skills 本身支持全自动发布，但因内容易违规，目前改为人工审核。后续建立违规规则知识库后，将恢复全自动发布。

如本次分享对你有帮助，欢迎一键三连支持一下小肥肠，我们下期再见~