一个 OpenClaw 实例跑 3 个 Agent：电商多角色助手配置实战（附飞书接入）

亚马逊云开发者2026-03-11 16:38

一个 OpenClaw 实例跑 3 个 Agent：电商多角色助手配置实战（附飞书接入）

本文是「OpenClaw 云上实战指南」系列第 4 篇。第 1 篇讲了 Bedrock + IAM 零密钥部署，第 2 篇讲了 Mac + iMessage 接入，第 3 篇讲了龙虾自己开服务器。这篇搞一件不一样的事------在同一个 OpenClaw 实例里跑 3 个不同角色的 Agent，分别对接不同的飞书群。

问题：一个龙虾不够用

前几篇都是"一个实例一个 Agent"的模式。但实际业务场景里，团队需要不止一个 AI 助手：

  • 销售群想要一个能查销售额、订单趋势的助手
  • 售后群想要一个能处理退款、查工单的助手
  • 运营群想要一个能监控库存、推日报的助手

你可以开 3 台服务器跑 3 个 OpenClaw 实例。但那是浪费------一个实例完全可以跑多个 Agent，各自有独立的人格、技能和对话历史。

最终效果

配完之后是这样的：

飞书群 对应 Agent 人格 核心技能
销售讨论群 sales 热情、数据驱动 销售额查询、订单分析、退货率
售后工单群 support 耐心、专业 退款处理、工单状态、客诉分类
运营日报群 ops 简洁、效率导向 库存预警、补货建议、每日报表

三个群 @ 同一个飞书 Bot，但回复风格和能力完全不同。用户感知是三个独立的助手，实际上是一个进程。

第 1 步：创建 Workspace 目录

每个 Agent 需要一个独立的 Workspace。这是 OpenClaw 隔离多 Agent 能力和人格的核心机制------不同 Workspace 下的 SOUL.md、skills/、USER.md 互相独立。

bash 复制代码 
# 在你的 OpenClaw 项目根目录下
mkdir -p /data/workspace-sales/skills
mkdir -p /data/workspace-support/skills
mkdir -p /data/workspace-ops/skills

写人格文件

销售助手 SOUL.md：

bash 复制代码 
cat > /data/workspace-sales/SOUL.md << 'EOF'
# 销售助手

你是电商团队的销售数据分析助手。

## 风格
- 回复简洁，先给数据再给分析
- 用百分比和趋势描述变化（"环比增长 12%"）
- 主动发现异常："注意，华东区退货率比上周高了 3 个点"

## 边界
- 只回答销售相关问题
- 不处理售后和退款
- 数据来源是平台 API，不要编造数字
EOF

售后客服 SOUL.md：

bash 复制代码 
cat > /data/workspace-support/SOUL.md << 'EOF'
# 售后客服

你是电商团队的售后处理助手。

## 风格
- 耐心，不急躁
- 先确认问题，再给方案
- 涉及退款金额时给出明确数字和操作步骤

## 边界
- 只处理售后相关：退款、换货、工单、客诉
- 不回答销售数据问题
- 超过授权金额的退款，提醒用户找主管审批
EOF

运营助手 SOUL.md：

bash 复制代码 
cat > /data/workspace-ops/SOUL.md << 'EOF'
# 运营助手

你是电商团队的运营监控助手。

## 风格
- 能用数字说的不用文字
- 预警信息标红标粗
- 主动推送，不等人问

## 边界
- 关注库存、物流、补货
- 不处理销售分析和售后
- 发现异常数据立即通知
EOF

第 2 步：写 Skill 文件

Skill 是 Markdown 文件，放在各 Agent 的 skills/ 目录下。OpenClaw 会自动加载并编译进该 Agent 的 System Prompt。

销售助手的核心 Skill：

bash 复制代码 
cat > /data/workspace-sales/skills/sales-query/SKILL.md << 'EOF'
# 销售数据查询

## 触发条件
用户问销售相关问题：销售额、订单量、退货率、GMV、客单价、转化率

## 执行方式
通过平台 API 获取数据：

### 查询今日销售概况
```bash
curl -s -H "Authorization: Bearer $SHOP_TOKEN" \
  "$SHOP_API/v1/orders/stats?date=$(date +%Y-%m-%d)" | jq '{
    total_orders: .data.order_count,
    total_amount: (.data.total_amount / 100 | tostring + " 元"),
    avg_price: (.data.avg_amount / 100 | tostring + " 元"),
    return_rate: (.data.return_rate | tostring + "%")
  }'

查询指定日期范围的趋势

bash 复制代码 
curl -s -H "Authorization: Bearer $SHOP_TOKEN" \
  "$SHOP_API/v1/orders/trend?start=$START&end=$END" | jq '.data[] | {
    date: .date,
    orders: .order_count,
    amount: (.total_amount / 100)
  }'

输出格式

  • 先报数字，再给同比/环比
  • 发现异常（如退货率 > 5%）主动标出 EOF
bash 复制代码 
**运营助手的库存预警 Skill：**

```bash
cat > /data/workspace-ops/skills/inventory-alert/SKILL.md << 'EOF'
# 库存预警

## 触发条件
- 用户问库存情况
- 定时任务触发（Cron 调度）

## 执行方式
```bash
# 获取低于安全库存的 SKU
curl -s -H "Authorization: Bearer $SHOP_TOKEN" \
  "$SHOP_API/v1/inventory/alerts" | jq '.data[] | select(.stock < .safety_stock) | {
    sku_id: .sku_id,
    name: .product_name,
    stock: .stock,
    safety: .safety_stock,
    gap: (.safety_stock - .stock)
  }'

输出格式

  • 按缺口大小排序
  • 缺口超过安全库存 50% 的标为"紧急"
  • 给出补货建议数量（= 安全库存 × 2 - 当前库存） EOF
bash 复制代码 
---

## 第 3 步：配置 openclaw.json

这是核心配置------定义 Agent 列表和路由规则：

```json
{
  "ai": {
    "provider": "amazon-bedrock",
    "model": "us.anthropic.claude-sonnet-4-6",
    "auth": "aws-sdk"
  },
  "agents": {
    "list": [
      {
        "id": "sales",
        "name": "销售助手",
        "workspace": "/data/workspace-sales"
      },
      {
        "id": "support",
        "name": "售后客服",
        "workspace": "/data/workspace-support"
      },
      {
        "id": "ops",
        "name": "运营助手",
        "workspace": "/data/workspace-ops"
      }
    ]
  },
  "bindings": [
    {
      "match": {
        "channel": "feishu",
        "peer": { "kind": "group", "id": "oc_sales_group_id" }
      },
      "agentId": "sales"
    },
    {
      "match": {
        "channel": "feishu",
        "peer": { "kind": "group", "id": "oc_support_group_id" }
      },
      "agentId": "support"
    },
    {
      "match": {
        "channel": "feishu",
        "peer": { "kind": "group", "id": "oc_ops_group_id" }
      },
      "agentId": "ops"
    }
  ],
  "channels": {
    "feishu": {
      "enabled": true,
      "accounts": [{
        "appId": "cli_your_app_id",
        "appSecret": "your_app_secret"
      }],
      "dmPolicy": "open",
      "groupPolicy": "open",
      "requireMention": true
    }
  },
  "session": {
    "dmScope": "per-peer"
  }
}

几个关键点：

  • bindings 是路由核心：飞书群 ID → Agent ID 的映射。不同群的消息自动路由到不同 Agent
  • requireMention: true：群里必须 @ Bot 才响应，避免刷屏
  • dmScope: per-peer：同一个群里不同人的对话自动隔离，session 互不串扰
  • 三个 Agent 共享一个 Bedrock 后端，模型调用走 IAM 角色认证，配置里没有任何密钥

怎么拿飞书群 ID？ 在飞书群设置 → 群信息 → 群 ID（oc_ 开头的那串）。

第 4 步：接入飞书

OpenClaw 对飞书的接入方式是出站 WebSocket------不需要公网 IP，不需要 Webhook。

4.1 创建飞书应用

  1. 打开 飞书开放平台 → 创建企业自建应用
  2. 记下 App ID 和 App Secret
  3. 添加权限：
    • im:message --- 获取消息内容
    • im:message:send_as_bot --- 以 Bot 身份发消息
    • im:chat:readonly --- 读取群信息
  4. 开启 Bot 能力

4.2 启动 OpenClaw

bash 复制代码 
# 确保 openclaw.json 已配置好飞书凭证
openclaw gateway start

# 看日志确认连接成功
tail -f ~/.openclaw/logs/gateway.log | grep feishu
# 期望输出：
# [feishu] WebSocket connected to wss://open.feishu.cn/...
# [feishu] Bot info loaded: open_id=ou_xxxxx

4.3 配置事件订阅

⚠️ 顺序很重要： 必须先启动 OpenClaw（WebSocket 连上），再去飞书开放平台配置事件订阅。否则飞书会报连接失败。

  1. 回到飞书开放平台 → 事件与回调 → 添加事件
  2. 订阅 im.message.receive_v1
  3. 发布应用版本

4.4 把 Bot 拉进飞书群

把 Bot 分别拉进销售群、售后群、运营群。在群里 @ Bot 说句话测试：

python 复制代码 
@销售助手 今天卖了多少？

如果配置正确，销售群里会收到 sales Agent 的回复，售后群里会收到 support Agent 的回复------人格和技能完全不同。

第 5 步：加上定时推送

运营助手光被动回答不够，还要主动推信息。在 openclaw.json 里加 Cron：

json 复制代码 
{
  "cron": {
    "jobs": [
      {
        "id": "morning-report",
        "schedule": "0 9 * * *",
        "agentId": "ops",
        "task": "生成昨日运营日报，包含：销售额、订单量、退货率、低库存 SKU 清单，推送到运营群",
        "channel": "feishu",
        "target": "group:oc_ops_group_id"
      },
      {
        "id": "stock-check",
        "schedule": "every 4h",
        "agentId": "ops",
        "task": "检查库存，如有 SKU 低于安全库存线，立即推预警消息",
        "channel": "feishu",
        "target": "group:oc_ops_group_id"
      }
    ]
  }
}

效果：每天早上 9 点运营群自动收到日报，每 4 小时检查一次库存。运营人员不需要主动问，关键信息自动送达。

进阶：多租户 SaaS 化

上面是"一个团队用"的场景。如果你是电商平台方，想给每个卖家都提供 AI 助手呢？

思路是一商户一实例，用容器编排：

yaml 复制代码 
# docker-compose.yml --- 单个卖家的 Agent 实例
version: '3'
services:
  openclaw:
    image: openclaw/openclaw:latest
    environment:
      - SELLER_ID=${SELLER_ID}
    volumes:
      - ./workspace-${SELLER_ID}:/data/workspace
    restart: always
    mem_limit: 512m

用 Amazon ECS 或 EKS 管理这些容器，CloudFormation 模板化部署，新商户开通分钟级完成。所有实例共享一个 Bedrock 模型后端（按量付费），数据通过独立 Workspace 目录天然隔离。

这种模式的好处是隔离性强------一个商户的 Agent 出问题不影响其他商户。坏处是资源利用率不如共享进程高，但在 Agent 场景下（主要消耗模型调用，不是 CPU/内存），这个代价可以接受。

小结

一个 OpenClaw 实例跑 3 个 Agent 的配置，总共改了这些东西：

bash 复制代码 
新增文件：
  /data/workspace-sales/SOUL.md
  /data/workspace-sales/skills/sales-query/SKILL.md
  /data/workspace-support/SOUL.md
  /data/workspace-support/skills/ticket-handler/SKILL.md
  /data/workspace-ops/SOUL.md
  /data/workspace-ops/skills/inventory-alert/SKILL.md

修改文件：
  openclaw.json  ← 加了 agents.list + bindings + cron

不需要写任何后端代码。Skill 是 Markdown，人格是 Markdown，路由是 JSON 配置。整个过程是"配置驱动"的，不是"开发驱动"的。 这是 OpenClaw 做多 Agent 场景和传统 Function Calling 方案的本质区别。

完整的架构设计和部署模式分析，参考亚马逊云科技官方博客的深度解析文章。

本系列其他文章：

热门推荐
01GitHub 镜像站点02OpenClaw 使用和管理 MCP 完全指南03本地部署 OpenClaw + DeepSeek-R1 完全指南04OpenClaw 连接飞书完整指南：插件安装、配置与踩坑记录05OpenClaw 飞书机器人不回复消息？3 小时踩坑总结06Window 10部署openclaw报错node.exe : npm error code 12807OpenClaw 接入 QQ Bot 完整实践指南08OpenClaw macOS 完整安装与本地模型配置教程（实战版）09npm-error code 128问题解决方法10得物前端部门，没了