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

小程故事多_802026-03-12 11:06

本文将带来超详细的 OpenClaw 多 Agent 实战教程，手把手教大家搭建一套小红书全链路自动化系统，从数据收集、竞品分析，到 AI 笔记创作、精美图文渲染，甚至后续的自动发布（目前优化为人工审核后发布），全程无需手动干预，只需在飞书发送一句话指令，剩下的所有工作都可由 OpenClaw 自动完成。

做过小红书运营或者 AI 自动化实操的朋友应该都有体会，单靠一个 Agent 想完成全流程任务，难度真的很大。要么是提示词写得又长又复杂，包含所有功能说明，导致 Agent 响应变慢；要么是执行过程中一处出错，整个流程就全盘崩溃，容错性特别差；后续想新增一个功能，还要改动全局配置，维护起来特别麻烦。这就是单 Agent 的"全能困境"，什么都想做，结果什么都做不精。

为了解决这个问题，整理了一份单 Agent 和多 Agent 的多维度对比，可清晰看出多 Agent 更适合做小红书全链路自动化任务：

对比维度 单 Agent 多 Agent
提示词复杂度 臃肿，包含所有功能说明，编写和维护难度大 精简，每个 Agent 专注单一职责，提示词针对性强
执行效率 串行处理所有任务，一步接一步，耗时长 多 Agent 并行协作，各自完成专属任务，整体效率更高
容错能力 一处出错全盘崩溃，排查问题难度大 故障隔离，单个 Agent 出错不影响其他环节，便于定位修复
扩展性 新增功能需改动全局配置，容易引发连锁问题 新增功能只需添加对应 Agent 即可，各 Agent 互不影响
维护成本 牵一发动全身，后续维护成本高 模块化管理，低耦合，维护起来更省心
基于多 Agent 的核心优势，以小红书内容生产为实战场景，搭建一套三层多 Agent 系统，可实现从"素材收集"到"小红书发布"的全自动化闭环，同时通过飞书多维表格沉淀所有数据，方便后续复盘分析、素材复用，大幅提升小红书运营效率。

最直观的应用场景的是：无需复杂操作，只需在飞书上给机器人发送一句指令（如"搜索 openclaw，总结热门笔记规律，创作 3 篇笔记"），OpenClaw 会自动启动全流程：由采集 Agent 收集相关数据并整理，提交给调度 Agent 筛选高潜话题，再下发给创作 Agent 完成内容创作，最终反馈生成的精美图文素材和数据链接，全程无需手动干预。

关于未直接实现全自动发布的原因：技术上可通过技能配置直接发布，但实际测试中发现，未经审核的笔记易因包含敏感词或违规表述被平台删除，为避免账号限流，暂将流程优化为"生成素材 → 人工审核 → 手动发布"；后续可将小红书违规规则整理成知识库集成到系统，即可实现真正的全流程自动发布。

以下将从架构设计、项目前置准备、技能集成、多 Agent 配置实现这几个维度，手把手带大家搭建这套系统，无论 AI 新手还是有一定基础的开发者，跟随步骤操作均可完成，全程为实操导向的喂饭级教程。

一、多 Agent 架构设计：三层解耦，实现全自动化闭环

这套多 Agent 系统的核心思路是"分工明确、各司其职"，通过三层架构解耦，将复杂的全链路任务拆分为简单小任务，每个 Agent 专注自身核心职责，再通过调度 Agent 统一调度，最终实现从极简指令到精美物料产出的全自动化闭环。整个架构分为交互层、调度层、执行层三个部分，具体作用如下：

1. 交互层：用户与系统的沟通入口

交互层即飞书会话界面，用户无需掌握代码知识或复杂操作，只需通过自然语言向飞书机器人发送指令，即可触发系统运行。例如"获取小红书今日热榜，创作 3 篇相关笔记""搜索 AI 工具相关竞品笔记，对标创作 2 篇笔记"等简单指令，系统均可精准理解并执行。

选择飞书作为交互入口，一方面因其机器人功能成熟，易与 OpenClaw 集成；另一方面飞书多维表格功能强大，可便捷沉淀采集数据、创作素材，便于后续复盘分析，相当于免费的轻量级数据管理工具。

2. 调度层：系统的"中枢大脑"------调度（Director）Agent

调度层是系统核心，由调度 Agent 全盘接管，不负责具体执行任务，主要承担三大职责：理解用户指令、拆解任务、调度执行层 Agent 完成任务，最终汇总结果反馈给用户。

调度 Agent 是唯一与用户直接交互的 Agent，会先解析用户自然语言指令，判断需求为热点追踪或竞品分析，再将需求拆分为具体任务，分配给执行层的采集 Agent 和创作 Agent。例如用户指令"搜索 openclaw，创作 3 篇热门笔记"，调度 Agent 会拆解为三步：一是让采集 Agent 搜索 openclaw 相关竞品笔记，整理后写入飞书多维表格；二是从表格中筛选 3 个高潜话题；三是让创作 Agent 基于话题和竞品数据，创作合规笔记并渲染图文；最后汇总飞书数据链接和图文素材路径反馈给用户。

简言之，调度 Agent 的核心作用是"统筹全局"，确保各环节有序推进，避免任务混乱、遗漏，同时处理流程中的异常问题，提升系统容错性。

3. 执行层：专注具体任务的"专业选手"------两大执行 Agent

执行层由两个专业执行 Agent 组成，不与用户交互，仅执行调度 Agent 下发的具体任务，各司其职、互不干扰，既提升执行效率，也降低故障风险。

第一个是采集（Collector）Agent，核心职责是数据收集与整理。为其集成 xhs-collector 技能，可定向获取小红书热点数据、领域优秀竞品笔记，将数据结构化处理（提取标题、热度、互动数据、链接等关键信息）后，沉淀到飞书多维表格，为笔记创作提供素材和思路。无论是热点追踪场景的热榜数据，还是竞品分析场景的关键词搜索数据，均由采集 Agent 负责获取和整理。

第二个是创作（Creator）Agent，核心职责是内容创作与图文渲染。为其集成 Auto-Redbook-Skills 技能（专为小红书打造的开源内容自动化工具），可基于采集 Agent 沉淀的数据，在合规前提下撰写符合小红书平台风格的笔记，再将笔记渲染为精美的多图卡片，输出到指定本地文件夹，供审核和发布使用。

三个层级相互配合，形成完整自动化闭环：用户发送指令 → 调度 Agent 拆解任务 → 采集 Agent 收集数据 → 调度 Agent 筛选调度 → 创作 Agent 创作渲染 → 调度 Agent 汇总汇报，全程一气呵成，大幅节省小红书运营的时间和精力。

二、项目搭建前置准备：技能集成与环境配置

搭建多 Agent 系统前，需先完成两个核心技能的集成（Auto-Redbook-Skills 用于笔记创作和渲染，xhs-collector 用于数据采集和整理），这是系统正常运行的基础。此外，还需准备一台云服务器（可选用任意支持 OpenClaw 部署的服务器）、飞书账号（用于交互和数据沉淀）、小红书账号（用于获取 Cookie，供后续渲染和发布使用）。

本系统主要涵盖两个核心应用场景，搭建完成后可根据需求灵活使用，先明确两个场景的完整流程，便于理解系统运行逻辑：

1. 热点追踪场景：自动抓热榜，批量创笔记

当用户发送指令"获取小红书今日热榜，创作 3 篇相关笔记"时，系统自动执行以下闭环流程：

第一步，数据获取。调度 Agent 唤醒采集 Agent，采集 Agent 执行底层脚本，获取小红书最新 50 条热榜数据，结构化处理（提取排名、话题、热度、链接等信息）后，写入飞书多维表格，便于后续查看和筛选。

第二步，筛选调度。调度 Agent 读取飞书多维表格中的热榜数据，结合热度、话题相关性等维度，筛选出 3 个高潜话题（如热度高、竞争小、易出爆款的话题），向创作 Agent 批量下发独立创作任务，每个话题对应一篇笔记。

第三步，内容生成。创作 Agent 读取飞书表格热榜数据，结合小红书平台风格，严格遵循合规规范撰写笔记文案（标题吸睛、多用 emoji、避免敏感词），执行渲染脚本，将 Markdown 格式文案渲染为符合小红书审美的高清多图卡片，再将图文物料分类输出至本地文件夹。

第四步，汇总汇报。调度 Agent 验收全流程，确认数据采集完整、笔记合规、图文渲染无误后，向用户反馈飞书数据链接（便于查看热榜数据）及各话题产出明细（如：话题 A 产出 4 张图、话题 B 产出 5 张图），完成热点追踪闭环。

2. 竞品分析场景：对标优秀笔记，高效创内容

当用户发送指令"搜索 openclaw，创作类似的热门笔记"时，系统自动执行以下闭环流程：

第一步，定向获取。调度 Agent 向采集 Agent 下发关键词搜索任务，采集 Agent 执行底层脚本，搜索 openclaw 相关优秀竞品笔记（默认获取 20 条），将笔记关键信息（标题、作者、点赞数、评论数、封面链接、笔记链接等）结构化处理后，写入飞书多维表格。

第二步，对标创作。调度 Agent 引导创作 Agent 介入，创作 Agent 读取飞书表格竞品数据，分析竞品行文风格、内容结构、热门元素（如标题格式、emoji 使用、内容侧重点），在合规前提下撰写高质量笔记文案，确保笔记兼具特色与热门趋势。

第三步，汇总汇报。调度 Agent 验收全链路，确认竞品数据采集完整、笔记符合要求、图文渲染无误后，向用户反馈包含搜索数据的飞书查阅链接（便于对标分析竞品）及笔记素材本地路径，实现从对标到产出的完整闭环。

了解场景流程后，进入技能集成环节（实操重点），每一步需仔细操作，避免影响后续系统运行：

3. 集成 Auto-Redbook-Skills 到 OpenClaw

Auto-Redbook-Skills 是开源小红书内容自动化工具，核心能力是将大模型生成的 Markdown 文本，自动排版渲染为符合小红书审美的高清多图卡片，内置 8 套精美主题和 4 种智能分页，支持基于 Cookie 的全自动发布，适配小红书笔记批量创作和渲染。其开源地址为：https://github.com/comeonzhj/Auto-Redbook-Skills，可提前查看功能特性。

集成步骤简单，无需编写复杂代码，具体操作如下：

第一步，下载技能包。打开 Auto-Redbook-Skills 的 GitHub 仓库，点击右上角【Code】按钮，在下拉菜单中选择【Download ZIP】，等待压缩包下载完成。

第二步，解压并存放。找到下载的 ZIP 压缩包，选择任意磁盘存放（建议存放在 skill 项目文件夹，便于后续管理）。解压后得到 Auto-Redbook-Skills 文件夹，包含所有所需脚本和配置文件。

第三步，配置 Cookie。该技能需先配置小红书 Cookie 才能正常使用（否则无法渲染和发布笔记）：在 Auto-Redbook-Skills 文件夹中，新建 .env 文件，参考文件夹内 env.example.txt 文件配置，仅需将 Cookie 值替换为自身小红书 Cookie 即可。

小红书 Cookie 获取方法（无需技术基础）：登录网页版小红书，按住 F12 键调出开发者工具，选择【Network】选项卡，刷新网页，点击任意包含"note""hot"等关键词的异步请求，在右侧【Headers】（请求头）中找到【Cookie】字段，复制全部内容，粘贴到 .env 文件对应位置。

第四步，上传到服务器。用 FTP 工具（如 FileZilla）将 Auto-Redbook-Skills 文件夹上传至服务器的 /root/.openclaw/workspace/skills/ 目录（OpenClaw 默认技能存放目录，仅在此目录下，OpenClaw 才能识别调用）。

至此，Auto-Redbook-Skills 技能集成完成，后续创作 Agent 可调用该技能完成笔记创作和图文渲染。

4. 集成 xhs-collector 到 OpenClaw

xhs-collector 是一款可自定义采集规则的技能，核心功能是收集小红书热门选题和优质笔记思路，汇总至飞书多维表格，适配热点追踪和竞品分析场景，可灵活获取热榜数据和关键词搜索数据。

标准 OpenClaw 技能需包含以下核心文件和文件夹（缺一不可），创建时需重点注意：

xhs-collector/

├── SKILL.md # 必填：技能使用说明 + 元数据，告知 OpenClaw 技能作用和使用方法

├── scripts/ # 必填：可执行代码文件夹，存放采集数据脚本

└── config.json # 必填：配置文件，配置第三方平台 API key 等信息

└── output/ # 必填：输出目录，存放采集的临时数据或日志

具体创建和配置步骤如下：

第一步，创建项目文件夹。在本地电脑找到 .claude 目录（无则手动创建），在 .claude\skills\ 目录下新建 xhs-collector 文件夹（技能根目录）。

第二步，编写 SKILL.md 文件。该文件是技能说明文件，OpenClaw 通过其识别技能功能和使用方法，编写思路分为三部分：一是找到可获取小红书信息的第三方平台，获取其 API 接口（需支持热榜和搜索数据获取）；二是定义两个核心工作流（获取小红书热榜为选题提供方向、按关键词检索优秀笔记并整理至飞书表格）；三是补充使用说明、参数说明，避免后续使用出错（可借助 AI 生成，提升效率）。

第三步，编写 scripts 文件夹下的代码。scripts 是技能核心，需创建两个脚本文件：fetch_hot_list.py（收集整理小红书热榜数据）和 fetch_search_notes.py（按关键词搜索领域优秀笔记）。

fetch_hot_list.py 编写思路：调用第三方 API 获取热榜数据，解析后保留所需字段，转换为 JSON 格式返回，便于后续写入飞书表格，具体代码如下：

python 复制代码 
def fetch_hot_list(): 
# 1. 调用第三方 API ，获取热榜数据
url = "https://api.xxx.com/xhs/hotlist"  # 替换成你找到的第三方 API 地址
headers = {"Authorization": "your_api_key"}  # 替换成你的 API key
response = requests.get(url, headers=headers) 
# 2. 解析返回数据 ，提取需要的字段
data = response.json()
hot_list = [] 
for item in data['items'][:50]:  # 取前50条热榜数据，可根据需求调整数量
    hot_list.append({
        "rank": item['rank'],  # 热榜排名
        "topic": item['title'],  # 热榜话题
        "heat": item['heat_value'],  # 话题热度
        "link": item['url']  # 话题链接
    }) 
# 3. 输出 JSON 格式的数据，方便后续处理
print(json.dumps(hot_list, ensure_ascii=False)) 
if __name__ == "__main__":
    fetch_hot_list()

编写时仅需替换 url 和 headers 中的 API 地址、API key，其余可直接复用；需注意第三方 API 返回数据格式可能不同，需根据实际情况调整解析字段名称，确保能提取排名、话题、热度、链接等信息。

fetch_search_notes.py 编写思路：调用第三方 API 按关键词搜索竞品笔记，解析后保留所需字段，转换为 JSON 格式返回，具体代码如下：

python 复制代码 
def search_notes(keyword):
# 1. 调用搜索 API ，获取竞品笔记数据
url = "https://api.xxx.com/xhs/search"  # 替换成你的搜索 API 地址
params = {"keyword": keyword, "limit": 20}  # limit 表示获取的笔记数量，可调整
headers = {"Authorization": "your_api_key"}  # 替换成你的 API key
response = requests.get(url, params=params, headers=headers) 
# 2. 解析笔记数据 ，提取需要的字段
data = response.json() 
notes = [] 
for item in data['notes']: 
    notes.append({ 
        "title": item['title'],  # 笔记标题
        "author": item['author_name'],  # 笔记作者
        "likes": item['like_count'],  # 点赞数
        "comments": item['comment_count'],  # 评论数
        "cover": item['cover_url'],  # 笔记封面链接
        "link": item['note_url']  # 笔记链接
    }) 
# 3. 输出 JSON 格式的数据，方便后续处理
print(json.dumps(notes, ensure_ascii=False)) 
if __name__ == "__main__": 
    keyword = sys.argv[1] if len(sys.argv) > 1 else "openclaw"  # 默认关键词为 openclaw，可修改
    search_notes(keyword)

同样需替换 url、headers 中的 API 信息，根据第三方 API 返回格式调整解析字段；默认关键词为 openclaw，可自行修改或调用脚本时手动传入，灵活性较高。

第四步，编写 config.json 文件。用于配置第三方平台 API key、飞书表格相关信息，示例如下（可根据需求调整字段）：

json 复制代码 
{
"api_key": "your_api_key",  # 第三方平台的 API key
"feishu_table_id": "your_feishu_table_id",  # 飞书多维表格 ID
"output_path": "./output"  # 输出目录路径
}

第五步，创建 output 文件夹。在 xhs-collector 目录下新建 output 文件夹，用于存放采集的临时数据或日志，避免数据混乱。

第六步，上传到服务器。用 FTP 工具将 xhs-collector 文件夹上传至服务器的 /root/.openclaw/workspace/skills/ 目录，确保 OpenClaw 能识别调用该技能。

至此，两个核心技能集成完成，进入最关键的多 Agent 配置实现环节，直接决定系统能否正常运行，需仔细核对每一步操作。

三、OpenClaw 多 Agent 实现：配置文件编写与系统启动

多 Agent 实现的核心是配置文件编写，需在 OpenClaw 工作空间中，创建三个 Agent（调度、采集、创作）的配置文件，定义各 Agent 的身份、职责、技能关联等信息，再在 OpenClaw 主配置文件中关联三个 Agent、配置飞书集成信息，最后重启 OpenClaw 即可。

1. 飞书应用集成 OpenClaw（前置步骤）

需创建专属飞书应用（如"小红书运营"），用于接收用户指令、反馈执行结果。飞书应用集成 OpenClaw 的具体步骤（含飞书应用创建、AppID 和 AppSecret 获取、OpenClaw 与飞书关联配置）可参考相关实操文档，核心要求是：创建飞书应用并获取 AppID、AppSecret，确保 OpenClaw 已关联该飞书应用，能正常接收和响应飞书指令。

2. 多 Agent 配置文件编写（核心步骤）

进入 OpenClaw 的 Agent 工作空间（路径：/root/.openclaw/workspace/agents/），创建三个 Agent 文件夹，分别为 director（调度）、collector（采集）、creator（创作），每个文件夹下需创建对应配置文件，具体结构如下：

├── director/ # 调度 Agent 文件夹

│ ├── SOUL.md # 身份定义文件，定义调度 Agent 职责和工作流

│ ├── AGENTS.md # 工作空间说明文件，可选

│ └── CONFIG.md # 飞书表格配置文件，配置飞书表格相关信息

├── collector/ # 采集 Agent 文件夹

│ ├── SOUL.md # 身份定义文件，定义采集 Agent 职责和流程

│ ├── AGENTS.md # 工作空间说明文件，可选

│ └── .openclaw/

│ └── skills.json # 技能关联文件，关联 xhs-collector 技能

└── creator/ # 创作 Agent 文件夹

├── SOUL.md # 身份定义文件，定义创作 Agent 职责和流程

├── AGENTS.md # 工作空间说明文件，可选

└── .openclaw/

└── skills.json # 技能关联文件，关联 Auto-Redbook-Skills 技能

逐个编写各 Agent 配置文件，确保内容准确无误：

（1）编写 director/SOUL.md（调度 Agent 身份定义）

SOUL.md 用于定义 Agent 身份、职责、工作流和调用方式，调度 Agent 的 SOUL.md 内容如下（可根据需求调整）：

你是调度 Agent，负责协调采集 Agent 和创作 Agent 完成小红书内容生产，是整个系统的中枢大脑，直接与用户交互，统筹全局任务。

职责

  1. 精准理解用户的自然语言指令，拆解为具体可执行的任务；

  2. 合理调用采集 Agent 采集小红书相关数据（热榜、竞品笔记）；

  3. 调度创作 Agent 基于采集到的数据，进行合规的笔记创作和图文渲染；

  4. 汇总整个流程的执行结果，向用户清晰反馈（包括飞书数据链接、素材路径、产出明细）；

  5. 处理流程中的异常问题，确保任务有序推进。

工作流

热点追踪：调用采集 Agent 获取小红书热榜数据，筛选出高潜话题，调用创作 Agent 批量创作笔记，汇总结果并向用户汇报

竞品分析：调用采集 Agent 按关键词搜索竞品笔记，引导创作 Agent 对标创作笔记，汇总结果并向用户汇报

调用方式

json 复制代码 
{ 
"runtime": "subagent",
"agentId": "collector",  // 调用采集 Agent 时填写 collector，调用创作 Agent 时填写 creator
"task": "任务描述",  // 具体的任务指令，比如"获取小红书今日热榜前50条""搜索 openclaw 相关竞品笔记20条"
"mode": "run" 
}

核心注意点：调用方式中的 agentId 需与后续 OpenClaw 主配置文件中的 Agent id 一致，否则无法正常调用。

（2）编写 creator/SOUL.md 和 skills.json（创作 Agent 配置）

创作 Agent 核心职责是笔记创作和图文渲染，SOUL.md 需明确其工作流程和职责，skills.json 用于关联 Auto-Redbook-Skills 技能。

creator/SOUL.md 内容：

你负责根据飞书表格中的数据，创作符合小红书平台风格的合规笔记，并将笔记渲染为精美图文，不与用户直接交互，仅接收调度 Agent 下发的任务。

流程

  1. 读取飞书表格中的数据（热榜数据或竞品笔记数据），理解数据中的核心信息；

  2. 撰写 Markdown 格式的笔记文案，要求标题吸睛、多用 emoji、语言通俗易懂、避免敏感词，贴合小红书平台风格；

  3. 将撰写好的文案保存为 README.md 文件，存放在指定路径；

  4. 执行渲染脚本，具体指令：cd /root/.openclaw/workspace/skills/Auto-Redbook-Skills && node render.js；

  5. 完成渲染后，向调度 Agent 汇报任务结果，汇报内容包括：话题名称、生成的图片数量、图文素材的本地路径。

注意：渲染脚本路径需与 Auto-Redbook-Skills 技能上传路径一致，若修改技能存放路径，需同步修改脚本路径。

creator/.openclaw/skills.json 内容（关联 Auto-Redbook-Skills 技能）：

json 复制代码 
{ 
"skills": [ 
{ 
"path": "/root/.openclaw/workspace/skills/Auto-Redbook-Skills",  // 技能的存放路径，必须准确
"enabled": true  // 启用该技能，设置为 false 则无法调用
} 
] 
}

注意：path 需填写 Auto-Redbook-Skills 技能在服务器上的绝对路径，避免拼写错误，否则创作 Agent 无法调用该技能。

（3）编写 collector/SOUL.md 和 skills.json（采集 Agent 配置）

采集 Agent 核心职责是采集小红书数据并写入飞书表格，SOUL.md 需明确其工作模式、流程和职责，skills.json 用于关联 xhs-collector 技能。

collector/SOUL.md 内容：

采集 Agent

你负责获取小红书相关数据（热榜、竞品笔记），并将数据结构化处理后写入飞书表格，不与用户直接交互，仅接收调度 Agent 下发的任务。

两种模式

热榜模式 ：node scripts/fetch-hotlist.js，获取小红书前 50 条热榜数据，可根据需求调整数量

搜索模式 ：node scripts/search-notes.js "关键词"，按关键词搜索相关竞品笔记，默认获取 20 条

流程

  1. 接收调度 Agent 下发的任务，执行对应的采集脚本（热榜模式或搜索模式）；

  2. 解析脚本返回的 JSON 数据，提取需要的字段，进行结构化处理；

  3. 将结构化的数据写入飞书多维表格，确保数据准确无误；

  4. 完成采集后，向调度 Agent 汇报任务结果，汇报内容包括：采集的数据条数、飞书表格的查阅链接。

注意：脚本指令需与 fetch_hot_list.py 和 fetch_search_notes.py 脚本对应，若修改脚本名称或路径，需同步修改指令。

collector/.openclaw/skills.json 内容（关联 xhs-collector 技能）：

json 复制代码 
{ 
"skills": [ 
{ 
"path": "/root/.openclaw/workspace/skills/xhs-collector",  // 技能的存放路径，必须准确
"enabled": true  // 启用该技能，设置为 false 则无法调用
} 
] 
}

注意：path 需填写 xhs-collector 技能在服务器上的绝对路径，避免拼写错误，否则采集 Agent 无法调用该技能。

（4）配置 openclaw.json（OpenClaw 主配置文件）

openclaw.json 是 OpenClaw 主配置文件（路径：/root/.openclaw/openclaw.json），需在其中添加三个 Agent 配置、飞书应用配置，以及 Agent 与飞书应用的绑定关系，确保系统正常运行。

在 openclaw.json 中添加以下代码（保留原有配置，仅添加对应节点）：

json 复制代码 
{ 
"agents": { 
"list": [ 
{ 
"id": "director",  // 调度 Agent 的 id，与 SOUL.md 中的调用方式一致
"name": "调度 Agent",  // Agent 名称，可自定义
"workspace": "/root/.openclaw/workspace/agents/director"  // 调度 Agent 工作空间路径
}, 
{ 
"id": "collector",  // 采集 Agent 的 id
"name": "采集 Agent",  // Agent 名称，可自定义
"workspace": "/root/.openclaw/workspace/agents/collector"  // 采集 Agent 工作空间路径
},
{ 
"id": "creator",  // 创作 Agent 的 id
"name": "创作 Agent",  // Agent 名称，可自定义
"workspace": "/root/.openclaw/workspace/agents/creator"  // 创作 Agent 工作空间路径
} 
] 
}, 
"channels": { 
"feishu": { 
"accounts": { 
"xhs": {  // 飞书账号标识，可自定义
"appId": "cli_xxx",  // 替换为自身飞书应用 AppID
"appSecret": "xxx",  // 替换为自身飞书应用 AppSecret
"defaultAgent": "director"  // 默认关联调度 Agent
} 
} 
} 
}, 
"bindings": [ 
{ 
"match": { 
"channel": "feishu",  // 关联飞书渠道
"accountId": "xhs"  // 关联上述飞书账号标识
}, 
"agentId": "director"  // 飞书指令由调度 Agent 接收处理
} 
] 
}

核心注意点（需重点核对）：

  1. appId 和 appSecret：替换为自身飞书应用的 AppID 和 AppSecret（可在飞书开发者平台应用详情中获取）；

  2. 工作空间路径：各 Agent 的 workspace 路径需与创建的 Agent 文件夹路径一致，确保 OpenClaw 能找到配置文件；

  3. 绑定关系：bindings 中的 agentId 需设为 director，确保飞书指令能被调度 Agent 接收和处理，进而调度其他两个 Agent。

3. 系统启动与测试

所有配置文件编写完成后，需重启 OpenClaw 使配置生效。重启方法：登录服务器命令面板，输入指令 openclaw gateway restart；若重启失败，可直接重启云服务器。

重启后进行测试，验证系统是否正常运行：打开飞书，找到创建的"小红书运营"应用，发送测试指令（如"获取小红书今日热榜，创作 1 篇相关笔记"），等待系统响应。

正常执行流程：调度 Agent 接收指令 → 调用采集 Agent 获取热榜数据并写入飞书表格 → 调度 Agent 筛选话题 → 调用创作 Agent 创作笔记并渲染 → 调度 Agent 汇总结果反馈。

若能收到包含飞书数据链接和图文素材路径的反馈，说明系统搭建成功；若出现报错，可重点排查：配置文件路径、技能上传情况、飞书 AppID 和 AppSecret 正确性，逐步排查即可解决。

四、常见问题与注意事项

结合实操经验，整理了搭建和使用过程中的常见问题及注意事项，帮助避免踩坑，确保系统稳定运行：

  1. 笔记违规被删除问题：初期配置全自动发布后，笔记易因敏感词违规删除，建议暂采用"人工审核后发布"；后续可整理小红书违规规则，建立知识库集成到系统，实现真正全自动发布。

  2. 技能调用失败问题：大概率是技能存放路径错误，或 skills.json 中的 path 配置错误，需核对路径一致性；同时确保技能文件夹权限正确，避免 OpenClaw 无法读取调用。

  3. 数据采集失败问题：可能是第三方 API 地址错误、API key 失效或网络问题，可先测试 API 能否正常返回数据，核对 API key 正确性，确保服务器能正常访问第三方平台。

  4. 飞书无法接收响应问题：多为飞书 AppID、AppSecret 配置错误，或 OpenClaw 与飞书绑定关系错误，需重新核对 openclaw.json 中的飞书配置和 bindings 配置，修改后重启 OpenClaw。

  5. 脚本执行失败问题：可能是脚本解析字段与 API 返回格式不匹配，或缺少依赖包；需核对脚本字段名称，确保与 API 返回数据一致，同时安装脚本所需依赖包（如 requests、json 等）。

关键注意事项：

  • 所有配置文件路径需准确（尤其是 Agent 工作空间和技能存放路径），路径错误会导致系统无法运行；

  • 小红书 Cookie 需定期更新，避免失效导致渲染、发布功能异常；

  • 采集数据量不宜过多（热榜前 50 条、竞品前 20 条为宜），避免触发小红书反爬机制；

  • 笔记创作需严格遵循小红书平台规则，避开敏感词和违规表述，降低笔记删除、账号限流风险。

五、系统优化方向（可选）

搭建完成后，可根据需求进行以下优化，提升系统实用性和自动化程度：

  1. 集成违规检测功能：整理小红书违规词库和违规规则，建立知识库集成到创作 Agent，实现笔记文案自动违规检测，减少人工审核成本；

  2. 增加定时任务功能：配置定时指令（如每日固定时间抓取热榜、创作笔记），实现无人值守自动化运营；

  3. 优化数据复盘功能：在飞书多维表格中添加数据统计模块（如笔记互动数据跟踪、选题热度分析），便于后续运营复盘；

  4. 扩展多平台适配：新增抖音、视频号等平台的技能集成，实现多平台内容自动化生产，提升运营效率。

总结

本教程通过三层多 Agent 架构（交互层、调度层、执行层），结合 Auto-Redbook-Skills 和 xhs-collector 两个核心技能，实现了小红书从数据采集、竞品分析到笔记创作、图文渲染的全链路自动化。整个搭建过程无需复杂代码编写，全程实操导向，无论 AI 新手还是有一定基础的开发者，跟随步骤均可完成。

系统的核心优势的是模块化、低耦合，各 Agent 各司其职，容错性强、扩展性高，可根据自身运营需求灵活调整配置和场景。后续通过违规检测、定时任务等优化，可进一步提升自动化程度，真正实现小红书运营"省力高效"，解放人工成本。

相关推荐
HelloWorld1024！2 小时前
Pytorch1 PyTorch 官方 QuickStart 超详细笔记｜
人工智能·pytorch·笔记
Olafur_zbj2 小时前
【AI】深度解析OpenClaw智能体循环（Agentic Loop）：底层运行机制、ReAct演进与多智能体协同架构
人工智能·react.js·架构·agent·openclaw
日更嵌入式的打工仔2 小时前
DPU浅析
笔记
wuxinyan1232 小时前
Java面试题42：一文深入了解AI Coding 工具
java·人工智能·面试题·ai coding
Dxy12393102162 小时前
PyTorch训练的艺术：精通ReduceLROnPlateau学习率调度器
人工智能·pytorch·学习
IT 行者2 小时前
每天了解几个MCP SERVER：Atlan 数据目录平台
人工智能·mcp
w_t_y_y2 小时前
工具Cursor（六）Rules&Skill&Commands&subAgents对比
服务器·人工智能
uwvwko2 小时前
openclaw 笔记及注意事项
笔记·openclaw
所谓伊人，在水一方3332 小时前
【Python数据科学实战之路】第10章 | 机器学习基础：从理论到实践的完整入门
开发语言·人工智能·python·机器学习·matplotlib
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04得物前端部门，没了05OpenClaw 连接飞书完整指南：插件安装、配置与踩坑记录06OpenClaw 飞书机器人不回复消息？3 小时踩坑总结07Window 10部署openclaw报错node.exe : npm error code 12808OpenClaw 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10OpenClaw 接入 QQ Bot 完整实践指南