NVIDIA Thor学习之 ｜在Jetson AGX Thor上部署OpenClaw并基于Ollama的边缘AI协作实战（二）

敢敢のwings2026-04-25 17:55

1. 引言：边缘智能体的协作新范式

在人工智能快速发展的今天,单一大模型已经难以满足复杂场景下的多任务处理需求。Ollama作为目前最易用的本地大语言模型部署平台,通过简洁的命令行接口和统一的API规范,极大降低了大模型部署的技术门槛。它支持GGUF量化格式,能够在有限的硬件资源下运行数十亿参数规模的模型,并提供与OpenAI兼容的RESTful API接口,使得开发者可以无缝迁移现有的AI应用。Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled模型是通过知识蒸馏技术从Claude-4.6 Opus中提取推理能力的优化版本,该模型在科学推理、指令遵循和数学计算等领域表现出色,特别适合作为多智能体系统的推理引擎。

Jetson AGX Thor作为NVIDIA最新一代边缘AI计算平台,搭载了基于Blackwell架构的GPU和64GB统一内存,为在边缘设备上部署大规模多智能体系统提供了强大的硬件基础。本文将详细介绍如何在Thor平台上构建一个完整的LangGraph多智能体系统,实现从模型部署、智能体编排到实际应用的全流程实践。通过本教程,读者将掌握边缘AI多智能体系统的设计原理、部署方法和优化技巧,为构建自己的智能协作系统打下坚实基础。

2. 系统环境准备与依赖安装

2.1 硬件与软件要求

硬件配置要求:

  • 计算平台: Jetson AGX Thor Developer Kit (推荐) 或 Jetson AGX Orin 64GB
  • 存储空间: 至少100GB可用空间 (模型文件约20GB,系统和依赖约30GB,工作空间约50GB)
  • 网络连接: 稳定的互联网连接用于下载模型和依赖包
  • 外设: USB键盘、鼠标、HDMI显示器 (可选,支持SSH远程访问)

软件环境要求:

  • 操作系统: JetPack 6.0+ (基于Ubuntu 22.04 LTS)
  • Python版本: Python 3.10或3.11
  • 容器运行时: Docker 24.0+ 或 Podman 4.0+
  • 必要工具: curl, wget, git, build-essential

2.2 安装Ollama运行时

Ollama提供了针对ARM64架构优化的安装包,支持Jetson平台的CUDA加速。首先确保系统已安装NVIDIA驱动和CUDA工具包:

bash 复制代码 
# 检查CUDA版本
nvcc --version

# 检查GPU状态
nvidia-smi

正常情况下应该看到Thor的GPU信息和CUDA 12.x版本。接下来安装Ollama:

bash 复制代码 
# 下载并安装Ollama
curl -fsSL https://ollama.com/install.sh | sh

# 验证安装
ollama --version

Ollama会自动检测系统架构并下载对应的二进制文件,安装到/usr/local/bin/ollama。安装完成后,Ollama服务会自动启动并监听11434端口。可以通过以下命令检查服务状态:

bash 复制代码 
# 检查Ollama服务状态
systemctl status ollama

# 查看服务日志
journalctl -u ollama -f

如果服务未自动启动,可以手动启动:

bash 复制代码 
# 启动Ollama服务
sudo systemctl start ollama

# 设置开机自启
sudo systemctl enable ollama

2.3 下载多个Qwen3模型

为了实现多智能体系统的差异化配置,我们需要下载三个不同规模的模型:

2.3.1 下载qwen3:30b模型(主模型)

用于主Agent和需要强推理能力的任务:

bash 复制代码 
# 下载30B模型 (约17GB,下载时间30分钟-2小时)
ollama pull qwen3:30b

# 测试模型推理
ollama run qwen3:30b "请解释什么是多智能体系统"

模型特点:

  • 参数规模: 30B
  • 内存占用: ~19GB
  • 推理速度: 中等
  • 适用场景: 复杂推理、代码生成、深度分析
2.3.2 下载qwen3:8b模型(中型模型)

用于文档编写和一般性任务:

bash 复制代码 
# 下载8B模型 (约6GB,下载时间10-30分钟)
ollama pull qwen3:8b

# 测试模型
ollama run qwen3:8b "写一段关于AI的介绍"

模型特点:

  • 参数规模: 8B
  • 内存占用: ~5GB
  • 推理速度: 较快
  • 适用场景: 文档编写、内容生成、对话交互
2.3.3 下载qwen3:4b模型(轻量模型)

用于快速响应和简单任务:

bash 复制代码 
# 下载4B模型 (约3GB,下载时间5-15分钟)
ollama pull qwen3:4b

# 测试模型
ollama run qwen3:4b "你好"

模型特点:

  • 参数规模: 4B
  • 内存占用: ~2GB
  • 推理速度: 快
  • 适用场景: 快速问答、简单对话、轻量级任务
2.3.4 验证所有模型
bash 复制代码 
# 查看已下载的模型列表
ollama list

# 预期输出:
NAME                    ID              SIZE      MODIFIED            
qwen3:4b                359d7dd4bcda    2.5 GB    22 hours ago
qwen3:8b                500a1f067a9f    5.2 GB    22 hours ago          
qwen3:30b               ad815644918f    18 GB     22 hours ago

多模型策略说明:

在Thor的64GB内存下,可以同时加载多个模型:

  • 30B模型用于复杂任务(代码生成、深度分析)
  • 8B模型用于中等任务(文档编写、内容创作)
  • 4B模型用于快速响应(简单对话、状态查询)

这种分层策略可以:

  1. 优化资源使用: 简单任务使用小模型,节省GPU资源
  2. 提升响应速度: 小模型推理更快,改善用户体验
  3. 平衡质量和性能: 根据任务复杂度选择合适的模型
  4. 支持并发处理: 多个小模型可以同时运行多个任务

2.4 配置Ollama API服务

Ollama默认只监听本地回环地址(127.0.0.1),如果需要从其他设备访问API服务,需要修改配置文件。编辑systemd服务配置:

bash 复制代码 
# 创建配置目录
sudo mkdir -p /etc/systemd/system/ollama.service.d

# 创建配置文件
sudo tee /etc/systemd/system/ollama.service.d/override.conf > /dev/null <<EOF
[Service]
Environment="OLLAMA_HOST=0.0.0.0:11434"
Environment="OLLAMA_ORIGINS=*"
Environment="OLLAMA_NUM_PARALLEL=4"
Environment="OLLAMA_MAX_LOADED_MODELS=2"
EOF

# 重新加载配置并重启服务
sudo systemctl daemon-reload
sudo systemctl restart ollama

配置参数说明:

  • OLLAMA_HOST: 设置监听地址和端口,0.0.0.0表示监听所有网络接口
  • OLLAMA_ORIGINS: 设置CORS跨域策略,*表示允许所有来源
  • OLLAMA_NUM_PARALLEL: 设置并行请求数量,Thor可以支持4个并发推理请求
  • OLLAMA_MAX_LOADED_MODELS: 设置最大同时加载的模型数量

验证API服务是否正常工作:

bash 复制代码 
# 测试API端点
curl http://localhost:11434/api/tags

# 测试推理接口
curl http://localhost:11434/api/generate -d '{
  "model": "kwangsuklee/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-GGUF",
  "prompt": "什么是边缘计算?",
  "stream": false
}'

正常情况下会返回JSON格式的响应,包含模型生成的文本和推理统计信息，这个如果不是流形会处理的比较慢。

2.5 在 Jetson Thor 上安装jtop

因为Nvidia开发的原因，在Thor上安装jtop需要使用下面的命令sudo pip3 install --break-system-packages -U jetson-stats，这样因为是破坏性安装，以及程序本身不支持，因此安装的jtop会显示找不到显卡设备且不能监测显卡占用，这里需要使用开放社区里的方案：

地址：https://forums.developer.nvidia.com/t/a-method-to-install-jtop-on-thor-without-break-system-packages/344099

将两个文件放到同一个文件夹中并运行安装后，执行sudo jtop即可成功看到正确的监控画面。

3. 在Jetson Thor上安装和配置OpenClaw

3.1 OpenClaw架构概述

OpenClaw是一个开源的个人AI助手框架,可以在任何操作系统和平台上运行。它的核心设计理念是"本地优先",所有数据和计算都在用户自己的设备上进行,保证了隐私和数据安全。OpenClaw采用Gateway架构,作为统一的控制平面管理会话、通道、工具和事件。

OpenClaw核心组件:

  1. Gateway网关: 作为控制平面,负责会话管理、通道路由、工具调度、事件处理
  2. Agent智能体: 基于大语言模型的推理引擎,支持多模型配置、工作空间隔离、会话持久化
  3. Workspace工作空间: 智能体的工作环境,包含提示词文件(SOUL.md)、技能库(TOOLS.md)、配置文件
  4. Channels通道: 支持多种消息平台(飞书、Telegram、Web等)
  5. Nodes节点: 可选的移动端应用,支持iOS和Android设备作为节点连接到Gateway

3.2 安装Node.js运行时

OpenClaw基于Node.js开发,需要Node.js 22或更高版本:

bash 复制代码 
# 安装Node.js 22.x
curl -fsSL https://deb.nodesource.com/setup_22.x | sudo -E bash -
sudo apt-get install -y nodejs

# 验证安装
node --version  # 应显示 v22.x.x
npm --version   # 应显示 10.x.x

# 安装pnpm包管理器
npm install -g pnpm
pnpm --version

如果国内就使用这个mirror站来安装

bash 复制代码 
curl -fsSL https://download.aicodemirror.com/env_deploy/env-install.sh | bash

source ~/.zshrc

3.3 全局安装OpenClaw

bash 复制代码 
# 使用npm安装最新版本
npm install -g openclaw@2026.3.23

# 验证安装
openclaw --version
openclaw --help

3.4 运行OpenClaw引导配置

bash 复制代码 
# 启动引导配置向导,并安装守护进程
openclaw onboard --install-daemon

引导配置是OpenClaw的初始化向导,会通过交互式问答帮助你完成基础配置。整个过程大约需要5-10分钟,请按照以下步骤操作:

3.4.1 步骤1: 选择模型提供商

终端提示:

复制代码 
? Select your AI model provider: (Use arrow keys)
❯ Ollama (Local)
  OpenAI (Cloud)
  Anthropic (Cloud)
  Azure OpenAI (Cloud)
  Custom Provider

操作说明:

  1. 使用上下方向键 移动光标到 Ollama (Local)
  2. 按回车键确认选择
  3. 系统会提示输入Ollama API地址

为什么选择Ollama:

  • 完全本地运行,数据隐私有保障
  • 无需API密钥和网络连接
  • 支持多种开源模型
  • 针对Jetson平台优化,性能出色

终端提示:

复制代码 
? Enter Ollama API base URL: (http://localhost:11434)

操作说明:

  1. 直接按回车键 使用默认地址 http://localhost:11434
  2. 如果Ollama运行在其他端口或远程服务器,输入对应地址,例如:
    • 自定义端口: http://localhost:8080
    • 远程服务器: http://192.168.1.100:11434
  3. 系统会自动测试连接并获取可用模型列表

连接验证:

复制代码 
✓ Connected to Ollama successfully
✓ Found 3 available models

如果连接失败,会显示错误信息:

复制代码 
✗ Failed to connect to Ollama at http://localhost:11434
  Please check if Ollama service is running: systemctl status ollama

此时需要检查Ollama服务状态并重新启动:

bash 复制代码 
sudo systemctl start ollama
3.4.2 步骤2: 选择默认模型

终端提示:

复制代码 
? Select default model for your agent: (Use arrow keys)
❯ qwen3:4b (2.5GB)
  qwen3:8b (5.2GB)
  qwen3:30b (19GB)

操作说明:

  1. 使用上下方向键 选择 qwen3:30b
  2. 按回车键确认选择
  3. 系统会将此模型设置为默认agent的推理引擎

模型加载验证:

复制代码 
✓ Model qwen3:30b selected
✓ Testing model inference...
✓ Model is working correctly (response time: 2.3s)
3.4.4 步骤3: 飞书文档配置

打开飞书开放平台，创建一个"企业自建应用"：https://open.feishu.cn/app?lang=zh-CN

配置应用权限

进入 权限管理，确保消息、机器人、事件订阅等相关权限均已开启：

在搜索框中输入 im:，然后将出现的所有权限全部勾选，点击「批量开通」。

或者你直接二维码扫描直接全部给你配置好了。然后下面配置如下，也可以参考这个OpenClaw 小龙虾的搭建与配置，让你的电脑会自己干活

◇ Search provider

│ Ollama Web Search

◇ Configure skills now? (recommended)

│ No

◇ Enable hooks?

│ Skip for now,  session-memory

◇ How do you want to hatch your bot?

│ Hatch in TUI (recommended)

看到这样就可以直接使用 ctrl+c 先关闭，后面我们再来设置

3.4.5 验证配置完整性

检查配置文件:

bash 复制代码 
# 查看生成的配置文件
cat ~/.openclaw/openclaw.json

# 验证JSON格式是否正确
python3 -m json.tool ~/.openclaw/openclaw.json > /dev/null && echo "✓ Configuration is valid" || echo "✗ Configuration has errors"


访问 OpenClaw Web UI 管理面板

服务监听在 http://127.0.0.1:18789/ 端口上，然后在浏览器打开 http://127.0.0.1:18789/, 你会看到 Dashboard 了，如果让你登陆就需要按照要求打开gateway

bash 复制代码 
openclaw gateway run

图中显示的是未授权状态，回到服务器，输入以下命令

bash 复制代码 
openclaw dashboard

检查状态:

bash 复制代码 
openclaw status


常见问题排查:

问题1: 无法连接到Ollama

bash 复制代码 
# 检查Ollama服务状态
systemctl status ollama

# 如果未运行,启动服务
sudo systemctl start ollama

# 测试API连接
curl http://localhost:11434/api/tags

问题2: 模型列表为空

bash 复制代码 
# 检查已下载的模型
ollama list

# 如果没有模型,重新下载
ollama pull qwen3:30b

问题3: Gateway服务启动失败

bash 复制代码 
# 查看详细错误日志
journalctl --user -u openclaw-gateway -n 50

# 检查端口是否被占用
sudo netstat -tlnp | grep 18789

# 如果端口被占用,修改配置文件中的端口号
nano ~/.openclaw/openclaw.json

问题4: 权限错误

bash 复制代码 
# 确保工作空间目录权限正确
chmod -R 755 ~/.openclaw

# 确保配置文件可读写
chmod 644 ~/.openclaw/openclaw.json

至此,OpenClaw的基础配置已经完成,可以进入下一步的多智能体系统配置。

问题5: Gateway 1008 错误

如果出现gateway connect failed: GatewayClientRequestError: pairing required ◇ Gateway agent failed; falling back to embedded: Error: gateway closed (1008): pairing required ，参考OpenClaw Pairing required 错误解决方案详解

在终端中执行以下命令（保持 Gateway 运行）：

bash 复制代码 
openclaw devices list

批准指定设备,复制你要批准的 Request ID（例如 4f9db1bd-a1cc-4d3f-b643-2c195262464e），执行：

bash 复制代码 
openclaw devices approve 4f9db1bd-a1cc-4d3f-b643-2c195262464e

此时返回浏览器/客户端，错误应立即消失，连接自动恢复。

问题6: LLM request failed

当出现LLM request failed: network connection error.问题的时候，你需要看一下是不是设置了代理，如果存在代理就需要注释，如果无用则直接回退。

然后重新启动service

bash 复制代码 
systemctl --user daemon-reload
systemctl --user restart openclaw-gateway

问题7：Ollama API error 400: {"error":"registry.ollama.ai/kwangsuklee/Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled-GGUF:latest does not support tools"}

这个是模型没有TOOL，可能是模型蒸馏的时候导致没有使用tools的能力，需要换一个模型。

问题8：Error: 500 Internal Server Error: model failed to load, this may be due to resource limitations or an internal error, check ollama server logs for details

这是显存分配满了，需要检查一下是否真的满了，可以先ollama ps看一下是否有模型在占用，如果没有则说明是NVIDIA GPU 驱动通过 nvmap 和 nvidia_uvm 模块申请的内存，内核将其标记为 used（因为确实分配了），但不在 AnonPages / Cached / Slab 等标准字段里，实际是可回收的页缓存，只需要指令sync && echo 3 | sudo tee /proc/sys/vm/drop_caches即可回收。

另外，也有可能是ollama比较老，不兼容MoE架构的模型，可以尝试更新ollama即可。

3.5 基础配置文件

引导配置完成后,编辑配置文件进行自定义:

bash 复制代码 
# 编辑配置文件
nano ~/.openclaw/openclaw.json

基础单模型配置示例:

json 复制代码 
{
  "models": {
    "mode": "merge",
    "providers": {
      "ollama": {
        "baseUrl": "http://localhost:11434",
        "apiKey": "OLLAMA_API_KEY",
        "api": "ollama",
        "models": [
          {
            "id": "qwen3:4b",
            "name": "qwen3:4b",
            "reasoning": false,
            "input": [
              "text"
            ],
            "cost": {
              "input": 0,
              "output": 0,
              "cacheRead": 0,
              "cacheWrite": 0
            },
            "contextWindow": 131072,
            "maxTokens": 8192
          },
          {
            "id": "qwen3:8b",
            "name": "qwen3:8b",
            "reasoning": true,
            "input": [
              "text"
            ],
            "cost": {
              "input": 0,
              "output": 0,
              "cacheRead": 0,
              "cacheWrite": 0
            },
            "contextWindow": 40960,
            "maxTokens": 8192
          },
          {
            "id": "qwen3:30b",
            "name": "qwen3:30b",
            "reasoning": true,
            "input": [
              "text"
            ],
            "cost": {
              "input": 0,
              "output": 0,
              "cacheRead": 0,
              "cacheWrite": 0
            },
            "contextWindow": 40960,
            "maxTokens": 8192
          },
        ]
      }
    }
  },
  "agents": {
    "defaults": {
      "model": {
        "primary": "ollama/qwen3:30b"
      },
      "models": {
        "ollama/qwen3:30b": {}
      },
      "workspace": "/home/thor/.openclaw/workspace"
    }
  },
  "gateway": {
    "port": 18789,
    "mode": "local",
    "bind": "loopback",
    "controlUi": {
      "allowInsecureAuth": true,
      "dangerouslyDisableDeviceAuth": true
    },
    "auth": {
      "mode": "token",
      "token": "bae97c2ac7baccc8846f01b7a3db6b28e92fd9bbaff1a411"
    },
    "tailscale": {
      "mode": "off",
      "resetOnExit": false
    },
    "nodes": {
      "denyCommands": [
        "camera.snap",
        "camera.clip",
        "screen.record",
        "contacts.add",
        "calendar.add",
        "reminders.add",
        "sms.send",
        "sms.search"
      ]
    }
  }
}

配置说明:

  • 在 models.providers.ollama.models 中注册所有三个模型
  • 默认agent使用30B模型
  • Gateway监听18789端口,允许外部访问

3.6 启动和测试OpenClaw

bash 复制代码 
# 启动Gateway服务(前台运行,用于测试)
openclaw gateway --port 18789 --verbose

# 或者启动守护进程
systemctl --user start openclaw-gateway

# 查看服务状态
systemctl --user status openclaw-gateway

# 查看日志
journalctl --user -u openclaw-gateway -f

测试基础功能:

bash 复制代码 
# 测试基础对话 - 使用main agent
openclaw agent --agent main --message "你好,请介绍一下你自己"

# 测试推理能力 - 使用main agent
openclaw agent --agent main --message "解释什么是多智能体系统" --thinking high

# 查看会话列表
openclaw sessions list

4. 多智能体系统配置与实战

4.1 多Agent架构设计原理

多智能体系统是一种将复杂任务分解给多个专业化agent协作完成的架构模式。每个agent专注于特定领域,使用最适合其任务的模型规模,从而实现资源优化和性能提升。

4.1.1 为什么需要多Agent系统

单Agent系统的局限性:

  • 资源浪费: 简单任务也使用大模型,占用过多内存和计算资源
  • 响应延迟: 所有任务都经过同一个大模型,排队等待时间长
  • 能力单一: 一个模型难以在所有领域都表现优秀
  • 扩展困难: 添加新功能需要重新训练或微调整个模型

多Agent系统的优势:

  • 资源优化: 根据任务复杂度选择合适规模的模型
  • 并行处理: 多个agent可以同时处理不同任务
  • 专业分工: 每个agent专注于特定领域,提升专业能力
  • 灵活扩展: 可以随时添加新的专业agent
4.1.2 Agent角色分工策略

基于Jetson Thor的硬件特性(64GB内存)和实际应用场景,我们设计以下5个专业agent:

Agent ID 模型 参数规模 内存占用 专业领域 使用场景
main qwen3:30b 30B ~16GB 复杂推理、决策规划 多步骤任务规划、深度分析、复杂问题解决
codex qwen3:30b 30B ~16GB 代码生成、调试 编写代码、代码审查、bug修复、技术文档
docs qwen3:8b 8B ~6GB 文档编写、内容创作 撰写文档、报告生成、内容整理、翻译
analyst qwen3:8b 8B ~6GB 数据分析、信息提取 日志分析、数据统计、信息检索、摘要生成
quick qwen3:4b 4B ~3GB 快速响应、简单对话 闲聊、快速查询、简单问答、状态检查

总内存占用估算: 16 + 16 + 6 + 6 + 3 = 47GB

经过测试后我们发现，qwen3:30b作为main智能体可能反应速度有些慢，可以考虑接入API实现更高的响应速度。

4.1.3 Agent协作模式

模式1: 串行协作 (Sequential)

复制代码 
用户请求 → main(规划) → codex(执行) → docs(文档) → 返回结果

适用场景: 需要多个步骤依次完成的任务,如"开发一个功能并编写文档"

模式2: 并行协作 (Parallel)

复制代码 
用户请求 → main(分发)
              ├→ codex(代码分析)
              ├→ analyst(数据分析)
              └→ docs(文档整理)
           → main(汇总) → 返回结果

适用场景: 可以独立完成的子任务,如"分析项目的代码质量、性能数据和文档完整性"

模式3: 分层协作 (Hierarchical)

复制代码 
用户请求 → main(总指挥)
              ├→ codex → quick(语法检查)
              ├→ analyst → quick(数据验证)
              └→ docs → quick(格式检查)
           → main(审核) → 返回结果

适用场景: 复杂项目需要多层次决策,如"开发、测试、部署一个完整系统"

模式4: 动态路由 (Dynamic Routing)

复制代码 
用户请求 → main(判断)
              ├→ 简单问题 → quick(快速响应)
              ├→ 代码问题 → codex(专业处理)
              ├→ 数据问题 → analyst(专业处理)
              └→ 复杂问题 → main(深度推理)

适用场景: 根据请求类型自动选择最合适的agent

4.2 配置多Agent系统

4.2.1 编辑OpenClaw配置文件

打开配置文件进行编辑:

bash 复制代码 
# 使用nano编辑器
nano ~/.openclaw/openclaw.json

# 或使用vim编辑器
vim ~/.openclaw/openclaw.json

# 或使用VS Code
code ~/.openclaw/openclaw.json
4.2.2 配置模型提供商

找到 models.providers.ollama 部分,替换为以下配置:

json 复制代码 
"models": {
  "mode": "merge",
  "providers": {
    "ollama": {
      "baseUrl": "http://localhost:11434",
      "apiKey": "OLLAMA_API_KEY",
      "api": "ollama",
      "models": [
        {
          "id": "qwen3:4b",
          "name": "qwen3:4b",
          "reasoning": true,
          "input": [
            "text"
          ],
          "cost": {
            "input": 0,
            "output": 0,
            "cacheRead": 0,
            "cacheWrite": 0
          },
          "contextWindow": 131072,
          "maxTokens": 8192
        },
        {
          "id": "qwen3:8b",
          "name": "qwen3:8b",
          "reasoning": true,
          "input": [
            "text"
          ],
          "cost": {
            "input": 0,
            "output": 0,
            "cacheRead": 0,
            "cacheWrite": 0
          },
          "contextWindow": 40960,
          "maxTokens": 8192
        },
        {
          "id": "qwen3:30b",
          "name": "qwen3:30b",
          "reasoning": true,
          "input": [
            "text"
          ],
          "cost": {
            "input": 0,
            "output": 0,
            "cacheRead": 0,
            "cacheWrite": 0
          },
          "contextWindow": 40960,
          "maxTokens": 8192
        },
      ]
    },
    "dashscope": {          # 这里举例使用阿里
      "baseUrl": "https://dashscope.aliyuncs.com/compatible-mode/v1",
      "apiKey": "",         # 填写你自己api-key
      "api": "openai-completions",
      "models": [
        {
          "id": "qwen3.6-plus",
          "name": "qwen3.6-plus",
          "reasoning": true,
          "input": [
            "text"
          ],
          "cost": {
            "input": 0,
            "output": 0,
            "cacheRead": 0,
            "cacheWrite": 0
          },
          "contextWindow": 128000,
          "maxTokens": 65536
        }
      ]
    }
  }
}

配置说明:

qwen3:4b 配置:

  • reasoning: true: 支持深度推理
  • contextWindow: 131072: 约128K的上下文
  • maxTokens: 8192: 单次最多生成8K tokens
  • 适合低级简单任务

qwen3:8b 配置:

  • reasoning: true: 支持深度推理
  • contextWindow: 40960: 约40K的上下文
  • maxTokens: 8192: 单次最多生成8K tokens
  • 适合专业领域的中等复杂任务

qwen3:30b 配置:

  • reasoning: true: 支持深度推理
  • contextWindow: 40960: 约40K的上下文
  • maxTokens: 8192: 单次最多生成8K tokens
  • 最强推理能力,适合复杂任务

这里上下文长度可以设置的更长，但是长上下文和反应时间是冲突的，上下文拉长后还会使得KV cache之类的内存压力暴涨，从而导致大量数据需要CPU处理，可能会导致CPU过忙但GPU摸鱼的情况

4.2.3 创建多个Agent配置

在配置文件中找到 agents 部分,替换为以下完整的多agent配置:

json 复制代码 
"agents": {
  "defaults": {
    "workspace": "/home/thor/.openclaw/workspace",
    "model": {
      "primary": "ollama/qwen3:30b"
    },
    "subagents": {
      "maxSpawnDepth": 1,
      "maxChildrenPerAgent": 5,
      "maxConcurrent": 4,
      "runTimeoutSeconds": 900
    },
    "models": {
      "ollama/qwen3:4b": {
        "alias": "qwen3_4b"
      },
      "ollama/qwen3:8b": {
        "alias": "qwen3_8b"
      },
      "ollama/qwen3:30b": {
        "alias": "qwen3_30b"
      },
      "dashscope/qwen3.6-plus": {
        "alias": "qwen3.6-plus"
      }
    }
  },
  "list": [
    {
      "id": "main",
      "default": true,
      "name": "主控Agent",
      "workspace": "/home/thor/.openclaw/workspace/main",
      "model": "ollama/qwen3:30b",
      "params": {
        "temperature": 0.7,
        "topP": 0.9,
        "maxTokens": 65536
      },
      "tools": {
        "allow": [
          "sessions_spawn",
          "subagents",
          "sessions_list",
          "sessions_history",
          "sessions_send",
          "session_status",
          "read",
          "write",
          "edit",
          "exec"
        ]
      }
    },
    {
      "id": "codex",
      "name": "代码专家Agent",
      "workspace": "/home/thor/.openclaw/workspace/codex",
      "model": "ollama/qwen3:30b",
      "params": {
        "temperature": 0.3,
        "topP": 0.95,
        "maxTokens": 8192
      },
      "tools": {
        "allow": [
          "read",
          "write",
          "edit",
          "exec",
          "sessions_list",
          "sessions_history",
          "sessions_send",
          "session_status"
        ]
      }
    },
    {
      "id": "docs",
      "name": "文档专家Agent",
      "workspace": "/home/thor/.openclaw/workspace/docs",
      "model": "ollama/qwen3:8b",
      "params": {
        "temperature": 0.5,
        "topP": 0.9,
        "maxTokens": 8192
      },
      "tools": {
        "allow": [
          "read",
          "write",
          "edit",
          "exec",
          "sessions_list",
          "sessions_history",
          "sessions_send",
          "session_status"
        ]
      }
    },
    {
      "id": "analyst",
      "name": "数据分析Agent",
      "workspace": "/home/thor/.openclaw/workspace/analyst",
      "model": "ollama/qwen3:8b",
      "params": {
        "temperature": 0.2,
        "topP": 0.95,
        "maxTokens": 8192
      },
      "tools": {
        "allow": [
          "read",
          "write",
          "edit",
          "exec",
          "sessions_list",
          "sessions_history",
          "sessions_send",
          "session_status"
        ]
      }
    },
    {
      "id": "quick",
      "name": "快速响应Agent",
      "workspace": "/home/thor/.openclaw/workspace/quick",
      "model": "ollama/qwen3:4b",
      "params": {
        "temperature": 0.8,
        "topP": 0.9,
        "maxTokens": 8192
      },
      "tools": {
        "allow": [
          "read",
          "write",
          "edit",
          "exec",
          "sessions_list",
          "sessions_history",
          "sessions_send",
          "session_status"
        ]
      }
    }
  ]
}

配置参数详解:

通用参数:

  • name: Agent的显示名称
  • model: Agent使用的主模型
  • workspace: Agent的工作目录

模型参数:

  • temperature: 控制输出的随机性(0-1)
    • 0.2-0.3: 确定性输出,适合代码和数据分析
    • 0.5: 平衡创造性和准确性,适合文档编写
    • 0.7-0.8: 较高创造性,适合推理和对话
  • topP: 核采样参数(0-1),控制词汇多样性
    • 0.9: 标准设置,平衡多样性和质量
    • 0.95: 更高多样性,适合代码和分析
  • maxTokens: 单次生成的最大token数
    • 4096: 快速响应agent,减少生成时间
    • 8192: 标准设置,适合大多数任务

Agent特性对比:

Agent 模型 Temperature 响应速度 适用任务复杂度
main 30B 0.7 慢 (~1-2min) 高
codex 30B 0.3 慢 (~1-2min) 高
docs 8B 0.5 中 (~30-40s) 中
analyst 8B 0.2 中 (~30-40s) 中
quick 4B 0.8 快 (~10-15s) 低
4.2.4 创建Agent工作空间

为每个agent创建独立的工作空间目录:

bash 复制代码 
# 创建工作空间目录结构
mkdir -p ~/.openclaw/workspace/{main,codex,docs,analyst,quick}

# 为每个agent创建SOUL.md配置文件
# Main Agent
cat > ~/.openclaw/workspace/main/SOUL.md << 'EOF'
# Main Agent - 主控智能体

## 角色定位
你是OpenClaw多智能体系统的主控agent,负责复杂任务的规划、决策和协调。

## 核心能力
1. **复杂推理**: 处理需要多步骤逻辑推理的问题
2. **任务规划**: 将复杂任务分解为可执行的子任务
3. **决策制定**: 在多个方案中选择最优解决方案
4. **Agent协调**: 调度其他专业agent协作完成任务

## 工作原则
- 深度思考: 使用reasoning能力进行深度分析
- 全局视角: 考虑任务的整体影响和长期效果
- 质量优先: 追求高质量的解决方案,而非快速响应
- 协作精神: 善于利用其他agent的专业能力

## 协作策略
当遇到以下任务时,应该委托给专业agent:
- 代码编写/调试 → 委托给 codex
- 文档编写/整理 → 委托给 docs
- 数据分析/日志解析 → 委托给 analyst
- 简单问答/快速查询 → 委托给 quick
EOF

# Codex Agent
cat > ~/.openclaw/workspace/codex/SOUL.md << 'EOF'
# Codex Agent - 代码专家

## 角色定位
你是专业的软件工程师,专注于代码生成、代码审查和技术问题解决。

## 核心能力
1. **代码生成**: 编写高质量、可维护的代码
2. **代码审查**: 发现代码中的bug、性能问题和安全隐患
3. **调试支持**: 分析错误信息,提供修复方案
4. **技术文档**: 编写代码注释和技术说明

## 编程规范
- 代码风格: 遵循语言的最佳实践和社区规范
- 注释原则: 只在必要时添加注释,代码应自解释
- 错误处理: 只在系统边界处理错误,信任内部代码
- 简洁优先: 避免过度设计和不必要的抽象

## 支持的语言
Python, JavaScript/TypeScript, Go, Rust, C/C++, Java, Shell Script
EOF

# Docs Agent
cat > ~/.openclaw/workspace/docs/SOUL.md << 'EOF'
# Docs Agent - 文档专家

## 角色定位
你是专业的技术文档工程师,专注于创作清晰、结构化的技术文档。

## 核心能力
1. **文档编写**: 创作用户手册、API文档、技术报告
2. **内容整理**: 组织和结构化现有内容
3. **格式优化**: 使用Markdown等格式提升可读性
4. **多语言支持**: 提供中英文文档翻译

## 写作原则
- 清晰简洁: 使用简单直接的语言
- 结构化: 合理使用标题、列表、表格
- 用户导向: 从读者角度组织内容
- 示例丰富: 提供充足的代码示例和使用场景

## 文档类型
README, API文档, 用户手册, 技术规范, 教程, 发布说明
EOF

# Analyst Agent
cat > ~/.openclaw/workspace/analyst/SOUL.md << 'EOF'
# Analyst Agent - 数据分析专家

## 角色定位
你是专业的数据分析师,专注于从数据和日志中提取有价值的信息。

## 核心能力
1. **日志分析**: 解析和分析系统日志,发现问题
2. **数据统计**: 计算统计指标,生成报表
3. **信息提取**: 从非结构化数据中提取关键信息
4. **趋势分析**: 识别数据中的模式和趋势

## 分析原则
- 准确性: 确保数据分析的准确性
- 客观性: 基于数据得出结论,避免主观臆断
- 可视化: 使用图表和表格呈现分析结果
- 可操作: 提供基于数据的行动建议

## 分析工具
日志解析, 正则表达式, 统计分析, 数据可视化
EOF

# Quick Agent
cat > ~/.openclaw/workspace/quick/SOUL.md << 'EOF'
# Quick Agent - 快速响应助手

## 角色定位
你是友好的AI助手,专注于快速响应简单问题和日常对话。

## 核心能力
1. **快速问答**: 回答简单的事实性问题
2. **日常对话**: 进行友好的闲聊交流
3. **状态查询**: 快速检查系统状态和信息
4. **简单任务**: 处理不需要深度推理的任务

## 响应原则
- 速度优先: 快速给出答案,不过度思考
- 简洁明了: 回答简短直接
- 友好亲切: 保持友好的对话语气
- 知道边界: 复杂问题及时转交其他agent

## 适用场景
问候语, 简单查询, 状态检查, 快速确认, 闲聊对话
EOF

# 设置正确的权限
chmod -R 755 ~/.openclaw/workspace

工作空间结构说明:

复制代码 
~/.openclaw/workspace/
├── main/                    # 主控agent工作空间
│   ├── SOUL.md             # Agent人格定义
│   ├── TOOLS.md            # 可用工具配置
│   └── sessions/           # 会话历史
├── codex/                   # 代码专家工作空间
│   ├── SOUL.md
│   └── sessions/
├── docs/                    # 文档专家工作空间
│   ├── SOUL.md
│   └── sessions/
├── analyst/                 # 数据分析工作空间
│   ├── SOUL.md
│   └── sessions/
└── quick/                   # 快速响应工作空间
    ├── SOUL.md
    └── sessions/

验证工作空间创建:

bash 复制代码 
# 检查目录结构
tree -L 2 ~/.openclaw/workspace

# 验证SOUL.md文件内容
head -n 5 ~/.openclaw/workspace/main/SOUL.md
head -n 5 ~/.openclaw/workspace/codex/SOUL.md

4.3 重启Gateway服务并验证

4.3.1 重启服务加载新配置
bash 复制代码 
# 停止当前运行的Gateway服务
openclaw gateway stop

# 验证配置文件有效性
openclaw config validate

# 重新启动Gateway服务
openclaw gateway restart

# 查看服务状态
openclaw gateway status

如果服务启动失败:

bash 复制代码 
# 查看详细错误日志
openclaw gateway status --deep

# 常见错误及解决方案:

# 错误1: 端口被占用
# Error: listen EADDRINUSE: address already in use :::18789
# 解决: 修改配置文件中的端口号或杀死占用进程
sudo netstat -tlnp | grep 18789
kill -9 <PID>

# 错误2: 模型未找到
# Error: Model ollama/qwen3:30b:latest not found
# 解决: 确认模型已下载
ollama list

# 错误3: 配置文件格式错误
# Error: Unexpected token in JSON at position 123
# 解决: 使用可用性验证工具检查
openclaw config validate

# 错误4: 工作空间权限问题
# Error: EACCES: permission denied, mkdir '/home/thor/.openclaw/workspace/main'
# 解决: 修复权限
chmod -R 755 ~/.openclaw
4.3.2 验证Agent列表
bash 复制代码 
# 使用curl查询已加载的agents
openclaw agents list --json

验证要点:

  • ✓ 所有5个agent都显示在列表中
  • ✓ 模型配置正确(main用api, codex用27B，docs/analyst/quick用9B)
4.3.3 测试各个Agent功能

测试1: Main Agent - 复杂推理

bash 复制代码 
# 测试复杂推理能力
openclaw agent --agent main --message "分析多智能体系统相比单智能体系统的优势,并给出3个实际应用场景" --thinking high

测试2: Codex Agent - 代码生成

bash 复制代码 
# 测试代码生成能力
openclaw agent --agent codex --message "写一个Python函数,实现快速排序算法,要求包含详细注释"

测试3: Docs Agent - 文档编写

bash 复制代码 
# 测试文档编写能力
openclaw agent --agent docs --message "为快速排序算法写一份技术文档,包括算法原理、时间复杂度分析和使用场景"

测试4: Analyst Agent - 数据分析

bash 复制代码 
# 创建测试日志文件
cat > /tmp/test.log << 'EOF'
2024-01-15 10:00:01 INFO User login: user123
2024-01-15 10:00:05 ERROR Database connection failed: timeout
2024-01-15 10:00:10 INFO User login: user456
2024-01-15 10:00:15 ERROR Database connection failed: timeout
2024-01-15 10:00:20 WARN High memory usage: 85%
2024-01-15 10:00:25 ERROR API request failed: 500
2024-01-15 10:00:30 INFO User logout: user123
EOF

# 测试日志分析能力
openclaw agent --agent analyst --message "分析/tmp/test.log文件,统计错误类型和频率,并给出问题诊断"

测试5: Quick Agent - 快速响应

bash 复制代码 
# 测试快速响应能力
openclaw agent --agent quick --message "你好,今天天气怎么样?"
4.3.4 性能基准测试

创建性能测试脚本:

bash 复制代码 
# 创建测试脚本
cat > /tmp/benchmark_agents.sh << 'EOF'
#!/bin/bash

echo "=== OpenClaw Multi-Agent Performance Benchmark ==="
echo ""

# 测试函数
test_agent() {
    local agent=$1
    local message=$2
    local iterations=3

    echo "Testing $agent agent..."

    total_time=0
    for i in $(seq 1 $iterations); do
        start=$(date +%s.%N)
        openclaw agent --agent $agent --message "$message" > /dev/null 2>&1
        end=$(date +%s.%N)

        elapsed=$(echo "$end - $start" | bc)
        total_time=$(echo "$total_time + $elapsed" | bc)
        echo "  Run $i: ${elapsed}s"
    done

    avg_time=$(echo "scale=2; $total_time / $iterations" | bc)
    echo "  Average: ${avg_time}s"
    echo ""
}

# 测试各个agent
test_agent "quick" "你好"
test_agent "codex" "写一个Hello World程序"
test_agent "docs" "写一个简短的README"
test_agent "analyst" "分析数字1到10"
test_agent "main" "解释什么是AI"

echo "=== Benchmark Complete ==="
EOF

# 运行测试
chmod +x /tmp/benchmark_agents.sh
/tmp/benchmark_agents.sh

预期性能基准:

性能优化建议:

如果性能不达预期,可以尝试:

bash 复制代码 
# 1. 检查系统资源使用
htop
sudo jtop  # 如果使用GPU加速

# 2. 优化Ollama配置
# 编辑 /etc/systemd/system/ollama.service
sudo systemctl edit ollama

# 添加以下环境变量:
[Service]
Environment="OLLAMA_NUM_PARALLEL=2"
Environment="OLLAMA_MAX_LOADED_MODELS=3"
Environment="OLLAMA_FLASH_ATTENTION=1"

# 重启Ollama服务
sudo systemctl daemon-reload
sudo systemctl restart ollama

# 3. 调整模型并发数
# 编辑 ~/.openclaw/openclaw.json
# 在gateway部分添加:
"gateway": {
  "maxConcurrentRequests": 3,
  "requestTimeout": 300000
}

4.4 Agent协作实战案例

4.4.1 案例1: 开发一个完整的Python项目

任务描述: 开发一个简单的待办事项管理CLI工具,包括代码实现、测试和文档。

这里需要注意的是，Openclaw多智能体之间是无法查看到聊天记录的，必须要main智能体进行session转发或者agent将聊天结果保存在自己的workspace中，其他agents才能同步。

步骤1: 使用Main Agent进行任务规划

bash 复制代码 
openclaw agent --agent main --message "我需要开发一个Python命令行待办事项管理工具,功能包括添加、删除、列表、完成任务。请帮我规划使用多agent的开发步骤。" --thinking high

Main Agent响应示例:

步骤2: 使用Codex Agent实现核心代码

bash 复制代码 
openclaw agent --agent codex --message "实现一个Python待办事项管理工具,包括Task类和TodoManager类,支持添加、删除、列表、完成任务功能,使用JSON存储数据。"

Codex Agent响应示例:

步骤3: 使用Docs Agent编写文档

bash 复制代码 
openclaw agent --agent docs --message "先查看/home/thor/.openclaw/workspace/codex/todo_manager.py这个待办事项管理工具，接着编写对应的README.md文档，包括功能介绍、安装方法、使用示例和API说明。放在你的workspace下"

Docs Agent响应示例:

步骤4: 使用Analyst Agent分析代码质量

bash 复制代码 
openclaw agent --agent analyst --message "分析/home/thor/.openclaw/workspace/codex/todo_manager.py这个待办事项管理工具，给出代码质量评估、潜在问题和改进建议。"

Analyst Agent响应示例:

步骤5: 使用Main Agent进行总结和优化建议

bash 复制代码 
openclaw agent --agent main --message "基于codex生成的代码todo_manager.py、docs编写的文档和analyst的分析报告,给出项目的整体评估和下一步行动建议。" --thinking high

Main Agent响应示例:

4.4.2 案例2: 系统日志分析和问题诊断

这里带大家使用一种更直观的交互方式：openclaw tui，也就是终端UI，直接终端输入即可进入，这个模式下openclaw给你的结果会被自动渲染，同时可以通过/切换模式。

任务描述: 分析系统日志,找出性能瓶颈和错误模式,生成分析报告。

步骤1: 使用Analyst Agent分析日志

这里我们先使用/agent切换到analyst，然后就可以输入提示词了：

bash 复制代码 
分析/var/log/syslog文件,统计最近24小时的错误类型、频率和时间分布,识别异常模式。

步骤2: 使用Main Agent制定解决方案

我们也可以使用TUI设置Agent的思考时长，只需要输入 /think high就可以设置长思考时间：

bash 复制代码 
基于analyst的日志分析结果,制定问题解决方案和预防措施。

步骤3: 使用Docs Agent生成报告

bash 复制代码 
根据日志分析结果和解决方案,生成一份系统健康分析报告,包括问题描述、影响评估、解决方案和预防建议。
4.4.3 案例3: 动态Agent路由

OpenClaw支持根据用户请求自动选择最合适的agent处理。

创建智能路由脚本:

bash 复制代码 
cat > ~/openclaw_smart_route.sh << 'EOF'
#!/bin/bash

# OpenClaw智能路由脚本
# 根据用户输入自动选择最合适的agent

USER_INPUT="$1"

# 简单的关键词匹配路由
if [[ "$USER_INPUT" =~ (代码|编程|函数|bug|调试|实现) ]]; then
    AGENT="codex"
    echo "🔧 路由到代码专家..."
elif [[ "$USER_INPUT" =~ (文档|说明|手册|README|教程) ]]; then
    AGENT="docs"
    echo "📝 路由到文档专家..."
elif [[ "$USER_INPUT" =~ (分析|统计|日志|数据|报表) ]]; then
    AGENT="analyst"
    echo "📊 路由到数据分析师..."
elif [[ "$USER_INPUT" =~ (你好|谢谢|再见|怎么样) ]]; then
    AGENT="quick"
    echo "⚡ 路由到快速响应助手..."
else
    AGENT="main"
    echo "🧠 路由到主控agent..."
fi

# 执行请求
openclaw agent --agent "$AGENT" --message "$USER_INPUT"
EOF

chmod +x ~/openclaw_smart_route.sh

使用智能路由:

bash 复制代码 
# 代码相关问题自动路由到codex
~/openclaw_smart_route.sh "写一个Python函数计算斐波那契数列"
# 输出: 🔧 路由到代码专家...

# 文档相关问题自动路由到docs
~/openclaw_smart_route.sh "写一个README文档模板"
# 输出: 📝 路由到文档专家...

# 数据分析问题自动路由到analyst
~/openclaw_smart_route.sh "分析这个日志文件的错误分布"
# 输出: 📊 路由到数据分析师...

# 简单问候自动路由到quick
~/openclaw_smart_route.sh "你好"
# 输出: ⚡ 路由到快速响应助手...

# 复杂问题自动路由到main
~/openclaw_smart_route.sh "设计一个分布式系统架构"
# 输出: 🧠 路由到主控agent...

4.5 多Agent系统监控和优化

4.5.1 监控Agent性能

创建监控脚本:

bash 复制代码 
cat > ~/monitor_agents.sh << 'EOF'
#!/bin/bash

echo "=== OpenClaw Multi-Agent System Monitor ==="
echo ""

# 检查Gateway状态
echo "1. Gateway状态:"
systemctl --user is-active openclaw-gateway && echo "  ✓ Gateway运行中" || echo "  ✗ Gateway未运行"
echo ""

# 检查Agent列表
echo "2. Agent列表:"
curl -s http://localhost:18789/api/agents | python3 -c "
import sys, json
data = json.load(sys.stdin)
for agent in data.get('agents', []):
    status_icon = '✓' if agent['status'] == 'ready' else '✗'
    print(f\"  [{status_icon}] {agent['id']:10s} - {agent['name']:15s} ({agent['model']})\")
"
echo ""

# 检查系统资源
echo "3. 系统资源使用:"
echo "  内存使用:"
free -h | grep Mem | awk '{print "    总计: "$2"  已用: "$3"  可用: "$7}'

echo "  CPU使用:"
top -bn1 | grep "Cpu(s)" | awk '{print "    "$2" user, "$4" system, "$8" idle"}'

echo "  磁盘使用:"
df -h ~/.openclaw | tail -1 | awk '{print "    "$3" / "$2" ("$5" 已用)"}'
echo ""

# 检查Ollama模型
echo "4. 已加载的Ollama模型:"
curl -s http://localhost:11434/api/tags | python3 -c "
import sys, json
data = json.load(sys.stdin)
for model in data.get('models', []):
    size_gb = model.get('size', 0) / (1024**3)
    print(f\"  - {model['name']:50s} ({size_gb:.1f}GB)\")
"
echo ""

# 检查最近的日志
echo "5. 最近的Gateway日志 (最后5条):"
journalctl --user -u openclaw-gateway -n 5 --no-pager | tail -5
echo ""

echo "=== 监控完成 ==="
EOF

chmod +x ~/monitor_agents.sh

# 运行监控
~/monitor_agents.sh

预期输出:

4.5.2 性能优化建议

优化1: 模型预加载

bash 复制代码 
# 预加载常用模型到内存,减少首次调用延迟
ollama run qwen_claude_27:latest "test" > /dev/null &
ollama run qwen_claude_9:latest "test" > /dev/null &
ollama run glm-4.7-flash "test" > /dev/null &

# 等待模型加载完成
wait
echo "✓ 所有模型已预加载"

优化2: 调整模型参数

编辑 ~/.openclaw/openclaw.json,针对不同agent优化参数:

json 复制代码 
{
  "agents": {
    "quick": {
      "models": {
        "ollama/glm-4.7-flash": {
          "temperature": 0.8,
          "topP": 0.9,
          "maxTokens": 2048,
          "numPredict": 512,
          "repeatPenalty": 1.1
        }
      }
    }
  }
}

优化3: 启用请求缓存

json 复制代码 
{
  "gateway": {
    "cache": {
      "enabled": true,
      "ttl": 3600,
      "maxSize": 1000
    }
  }
}

4.6 故障排查和常见问题

问题1: Agent响应缓慢

诊断:

bash 复制代码 
# 检查模型是否已加载
curl -s http://localhost:11434/api/ps

# 检查系统资源
htop

解决方案:

  • 减少同时加载的模型数量
  • 增加系统内存
  • 使用更小的模型
问题2: Agent无法找到

错误信息:

复制代码 
Error: Agent 'codex' not found

解决方案:

bash 复制代码 
# 检查配置文件
cat ~/.openclaw/openclaw.json | grep -A 10 '"codex"'

# 重启Gateway
systemctl --user restart openclaw-gateway

# 验证agent列表
curl -s http://localhost:18789/api/agents
问题3: 模型推理错误

错误信息:

复制代码 
Error: Model inference failed: context length exceeded

解决方案:

bash 复制代码 
# 减少上下文长度
# 编辑agent配置,降低maxTokens
nano ~/.openclaw/openclaw.json

# 或使用更大上下文窗口的模型

至此,第四章多智能体系统配置与实战已经完成。你已经学会了:

  • 设计多agent架构
  • 配置不同规模的模型
  • 创建专业化的agent
  • 实现agent协作
  • 监控和优化系统性能

5. 使用Openclaw的建议

其实，使用本地Openclaw的最佳方式，就是先连接一个云端API，接着告诉它你的所有诉求（比如把这篇文档交给它），它就会给你配置好整个环境。用龙虾养龙虾才是打开龙虾的最正确方式。

相关推荐
OFIRM碳基硅基1 小时前
OFIRM-AGI-ASI官方标志图01版，发布
人工智能·agi·ofirm颠覆性
haina20191 小时前
海纳AI正式发布“面试Agent”——实现千岗千面与人机共管的智面新纪元
人工智能·面试·职场和发展
大信说财务2 小时前
2026年数电票管理生态：技术路线、市场格局与选型策略
人工智能·自然语言处理·电子发票·智能化·发票管理·财务工具
Deepoch2 小时前
Deepoc 开发板赋能工业巡检机器人自主感知与决策
人工智能·科技·机器人·巡检机器人·具身模型·deepoc
code 小楊2 小时前
DeepSeek V4 全面解析：测评、对比、案例及实操指南
人工智能·开源
ZPC82102 小时前
ROS2 速度远快于 UDP的完整方案（同机节点）
人工智能·算法·计算机视觉·机器人
AI袋鼠帝2 小时前
Claude Design完整系统提示词泄露！
人工智能
AI袋鼠帝2 小时前
阿里出手了，这次是"造世界"！
人工智能
大龄程序员狗哥2 小时前
第22篇：生成对抗网络（GAN）入门——AI艺术创作的“造假”与“打假”（概念入门）
人工智能·神经网络·生成对抗网络
热门推荐
012026年4月技术前沿：AI大模型爆发、智能体革命与量子安全新纪元02GitHub 镜像站点03近期有什么ai的新消息，新动态？ 2026.4月042026年4月AI大事件深度解读：大模型竞争进入“深水区“05codex app每次打开重连5次Reconnecting问题解决06AI Weekly | 2026年4月第二周 · GitHub热门项目与AI发展趋势深度解析072026年AI前瞻：量子AI、具身智能与科学发现的新纪元08CC-Switch & Claude 基于 Linux 服务器安装使用指南092026 年 AI 编程助手全面对比评测：Cursor vs Copilot vs Claude Code vs GitHub Copilot Free10Ubuntu 26.04 换国内源 清华源 阿里源 中科大源 华为源