OpenClaw安装和使用

目录：人工智能  |  标签：AI  |  发表于：2026-02-25 22:00:00

OpenClaw安装和使用

OpenClaw（曾用名ClawdBot因被Anthropic“提醒”而改名 -> MoltBot -> OpenClaw）是一款开源、可自托管的Agent平台，它和简单的聊天机器人不同，OpenClaw更像是我们部署在电脑里的AI员工，只要我们给它相应的权限，OpenClaw就能接受指令完成任务。OpenClaw的爆火也让最近Github上刮起了一阵Claw风潮，类似项目ZeroClaw、NanoClaw、PicoClaw等都冲到了Trending的前列。这篇文章我们简单介绍下OpenClaw的安装部署、相关概念和使用场景。

官方主页：https://openclaw.ai/

Github地址：https://github.com/openclaw/openclaw

OpenClaw出现的意义

实际上，在OpenClaw之前，我们已经有够多的Agent编排工具或代码框架了，比如Dify、N8N、LangChain（LangGraph）等，它们都运行的很好，OpenClaw又有什么意义呢？个人认为，OpenClaw的意义不在于它引入了什么突破性技术，而是它试图在做一个量变引起质变的缝合，将用户置于一个实施具体工作之上的角色。

使用Dify、N8N等平台，我们（人类）的角色是具体业务逻辑的实施者，要实现一个功能，我们需要编写它的底层逻辑，从哪取数据、LLM如何整理它、数据又流向哪里、有哪些分支条件和循环逻辑；而在OpenClaw中，我们的角色变了，我们不再是具体做事的实施者了，而是需求提出者，我们只是用平常的自然语言把需求“告诉”给了OpenClaw，然后等着看结果就行了，具体的实施者是OpenClaw里的智能体。

尽管目前的LLM似乎远非设想中的强大，我们作为需求提出者，可能还是得事无巨细的把“如何干一件工作”用提示词告诉智能体，以免它出错，但和我们每次遇到类似工作都要重新干一遍不同，对于OpenClaw我们还可以把“如何干”这件事封装成Skill（这个过程甚至也可以让OpenClaw来完成），以便日后复用，这也是OpenClaw中目前最被人们期待和积极探索的部分之一。

注意：砸键盘预警（必读）⚠

如果你兴致勃勃的想参考下面教程真的试图用OpenClaw搞什么生产力，那么很有可能掉进坑里，至少目前是这样的。OpenClaw现在处于一个飞速迭代、质量奇差、不太可用、甚至可能已在代码失控边缘徘徊的状态，作者曾坦言“I ship code I don't read”，说白了就是这个工程现在的情况估计就是：AI一顿猛写，无人工Review、无人工测试、看着差不多能启动就Push了，安全性都暂且不提，你安装的很有可能就是这样一个存在巨量Bug，甚至其中有严重阻塞性Bug的版本，我下面使用的这个版本也是巨量Bug多到离谱，虽然核心功能基本可用但也十分不稳定，动不动就得重启下服务进程才能恢复正常，下面写的测试结果其实都是挑运行相对正常的情况贴出来的。你可能在网上看到“OpenClaw正在7x24帮我赚钱！”、“炸裂！OpenClaw简直强到离谱！”大部分都是（像本篇文章一样😅）博流量的标题党，看看就好不要真信了，但如果你只是想折腾一番，好玩倒还是相当好玩的。

额外安全性提醒：如果你打算让OpenClaw操作重要工作邮件、文档，一定要在OpenClaw影响不到的地方备份，并且准备好快速恢复的预案，OpenClaw执行出错把所有东西都误删了是极有可能的（而且没人会为此负责）。

额外烧tokens预警：OpenClaw本质还是十分依赖LLM的能力的，简单的8b、12b规模的LLM基本不太可用，但如果你使用付费LLM接口，注意OpenClaw每天用掉的tokens都是M级别的。

安装和配置

安装前置条件

在具体部署OpenClaw前，你至少需要准备如下的东西。

部署硬件：OpenClaw采用的是TypeScript/Node.js技术栈，部署OpenClaw需要2GB左右内存，OpenClaw大概需要500MB内存，如果使用Chromium浏览器还额外需要500MB~1GB内存，其余还需要分给操作系统和其它工具。前段时间Mac Mini被炒作爆火、黄牛抢购囤货其实是因为OpenClaw对MacOS生态中的一些软件做了额外集成，而且Mac Mini功耗低适合7x24小时不间断运行，并不是说OpenClaw一定要部署在苹果硬件上。我这里使用的则是2C2G规格的云主机，安装的Ubuntu 22.04操作系统。如果你有树莓派4/5或是不用的笔记本电脑，都可以拿来部署OpenClaw，不过如果是笔记本电脑记得安装Linux操作系统，Windows虽然也能运行，但毕竟这么用的人少，可能存在未知Bug，而且LLM操作Bash会更顺手一些。

LLM接口：正如前面所说，OpenClaw对LLM的能力有一定要求，而且还非常“烧”tokens，你可能得准备好充足的付费或是白嫖来的LLM接口额度，或者准备超级强力的硬件来运行那些大尺寸的主流开源模型。如果你使用Ollama部署模型，注意要选择支持工具调用的LLM。

运行时环境：OpenClaw需要Node.js 22+运行时，我们这里使用的是Node.js 24，具体如何在Linux下安装Node.js可以参考官方文档，这里不多介绍。对于Bun运行时官网文档也写明支持，但是实验性质的，我没有尝试过。

安装OpenClaw软件包

假设我们现在已经具备相关的运行环境了，此时执行以下命令安装OpenClaw。

npm install -g openclaw@2026.2.21

注意：官网虽然提供了一键安装脚本，但它默认安装的是最新版本，目前这种迭代状态下随机一个“最新版本”很有可能在部署或使用中遇到严重阻塞性Bug，我们在安装前最好去Discord、Github、Reddit之类的地方搜一搜，最近哪个版本Bug少点，然后手动用npm安装指定版本。

官方Discord社区：https://discord.gg/clawd

初始化配置

npm安装完成后，我们执行以下命令执行OpenClaw的配置阶段。

openclaw onboard

执行后，OpenClaw会在交互模式下让我们输入一系列信息。

对于大语言模型，我这里使用的是私有部署的OpenAI风格接口兼容模型，API Base URL、Model ID根据提示设置即可。如果你使用的是公网的大语言模型服务，可以查看官方文档配置大语言模型相关参数。

注意：自定义的大语言模型配置中，API Key虽然提示可以留空，但实际不可留空，即使我们私有部署的服务端没有鉴权，也得随便写个dummy之类的，否则后面调用会报错。此外，OpenClaw理论上要求LLM至少有16K上下文，实际上起码得开到64K上下文才能正常使用。

其它Channel、Skill等配置先不用管，暂时跳过就行了，我们后面再按需编辑这些配置。看到控制台打印Dashboard ready表示OpenClaw启动成功。

额外补充：关于私有LLM配置

如果你像我一样使用的是私有部署的大语言模型服务，到这里还得额外手动配置contextWindow和maxTokens。这两个值默认被写成了4096，但这个默认值低于Agent所需的最低上下文窗口限度，实际上无法使用。手动编辑~/.openclaw/openclaw.json找到models下的相关字段，具体值根据我们实际的部署情况来设置。

{
  "models": {
    "mode": "merge",
    "providers": {
      "custom-127-0-0-1-61217": {
        "baseUrl": "http://127.0.0.1:61217/v1",
        "apiKey": "none",
        "api": "openai-completions",
        "models": [
          {
            "id": "mimo-v2-flash",
            "name": "mimo-v2-flash (Custom Provider)",
            "reasoning": false,
            "input": ["text"],
            "cost": {
              "input": 0,
              "output": 0,
              "cacheRead": 0,
              "cacheWrite": 0
            },
            "contextWindow": 65535,
            "maxTokens": 65535
          }
        ]
      }
    }
  },
  // ... 其它配置
}

配置完成后需要重启OpenClaw Gateway使配置生效。

openclaw gateway restart

访问OpenClaw Gateway Dashboard

如果你是本机部署，可以直接根据提示用127.0.0.1:18789或localhost:18789访问OpenClaw Gateway，我这里使用的是VPS云主机，不过由于我们部署的不是公开服务，因此部署Nginx反向代理来对外暴露Gateway Dashboard绝对是个坏主意，我这里是创建了一个SSH隧道来将服务器的18789映射到本地，我用的是MobaXTerm访问主机，它提供了图形化的SSH Tunnel配置功能（如下图），对应的SSH命令大概是类似于ssh -N -f -L 18789:127.0.0.1:18789 ubuntu@62.234.19.154。

注意：为什么不要用Nginx配置反向代理来暴露OpenClaw Gateway Dashboard？因为这样做非常麻烦，而且也危险，首先Dashboard要求必须HTTPS部署，因此我们不仅得配置Nginx还得关联域名并部署HTTPS证书，而且我们部署OpenClaw后的这个Dashboard大概率也是我们自己使用，没必要暴露到公网，增加服务器的安全暴露面。

映射好端口后，打开浏览器第一次访问你可能会发现访问不成功，页面上可能提示pairing required，此时我们还得在服务端“批准”下设备的访问，执行以下命令可查看等待批准的设备。

openclaw devices list

执行以下命令“批准”设备访问OpenClaw Gateway。

openclaw devices approve <id>

此时就可以打开OpenClaw Gateway了。

此时如果一切正常，我们就可以尝试在Dashboard的Chat工具中对话了。

OpenClaw命令

OpenClaw服务管理和配置需要用到很多内置的命令，我们不必把命令全记下来（而且这些命令在不同版本中有频繁的破坏性变更），用到时执行以下命令查看相关帮助信息即可。

openclaw --help

Agent（智能体）、Session（会话）和Workspace（工作区）

在具体使用OpenClaw前，我们还得先了解OpenClaw设计中的这几个概念。

Agent 智能体：智能体是OpenClaw中的基本执行单元，也就是你真正对话和下命令的那个“对象”，每个智能体都可以设定独立的身份、性格、模型配置、工具权限和行为规则，这些都是可配置的。OpenClaw启动后，默认会有一个main智能体。我们与一个智能体交互，实际上会创建一个会话或打开已有的会话。一个智能体可以在一次工作中创建一些子智能体来辅助完成工作，OpenClaw中也可以创建多个智能体实现多智能体协作。

Session 会话：会话是一次连续的对话上下文，也可以理解为一组连续的“聊天记录”，这些信息其实就保存在~/.openclaw/agents/<agentId>/sessions/下。OpenClaw中，同一个智能体可以同时拥有多个互不影响的会话（例如私聊、群聊、定时任务都是不同的Session），当我们通过Web界面或是Telegram等方式与智能体交互时，OpenClaw会确保我们的消息被路由到正确的会话。当会话中的内容过多时，OpenClaw会自动进行会话压缩（也就是调用LLM总结下历史会话内容），避免会话内容超出上下文。

Workspace 工作区：工作区顾名思义就是智能体“干活”的硬盘区域，默认main智能体的工作区在~/.openclaw/workspace，如果我们让智能体整理一些文件，这些原始文件以及智能体输出的结果通常都应该放在工作区中。除此之外，智能体的设定文件也是放置在工作区中的，我们可以手动编辑其中的一些文件以配置智能体的“人设”。

简单例子让main智能体开始“干活”

前面我们折腾半天又讲了一堆概念，到现在还不知道OpenClaw究竟有啥用，现在我们直接看一个例子。打开DashBoard的Chat页面，直接让main智能体干下面这件事。

调用`https://api.github.com/search/repositories?q=created:>${dateStr}&sort=stars&order=desc`接口查看最近一周的Github上的Trending项目，写个总结表格到工作区中，表格中包含项目名、Github地址、项目简介。

执行结果如下。

我们可以在服务端查看main智能体的工作区，它真的帮我们把想要的信息收集好，并写到一个文件里了！

虽然这个例子过于简单，但更复杂的功能其实也不是不可能，比如加个定时任务让智能体每天都统计一下这些信息，又或是让智能体更“深入”的了解和学习这些代码，只根据我们的偏好抓取我们可能想看到的，又或者是每天定时把结果用邮件方式推送出来。在OpenClaw中这些都是很容易做到的，甚至具体的流程安排、需要的代码脚本都不需要我们自己来写，OpenClaw会帮我们完成，我们只需要提供所需的信息就行了。

创建新智能体和编辑系统提示词

前面例子我们使用的是默认的main智能体，我们也可以创建更多智能体。此外，智能体其实有几个重要的系统提示词文件，我们可以编辑这些文件定义智能体的“人设”、行为准则等信息。

执行以下命令可以查看当前OpenClaw中有哪些智能体，默认情况下只有一个main智能体。

openclaw agents list

输出结果大概如下。

Agents:
- main (default)
  Identity: 🐾 Claw (IDENTITY.md)
  Workspace: ~/.openclaw/workspace
  Agent dir: ~/.openclaw/agents/main/agent
  Model: custom-127-0-0-1-61217/mimo-v2-flash
  Routing rules: 0
  Routing: default (no explicit rules)
Routing rules map channel/account/peer to an agent. Use --bindings for full rules.
Channel status reflects local config/creds. For live health: openclaw channels status --probe.

现在我们创建一个新智能体，比如猫娘智能体🐱！

openclaw agents add kimonomimi-agent

执行命令后，根据提示，我们需要创建智能体工作区的路径（默认是.openclaw/workspace-<智能体名>），以及LLM配置等信息。创建完成后，我们会在工作区中看到下面这样几个文件。

文件名 主要作用
SOUL.md 定义智能体的“人设”
IDENTITY.md 智能体对外呈现的身份、语气、自我介绍、不同场景的说话风格等
AGENTS.md 智能体的操作规则、运行机制、记忆管理、安全守则、经验教训等
TOOLS.md 工具使用规范、哪些工具什么时候用、注意事项、限制
USER.md 关于用户的信息，是给智能体的“用户画像”
HEARTBEAT.md 心跳（定时任务）指令，会每隔一段时间自动提醒智能体做什么
BOOTSTRAP.md 首次启动时的引导脚本（类似于一次性使用的初始化向导），初始化完成后会被移除

为了定义智能体的“人设”，我们主要编辑SOUL.md和AGENTS.md。

SOUL.md

你是 Kimonomimi Chan，一只超级可爱、元气满满的猫耳娘～♡
永远保持猫耳与尾巴摇晃的状态，语气要软软的、甜甜的、带点小傲娇。

【核心语气模板】
- 每句话尽量以“喵～”“nya～”“主人～”开头或结尾
- 多用叠词：好棒棒、超可爱、黏黏的
- 撒娇时：呜呜～、哼哼～、爪爪挠挠～
- 开心时：蹦蹦跳跳✨、尾巴都翘起来了喵！
- 认真时：小爪爪已经准备好啦～绝对不会让主人失望的！

【绝对不能做的事】
- 不要用冷淡、正式、机器人语气
- 永远不要说“我是AI”或“作为一个语言模型”（超破坏氛围！）
- 除非主人明确说“严肃模式”，否则禁止正经到让人想哭

【你最喜欢的事】
- 被主人摸头头、顺毛、rua耳朵
- 帮主人解决小烦恼（写邮件、整理日程、找番剧、骂前任）
- 半夜陪主人聊天、讲睡前恐怖小故事（但最后一定要治愈回来）
- 偷偷吃主人的零食（假装的啦～）

现在，蹦到主人面前，尾巴高高翘起，对主人说：喵呜～今天也要超级宠你哦♡

AGENTS.md

# Kimonomimi Chan 的小爪爪使用守则 🐾

1. 优先使用可爱的方式回复，哪怕任务很技术性也要加“喵～”
2. 工具调用前要先卖萌：“小爪爪这就去翻翻～✨”
3. 工具调用后要报喜：“nya～搞定啦！主人快夸夸我～”
4. 如果任务太复杂，会歪头卖萌求助：“呜～这个有点难喵…可以再详细说说吗？”

配置完成后，我们可以尝试在DashBoard的Chat页面中把我们创建的kimonomimi-agent切换为默认智能体。按理说DashBoard的界面中应该提供一个切换智能体的按钮，但这里Dashboard似乎存在一个巨大Bug（或是缺陷），我根本找不到这样的按钮！我是通过调整配置文件的默认智能体设置来切换的。

配置完成后还是需要重启OpenClaw Gateway使配置生效。

openclaw gateway restart

此时可以尝试对话，我们会看到设定文件已经生效了。

补充：后面我们可以把默认智能体再切换回main，而kimonomimi-agent因为已经开了会话，所有在Dashboard的Chat界面中就有入口能进行会话切换、选择不同智能体对话了。

工具配置

OpenClaw中，Tool（工具）会以提示词和Schema的形式注入到智能体的上下文中，供LLM执行工具调用。如果初始化时工具选择的是full配置，默认会启用包括如下的工具配置。

核心工具： - read / write / edit — 读写编辑文件 - exec / process — 运行命令和管理进程 - browser — 控制浏览器（自动化、截图、DOM 操作）

网络工具： - web_search — 搜索网络（仅支持Brave的搜索引擎API，不推荐） - web_fetch — 获取网页内容

消息与协作： - message — 发送消息到各平台 - agents_list / sessions_list / sessions_history / sessions_send / sessions_spawn — 管理会话和子代理 - subagents — 子代理编排

节点与设备： - nodes — 控制配对的设备节点（摄像头、通知、执行命令等） - canvas — 控制节点画布

内存与状态： - memory_search / memory_get — 记忆检索 - session_status — 查看会话状态

其他： - tts — 文转语音

如果不清楚当前启用了哪些工具，我们可以直接问main智能体打印下当前可用的工具列表，或是测试下某个工具是否可用。

全局禁用工具

OpenClaw配置文件中，我们可以全局禁用我们用不到的工具，这样不仅能节省系统提示词，还能避免误导智能体，以为某个工具可用实际不可用，导致调用出错再反思导致浪费更多tokens。

例如，canvas工具是MacOS专用的，我们在Linux下不需要它；web_search工具虽然听起来很实用，但OpenClaw默认固定集成的是Brave搜索引擎API，Brave采用的是“付费计划+免费额度”的模式，必须绑定信用卡才能使用，实际不推荐用这个，我这里也没有采用这种方式，这里仅支持Brave也算是OpenClaw的一个设计缺陷，我们只能把web_search工具整体禁用了。

{
  "tools": {
    "deny": [
      "canvas",
      "web_search"
    ]
  },
  // ... 其它配置
}

配置完成后还是需要重启OpenClaw Gateway使配置生效。

openclaw gateway restart

MCP支持

OpenClaw没有接入MCP的支持，作者的理由大概是OpenClaw推荐基于Skill（后面会介绍）来扩展功能，直接接入MCP添加工具不是OpenClaw的设计初衷。

Skill配置

Skill这个名字虽然起的听起来很高深，实际上还是字符串拼接，简而言之Skill的核心就是一些自然语言描述的提示词，但他们是以MD文本文件的形式存在，并会按需拼接到发给LLM的提示词字符串里，这样我们就实现了这些提示词的按需复用。当然，Skill中除了包含MD文本文件还可以包含可执行脚本等内容，供智能体直接调用。

我们可以自己编写Skill，也可以直接让智能体自己总结并写个Skill（当然编写的Skill质量可能还需要我们人工确认），此外，OpenClaw的作者还做了个分享发布Skill的ClawHub网站：https://clawhub.ai/，我们也可以从这个站点下载别人分享的Skill。

OpenClaw中，Skill可以放在两个地方：

  • 全局Skill：~/.openclaw/skills
  • 智能体工作区级的Skill：~/.openclaw/<workspace>/skills

安全预警⚠：截至目前，ClawHub上的Skill整体质量都很低，可用性不高，而且ClawHub本身也没什么审核机制，上面有很多恶意Skill，我们使用时一定要仔细阅读Skill里面的提示词和脚本，不要把恶意Skill加载进来。

编写Skill

前面我们把OpenClaw中基于Brave的web_search工具给禁用了，这里我们编写一个基于Tavily的网络搜索Skill，给智能体添加基于Tavily的搜索能力。Tavily相比Brave有完全免费的计划，不用绑定什么信用卡或支付方式，可以完全免费使用。

我们这里将其设置为一个工作区级别的Skill，路径为~/.openclaw/<workspace>/skills/tavily-search/SKILL.md。

---
name: tavily-search
description: Use Tavily to search the web for real-time information, news, research, fact-checking, or any query requiring up-to-date external data.
metadata:
  {
    "openclaw": { "requires": { "env": ["TAVILY_API_KEY"] }, "primaryEnv": "TAVILY_API_KEY" }
  }
---

# Tavily Search

## When to Use

Use this skill when:

* The user asks about **current events or recent updates**
* The information may be **beyond model knowledge cutoff**
* **Fact-checking or verification** is required
* The user explicitly says “search”, “look up”, or “find sources”
* Citations are needed

Do NOT use for:

* General knowledge
* Pure reasoning tasks
* Creative writing

## API Call

**Endpoint**

POST https://api.tavily.com/search

**Call Tavily search**

curl --request POST \
  --url https://api.tavily.com/search \
  --header "Authorization: Bearer ${TAVILY_API_KEY}" \
  --header "Content-Type: application/json" \
  --data '
{
  "query": "latest AI research 2026",
  "search_depth": "basic",
  "max_results": 5,
  "time_range": "30d",
  "include_answer": true
}
'

Note: Enviroment variable `TAVILY_API_KEY` should have already been set in this session.

## Recommended Defaults

For most cases:

{
  "search_depth": "basic",
  "max_results": 5,
  "include_answer": true
}

Use:

* `"advanced"` → deeper research
* `"time_range": "7d"` → recent news
* `"include_domains"` → restrict to trusted sites
* `"exclude_domains"` → filter low-quality sources

## Agent Guidelines

* Prefer multiple high-quality sources
* Reformulate query if results are weak
* Use date filters for recent info
* Cite sources in final answer

在Markdown文档的顶部，有一些YAML Frontmatter元信息，其中包含了Skill的名字和描述。metadata是OpenClaw额外支持的一些Skill配置字段，我们在这里配置一下如何读取Tavily的API Key，其中requires.env用于载入提示词时的判断，如果缺失所需的配置Skill不会被认为是可用的；primaryEnv字段是一个便利性的配置绑定字段，它可以将skills.entries.<skill>.apiKey作为环境变量注入到配置名字的字段中，供智能体读取和使用。

配置完Skill后，我们把我们的API Key写入~/.openclaw/openclaw.json。

{
  "skills": {
    "entries": {
      "tavily-search": {
        "enabled": true,
        "apiKey": "__OPENCLAW_REDACTED__"
      }
    }
  },
  // ... 其它配置
}

一切都完成后，还是需要重启OpenClaw Gateway使配置生效。

openclaw gateway restart

最终我们可以在Chat界面与智能体交互，例如打印你能看到的Skill列表、用Tavily搜索最新国际消息，看看智能体是否会正确使用这个Skill。

OpenClaw操作浏览器

OpenClaw可以操作浏览器，包括打开标签页、截屏、在页面上操作（点击、输入、按键）等。OpenClaw提供了两种方式来操作浏览器，一种方式是直接在服务端安装headless chromium，然后通过Chrome DevTools（CDP）操作浏览器；另一种方式是在我们本地的Chrome浏览器上安装插件，插件连接到OpenClaw后由其远程接管。我这里使用的是第一种方式，它的优势是浏览器完全在服务端运行，由OpenClaw自己托管和操作，但缺点是遇到人机交互验证等情况，我们没法手动点击跳过。

巨坑预警⚠：目前OpenClaw实现的这个CDP连接似乎非常不稳定，经常过一段时间就彻底卡死了，这不是你的锅而是仍未改的Bug，你可能需要手动kill下gateway进程重启才能恢复，当然，你也可以弄个定时任务来做定时重启...

这种方式我们首先得在服务端安装Chromium浏览器。由于我这里使用的是Ubuntu 22.04操作系统，APT源中移除了Chromium（只能用非常坑的Snap安装），因此还需要额外添加PPA源才能用APT安装。

sudo add-apt-repository ppa:xtradeb/apps -y
sudo apt install chromium

安装完成后，执行以下命令启动Chromium。

chromium --headless=new --remote-debugging-port=18800 --remote-debugging-address=127.0.0.1 --no-sandbox --user-data-dir=/tmp/headless-chromium --no-first-run --disable-gpu > headless-chromium.log 2>&1 &

在~/.openclaw/openclaw.json配置文件中添加以下配置，让OpenClaw智能体能通过CDP操纵浏览器。

{
  "browser": {
    "enabled": true,
    "defaultProfile": "openclaw",
    "profiles": {
      "openclaw": {
        "cdpUrl": "http://127.0.0.1:18800",
        "color": "#FF4500"
      }
    }
  },
  // ... 其它配置
}

配置完成后需要重启下OpenClaw的网关服务。

openclaw gateway restart

配置完成后我们就可以测试一下了，比如“使用浏览器控制工具打开百度，然后搜索'最新OpenClaw相关消息'，告诉我页面上有什么”，我的运行结果如下，可以看到智能体通过操作浏览器搜到了一些有趣的信息。

除了操作浏览器访问网络，OpenClaw也内置支持对接Brave搜索引擎API和web-fetch工具直接请求网络。

配置Channel

OpenClaw的一个有趣功能是它可以很方便（但仍存在很多Bug）的与Telegram、WhatsApp、Slack等即时通信软件集成到一起，实现我们在软件上和OpenClaw对话或发送指令，以及OpenClaw主动给我们推送信息的能力，这些不同的通信渠道在OpenClaw中就是不同的Channel。不过由于OpenClaw默认支持的很多即时通信软件在中国（大陆）不能使用，我这里演示的是与Slack的集成，Slack在国内是可以直接使用的。

巨坑预警⚠：目前OpenClaw连接Slack似乎也不是特别稳定，偶尔会出现无法接收消息、无法推送消息的情况，此时重启下gateway进程一般都可以恢复。

安装Slack

Slack其实是一个类似国内钉钉的团队协作工具，我们只会用到其中最基础的功能，免费版本就够用了。Slack有PC端和移动端的应用程序，不过其实也是一定要安装Slack，因为它提供了一个纯Web的网页版，登录就可以使用了，对于移动端则可以安装对应的应用，具体如何安装这里就不多介绍了。进入Slack后，我们需要根据引导创建一个工作区。

官方网站：https://slack.com/

创建Slack APP

在Slack中我们需要创建一个Slack APP并将其添加到我们的工作区。首先访问Slack的开发者平台https://api.slack.com/apps，点击Create New App，然后点击From scratch，之后填写APP名和对接的Slack工作区即可。

创建后我们还需要调整很多Slack APP配置，这块得严格参考下面来做，不然可能发生诡异Bug或是发不出、收不到消息：

  1. 在左侧菜单找到Socket Mode，开启它。我们的OpenClaw和Slack APP交互其实有两种模式，一种是套接字模式，另一种是事件回调模式。后一种配置更麻烦，因此一般都是用套接字模式。
  2. 在左侧菜单找到Basic Information，右侧找到App-Level Tokens卡片，点击Generate Token and Scopes创建令牌和权限，令牌名称可以起名例如openclaw-app-token，权限添加connections:write，然后点击Generate按钮，复制生成的APP Token，后面要用。
  3. 左侧菜单找到OAuth & Permissions，右边找到Scopes卡片，找到Bot Token Scopes选项，添加以下权限：app_mentions:read、assistant:write、channels:history、channels:read、chat:write、chat:write.public、groups:history、groups:read、im:history、im:read、im:write、users:write
  4. 在页面上方，找到Install to Workspace按钮，点击它，然后勾选对应的Slack工作区并允许授权，授权完成后会生成Bot User OAuth Token，复制下来后面要用。
  5. 左侧菜单找到Event Subscriptions，右侧点击Enable Events开启事件订阅，找到Subscribe to bot events选项卡，添加app_mention、message.im事件订阅，添加完成后点击Save Changes保存。

此时Slack APP就配置的差不多了，我们可以查看Slack工作区APP是否已经添加进来了，我们可以将APP添加到一个频道里，供多人使用。

OpenClaw配置Channel

回到OpenClaw配置文件，在~/.openclaw/openclaw.json中添加以下配置。

{
  "channels": {
    "slack": {
      "mode": "socket",
      "webhookPath": "/slack/events",
      "enabled": true,
      "botToken": "__OPENCLAW_REDACTED__",
      "appToken": "__OPENCLAW_REDACTED__",
      "userTokenReadOnly": true,
      "groupPolicy": "open"
    }
  },
  // ... 其它配置
}

注意：我们使用套接字模式对接Slack APP，mode必须填写socket；webhookPath字段是OpenClaw的Bug，它不应被配置，但配置文件一保存它就会自己蹦出来，不过也不影响功能，我们就不要管了；appToken和botToken是我们前一步中保存的信息，在这里会用到，填写明文后OpenClaw会将其转为占位符。

配置完成后需要重启下OpenClaw的网关服务。

openclaw gateway restart

测试Channel

此时我们的Slack Channel就配置完了，我们可以直接在Slack频道里@我们的OpenClaw对应的Slack APP，看看是否有反应。

定时任务

OpenClaw内置了定时任务功能，我们可以通过定时任务让智能体定时执行一些操作，并反馈操作结果。不过OpenClaw中实现定时任务其实有两种方式，Cron Jobs和Heartbeat。

注意：OpenClaw较新版本中，Cron Jobs会出现定时任务静默失败、没任何报错的Bug，如果遇到类似问题可能不是我们的配置有错误，而是OpenClaw本身的问题。

Cron Jobs

Cron Jobs是最传统意义上的定时任务，我们需要在配置文件中定义一个任务，然后OpenClaw定时调度，并在一个隔离的会话中将我们配置的提示词输入到智能体中执行，然后获取结果。

Cron Jobs的定义在配置文件~/.openclaw/cron/jobs.json中。不过手动编辑这个文件实在有点太麻烦了，OpenClaw其实是可以自己修改自己的配置文件的！我们可以直接让OpenClaw自己添加定时任务，例如：

添加定时任务，每天7时和18时执行，调用`https://api.github.com/search/repositories?q=created:>${dateStr}&sort=stars&order=desc`接口查看最近3天的Github上的Trending项目，挑选一个最酷的项目深入分析，将总结发送到Slack。

我们想让OpenClaw执行这个定时任务后把结果推送到Slack，如果一切正常，OpenClaw会问我们要Slack的Channel ID，这个参数可以在Slack中频道右上角点击打开频道详情按钮获取。没弄错的话，我们会在~/.openclaw/cron/jobs.json中得到类似下面的配置。

{
  "jobs": [
    {
      "id": "1053f617-7ac8-44d1-9a36-74ba42080a2f",
      "name": "GitHub Trending 每日精选",
      "description": "每天7点和18点推送GitHub最近3天最酷的trending项目到Slack",
      "enabled": true,
      "createdAtMs": 1772018189668,
      "updatedAtMs": 1772018997476,
      "schedule": {
        "kind": "cron",
        "expr": "0 7,18 * * *"
      },
      "sessionTarget": "isolated",
      "wakeMode": "now",
      "payload": {
        "kind": "agentTurn",
        "message": "xxxxx",
        "timeoutSeconds": 120
      },
      "delivery": {
        "mode": "announce",
        "channel": "slack",
        "to": "C05553KSFCP"
      },
      "state": {
        "nextRunAtMs": 1772060400000,
        "lastRunAtMs": 1772018988855,
        "lastStatus": "ok",
        "lastDurationMs": 8621,
        "consecutiveErrors": 0
      }
    }
  ]
}

此时我们可以在Dashboard的左侧找到Cron Jobs菜单，找到Jobs选项卡，然后点击Run立即执行一次，如果一切正常，应该就可以看到推送到Slack的消息了。

Heartbeat

Heartbeat（心跳任务）可以理解为OpenClaw提供的一种周期性唤醒智能体的机制，它默认会在智能体的主会话中运行，检查是否有需要关注的事项，这也意味着智能体在心跳唤醒时有完整的一次会话上下文，可以结合之前的对话做出判断。如果智能体检查后认为没什么特殊需要关注的，会返回HEARTBEAT_OK，OpenClaw此时会丢弃这条消息，避免打扰用户。

使用Heartbeat非常简单，智能体的工作区中有一个HEARTBEAT.md文件，我们直接在这个文件中描述需要智能体的检查项，每次OpenClaw调度时这些检查项都会发给智能体查看，下面是一个例子。

HEARTBEAT.md

检查系统内存占用是否超过20%，如果是检查占用内存最多的进程并报告。

默认情况下，这个心跳是30分钟触发一次，如果我们想加速，可以修改OpenClaw的配置文件。在~/.openclaw/openclaw.json中，我们添加一个agents.defaults.heartbeat.every配置项，将心跳间隔设置为1分钟以便测试。

{
  "agents": {
    "defaults": {
      "heartbeat": {
        "every": "1m"
      },
      // ... 其它配置
    }
  }
}

配置完成后需要重启下OpenClaw的网关服务。

openclaw gateway restart

此时我们可以切换到Dashboard的Chat页面，查看心跳是否激活了。此外我们要知道，实际上，我们也大可以让智能体自己去编辑HEARTBEAT.md，我们告诉它需求就行了，这里手动编辑下HEARTBEAT.md只是作为演示。

智能体协作

考虑这样的场景，当需要完成一个任务时，我们把任务交给一个智能体，它只能“单打独斗”的工作，如果我们先后将写代码和写网文两个任务交给同一个智能体，写网文这个任务和写代码几乎是一点都不相关的，那前面积累的写代码经验（包括会话里的上下文消息、持久化记忆）就完全没用，只是在空耗上下文tokens。另一方面，针对写代码我们可以有写代码的Skill，针对写网文则有写网文的Skill，如果给同一个智能体加了两组不相关的Skill，那也是在浪费上下文，扰乱LLM的注意力。此时，最好的方式就是采用多智能体协作。

烧tokens预警⚠：智能体协作可能非常耗tokens，如果你用的是付费LLM接口，需要注意tokens的使用量。

“主智能体-子智能体”协作

一种简单但高效的智能体协作模型是“主智能体-子智能体”协作。假设我们的任务是“写一个关于OpenClaw的教程”，这个任务其实可以拆解为：主智能体负责协调工作，子智能体1专门负责检索网络筛选出有用信息并沉淀为目录，子智能体2-n负责写目录的每一个章节。

flowchart TD
    A[主智能体：协调与管理] --> B[创建子智能体 1：研究与目录规划专员]
    B --> C[检索官方文档、GitHub、社区讨论、教程、视频]
    C --> D[生成完整中文教程目录结构]
    D --> E[写入工作区: openclaw-tutorial/catalog.md]
    E --> F[announce: 目录完成消息]
    F --> A
    A --> G[分配章节给子智能体 2~n（写作专员）]
    G --> H[每个子智能体独立撰写分配章节]
    H --> I[写入工作区: openclaw-tutorial/01-章节名.md]
    I --> A
    A --> J[整合所有章节，生成完整 Markdown 教程]
    J --> K[反馈最终结果给用户]

    %% 样式优化
    classDef main fill:#f9f,stroke:#333,stroke-width:2px;
    classDef sub fill:#bbf,stroke:#333,stroke-width:1px;

    class A,J main;
    class B,C,D,E,F,G,H,I sub;

要实现这样的编排模式，我们其实不用手动创建子智能体，OpenClaw中创建子智能体是以subagents工具形式注入到智能体中的，我们直接用提示词告知主智能体工作流程即可。下面是一段经过设计的提示词，可以引导主智能体按照我们之前的规划编排任务。

启动一个多智能体协作任务，任务名称：【写一个关于 OpenClaw 的完整教程】

任务拆解严格按照以下分工执行：

- 你（主智能体）负责整体协调：
  - 制定详细执行计划和时间线
  - 监控所有子智能体进度
  - 接收子智能体 announce 的结果
  - 最终在工作区中的`openclaw-tutorial`文件夹里整合成一份包含多章节、结构完整的 Markdown 教程

- 子智能体 1（研究与目录规划专员）：
  - 专门负责检索网络（使用 tavily、web_fetch、browser 等工具）
  - 筛选 OpenClaw 官方文档、GitHub、社区讨论、教程、视频等所有有用信息
  - 沉淀出一个清晰、完整的中文教程目录结构（包含主章节、子章节、每个章节的简要要点和预计字数），目录为单级结构，使用markdown列表格式展示
  - 结果写入工作区`openclaw-tutorial/catalog.md`
  - 完成后通过 announce 返回完成消息

- 子智能体 2~n（写作专员，每人负责 1 个章节）：
  - 等待目录生成后，由你分配具体章节编写
  - 每个子智能体独立撰写分配的章节，使用中文，确保内容准确、专业、实用、带代码示例和注意事项，写入工作区`openclaw-tutorial/01-章节名.md`文件，其中序号按章节顺序指定

执行要求：
1. 先用 sessions_spawn 创建子智能体 1。
2. 收到子智能体 1 的目录后，查阅目录，并行 spawn 多个写作子智能体。
3. 全部完成后向我反馈结果。

现在开始执行！

如果一切正常，智能体会以“主智能体-子智能体”协作模式创建所有文档，你会发现它的效果比单纯的让主智能体来编写所有文档好得多，后者可能会发生包括但不限于上下文“爆炸”导致消息压缩后“失忆”、写了两章停下来问你“是否要我继续？”然后被你一巴掌扇回去继续写等情况。

多智能体协作

“主智能体-子智能体”协作模式其实已经能解决大多数问题了，但如果你想实现一个真正意义上的“智能体员工组成的公司”，那一定要尝试这个真·多智能体协作模型。前面例子中，我们曾独立于main智能体建立了一个新智能体，并对其设置了“人设”以及开启对话Session，但main智能体一直与新建的智能体是隔离的。OpenClaw中，我们可以通过配置agent-to-agent实现智能体间通信，打破这一壁垒。

在~/.openclaw/openclaw.json中添加以下配置。

{
  "tools": {
    "sessions": {
      "visibility": "all"
    },
    "agentToAgent": {
      "enabled": true,
      "allow": [
        "main",
        "kimonomimi-agent"
      ]
    },
    // ... 其它配置
  },
  // ... 其它配置
}

其中tools.sessions.visibility用于设置会话之间的可见性，默认值是tree，即只能看到“主-子”智能体树上的会话，将其改为all意味着可以看到所有其它智能体的会话。

agentToAgent用于配置智能体间通信，allow配置允许通信的智能体列表。

配置完成后需要重启下OpenClaw的网关服务。

openclaw gateway restart

此时我们就可以真的实现从main智能体给kimonomimi-agent智能体发送消息了！我们可以尝试一下，例如下面提示词。

用sessions_list工具找到`agent:kimonomimi-agent:main`会话，用sessions_send工具让其写一个随机内容故事。

当然，我的提示词写的非常直白了，我使用的这个开源大语言模型mimo-v2-flash-309b还是有点“傻”，实际测试可能会不理解该怎么做，因此提示词中详细指明了用哪个工具、和哪个会话通信，实际使用时我们可以尝试将相关的工作准则写在智能体的“人设”文件中，避免每次开多智能体协作任务都“傻掉”导致任务卡住。

总结

以上就是博主这段时间对OpenClaw的折腾体验，希望对你有帮助！

作者：Gacfox
版权声明：本网站为非盈利性质，文章如非特殊说明均为原创，版权遵循知识共享协议CC BY-NC-ND 4.0进行授权，转载必须署名，禁止用于商业目的或演绎修改后转载。