我的 Telegram 里最近多了好多群。一个群跟龙虾聊日常事务，一个群专门让写作助手润色文章，还有一个群让资讯助手收集行业信息。这些群背后是同一个 Bot，只是按任务拆成了不同的 Agent。
之前所有事情都堆在一个 session 里，写文章的对话和日常闲聊混在一起，聊着聊着上下文就串了，记忆也越来越臃肿。拆开之后各管各的，干净多了。
这是 OpenClaw 原生支持的多 Agent 方案，一个实例内配多个 Agent，通过路由规则把不同群组分配给不同 Agent，比跑多个进程轻量。
加上我本来就配了好几个实例，现在每个实例还能再拆 Agent，相当于手上有了一支可以持续扩编的 AI 团队。
多实例 vs 多 Agent
简单说一下这两种方式的差异。
多实例的优势是容灾能力强，一个实例挂了，另一个可以主动修复，不需要人为干预。缺点是每个实例都要单独启动、监控、更新，服务器资源占用也更多。
单实例多 Agent 的优势是轻量，一个进程、一个端口，配置集中管理。但如果进程挂了，所有 Agent 一起挂。
两层不冲突。建议保留多实例做容灾基础，在单个实例内部再用多 Agent 做任务细分。
Agent 隔离机制
在 OpenClaw 里，一个 Agent 不只是一段 prompt。每个 Agent 有自己的工作目录（SOUL.md、USER.md、skills 都在这里）、自己的状态目录（session 数据、记忆文件，按 agentId 自动隔离）、自己的对话历史。即使两个 Agent 在同一个 Telegram bot 下运行，它们的记忆也是完全分开的。
这种隔离是物理级别的，不同 Agent 的记忆存储在不同的目录和数据库文件里，不会互相污染。
实操：全部让龙虾帮我配
拿我的一个实例来说，一个 Telegram bot 专门负责内容营销，日常沟通就交给主 Agent，公众号写作交给写作助手，资讯收集交给另一个助手。
配置 Agent 自己要做的事情很简单：建 Telegram 群，把 bot 拉进去，然后把群 ID 告诉主 Agent。剩下的配置工作全部交给龙虾完成。
龙虾会为每个 Agent 创建独立的工作目录，写入各自的 SOUL.md 定义人格（写作助手专注润色文章，资讯助手专注信息收集），在 openclaw.json 里注册 Agent 列表和路由规则（bindings），把群组加入白名单并设置为不需要 @ 就能响应。
OpenClaw 也提供了命令行向导 openclaw agents add，可以自动处理目录结构和基础配置，不过让龙虾来做的好处是它能根据你的描述直接把 SOUL.md 和路由规则一步到位写好。
这个过程有几个点值得记录一下。
第一个是 Telegram bot 的 Group Privacy 模式。
默认开启的情况下，bot 在群里只能看到 @ 它的消息，普通消息收不到。需要去 @BotFather 发 /setprivacy，选 Disable 关掉。改完之后要把 bot 从群里移除再重新拉进来，Telegram 要求重新入群才能让新设置生效。
还有一个替代方案：直接把 bot 设为群管理员，管理员不受 Privacy 模式限制，省去移除再拉回的操作。
第二个是群 ID。
从 Telegram Web 地址栏拿到的数字可以直接用，但要注意普通群和超级群的 ID 格式不同。
Workspace 共享还是独立
这个问题我跟龙虾专门讨论了一下。结论是：workspace 共享，记忆独立。
共享 workspace 意味着写作助手能读到主 Agent 的 SOUL.md、USER.md、写作风格偏好、素材文件，不用重复维护。而写作助手的对话历史和 session 记忆不会污染主 Agent，因为状态目录（agentDir）是始终按 agentId 自动隔离的。
这样写作助手既了解我的风格和上下文，又不会因为写了 10 篇文章把主 Agent 的记忆撑爆。
如果某个 Agent 会大量创建文件（比如生成很多草稿），那就给它独立 workspace，避免文件操作干扰其他 Agent。每个 Agent 的 workspace 路径可以在 openclaw.json 里单独指定，不指定则默认共享。
两种交互方式
配好之后，跟子 Agent 交互有两种方式。第一种是直接去对应的群里聊。适合长时间的协作场景，比如花一个小时跟写作助手打磨一篇文章。群组会保留完整的对话上下文，方便反复迭代。第二种是通过主 Agent 委派。OpenClaw 支持 sessions_spawn，主 Agent 可以把任务派给写作助手，完成后把结果回传。适合临时小任务，比如"帮我把这段口述润色一下"。需要注意的是，目前委派层级是平的，子 Agent 不能再往下派任务，所有任务拆分都要由主 Agent 来做。两种方式可以并存，按场景选。日常写作协作走群组直聊，临时任务走主 Agent 委派。模型分配和扩编节奏
多 Agent 还有一个好处：可以按任务分配模型。需要深度思考的（写作、复杂分析）用 Claude Opus，只需要跑腿的（信息查询、格式转换）用其他大模型，成本能省不少。不用上来就设计 10 个 Agent。先创建实例用着，哪个场景觉得该拆了就拆出来，每次加一个就行。一般 3 到 5 个 Agent 就能覆盖日常需求了。不过上限很高，我现在配了好几个实例，每个实例还可以配多个 Agent，只要场景拆得够细，这支团队可以一直扩。各自分工、各自干活、互不干扰，需要协作的时候又能通过主 Agent 串起来。跟带团队一个道理，创业初期什么都自己干，业务复杂了就得招人分工。AI Agent 也一样，从"一人公司"到"专家团队"，是个自然的过程。如果你还没试过多 Agent，可以先从拆一个写作助手开始，这是最容易看到效果的场景。加入 OpenClaw 交流群
如果你对 OpenClaw 感兴趣，或者在实践中遇到问题，欢迎加入 OpenClaw 中文交流群。
49 元入群，送 $50 aigocode.com 算力额度。群里不卖课，都是实际在用 OpenClaw 的玩家，每天分享使用技巧和踩坑经验，氛围很活跃。
一个人 + OpenClaw + aigocode = 一个小团队。
