这是一篇从零开始搭建 OpenClaw AI Agent 军团的完整教程。你将学会：
安装和配置 OpenClaw 环境
创建第一个 AI Agent（大总管）
为 Agent 添加记忆、编程、搜索等核心能力
组建多个 Agent 协同工作的团队
适合人群：零基础小白，几乎不需要手动操作，跟着步骤走即可
预计时间：1-2 小时
目录
一、安装环境
二、创建 Telegram Bot
三、定义 Agent 人格
四、配置记忆方案
五、配置 Coding 方案
六、添加眼睛（浏览和搜索能力）
七、安装 Skills
八、安全守则
九、组建龙虾军团
十、后续优化
一、安装环境
1.1 准备工作
这里以 Mac 为例，首先打开终端：
1.2 安装步骤
第一步：安装 Homebrew
第二步：安装 Node.js
第三步：安装 OpenClaw
执行 openclaw --version 如果出现版本号，证明安装成功。如果没有，重新执行第三步。
二、创建 Telegram Bot
2.1 为什么选择 Telegram
接下来搭建第一个龙虾（大总管），首先需要一个通讯渠道。我们选择 Telegram，因为配置非常方便，对新手特别友好。
2.2 创建 Bot 步骤
打开 Telegram，搜索 @BotFather：
发送 `/start` 开始对话，然后按顺序操作：
1. 发送 `/newbot`（创建新机器人）
2. 输入 Bot 显示名称（例如：马斯克）
3. 输入 Bot 用户名（必须以 `_bot` 结尾，例如：`musk_bot`，注意不能与他人重复）
成功后，BotFather 会返回一个 Token，格式类似：
7691627338:AAHo9ix-evUZaz2FgmVAF9juHohsSSX3KOa
保存这个 Token，同时注意消息中的 `t.me/xxx` 链接，点击即可进入机器人对话页面。
2.3 初始化 OpenClaw
打开终端，输入命令：
进入安装向导后，按照以下步骤配置：
1. 第一步：选择 `yes`（使用方向键向左，因为默认是 `no`）
2. 第二步：选择 `QuickStart`
3. 第三步：选择模型
- 推荐使用最好的模型：Gemini、ChatGPT 或 Claude
- 这里选择 OpenAI，通过方向键选择，按回车确认
- 选择 Codex 进行认证
- 注意：需要将 VPN 开启 TUN 模式
4. 第四步：选择通讯频道
- 选择 Telegram（第一个选项），按回车
- 粘贴刚才保存的 Token
5. 第五步：选择 Skills
- 选择 `no`，后面手动安装
6. 第六步：填写 API Key
- 全部选择 `no`
7. 第七步：Enable hooks?
- 使用方向键选择 `Skip for now`，按空格，再按回车
8. 第八步：选择 UI 页面
- 选择 `Open the Web UI`，即可看到 UI 界面
2.4 配置代理
安装完成后，还需要配置代理才能发送消息。OpenClaw 需要通过代理访问 Telegram。
首先查看 VPN 工具的代理端口，例如 Clash Verge 的端口是 7897,如果不清楚的，可以去问一下网页端的AI，教你找出来（我现在电脑上开启了vpn，我想只知道我的代理端口是什么，怎么查找，我的代理软件是 xxx）：
执行以下命令配置代理：
然后执行：
给 Bot 发送第一条消息时，会提示进行放行，按照消息内容在终端执行即可。
三、定义 Agent 人格
3.1 介绍自己
首先向 Agent 介绍自己：
- 如何称呼你
- 你的背景
- 所在时区
3.2 定义人格和行为规则
编辑 `~/.openclaw/workspace/SOUL.md` 文件，这是最重要的配置。参考示例：
3.3 配置工具权限
定义好后，让 Agent 更新配置。如果提示没有权限，打开 UI 界面：
1. 点击左侧的配置
2. 点击 Tools
3. 选择 `exec tool`
4. 点击 `raw` 进行文件修改
修改为：
完成后，你就拥有了一个可以对话并完成任务的聊天机器人。
四、配置记忆方案
4.1 记忆方案选择
市面上有多种记忆方案：
- calicastle 三层架构（社区方案）
- openclaw-memory（官方 Skill）
- openclaw-engram（社区插件）
- Supermemory / Mem0（云服务方案）
这里不深入技术理论，最终采用的方案是 MemOS，我个人整体体验最好，且有官方插件。
4.2 安装 MemOS
告诉 AI：
然后在 https://memos-dashboard.openmem.net/cn/apikeys 申请一个密钥，填入配置。与 AI 沟通改好后，让 AI 关闭原先的记忆处理。
五、配置 Coding 方案
5.1 为什么需要 Coding 能力
要让龙虾干好事情，Coding 能力非常重要。推荐使用 Codex 或 Claude Code 来进行编码，让小龙虾把任务委托给这些 Coding Agent，而不是自己做。
5.2 配置编程任务规则
首先让大总管帮你安装好 Claude Code 和 Codex，然后将下面的规则给到你的龙虾，让他参考修改编程任务的规则：
六、添加眼睛（浏览和搜索能力）
6.1 浏览器插件
推荐使用 Browserwing 插件，告诉 AI：
帮我安装下 browserwing，根据 https://raw.githubusercontent.com/browserwing/browserwing/main/INSTALL.md
6.2 搜索能力配置
简单搜索 - Tavily或者exa
每月 1000 次免费额度
申请地址：Tavily API Platform
如果担心用完，可以使用 Agent Reach 的 Exa 进行语义搜索
深度调研 - Codex
让 Codex 调用 websearch 功能进行调研
网页抓取 - Agent Reach
支持全网语义搜索
支持小红书、推特、YouTube、Reddit、B站、RSS 等平台
Tavily 是自带的，只需申请 API Key。Codex 前面已经安装好了。Agent Reach 需要单独安装，告诉 AI：
六、添加眼睛（浏览和搜索能力）
6.1 浏览器插件
推荐使用 Browserwing 插件，告诉 AI：
帮我安装下 browserwing，根据 https://raw.githubusercontent.com/browserwing/browserwing/main/INSTALL.md
6.2 搜索能力配置
简单搜索 - Tavily
每月 1000 次免费额度
申请地址：Tavily API Platform
如果担心用完，可以使用 Agent Reach 的 Exa 进行语义搜索
深度调研 - Codex
让 Codex 调用 websearch 功能进行调研
网页抓取 - Agent Reach
支持全网语义搜索
支持小红书、推特、YouTube、Reddit、B站、RSS 等平台
Tavily 是自带的，只需申请 API Key。Codex 前面已经安装好了。Agent Reach 需要单独安装，告诉 AI：
帮我安装 Agent Reach：https://raw.githubusercontent.com/Panniantong/agent-reach/main/docs/install.md
6.3 搜索规则总结
将以下规则写到 Agents.md：
L1 快速搜索 — Exa 语义搜索，秒级，用于事实查询、单点问题
L2 平台抓取 — Agent Reach 上游工具（xreach/yt-dlp/gh/Jina/mcporter），用于指定平台或 URL 的内容提取
L3 深度调研 — 将任务指派给 Codex 让其调用 websearch 功能进行调研，交付结构化报告
选择：有 URL/指定平台 → L2｜一句话能答 → L1｜多源对比/"帮我调研" → L3
原则：默认 L1 起步，不够再升级；L3 必须注明来源；平台内容优先原生工具
七、安装 Skills
7.1 注册 ClawHub
访问 clawhub.ai 注册账号，然后：
点击头像
选择设置
点击 Create Token
保存 Token
7.2 安装必备 Skills
打开终端，执行以下命令：
Skills 非常多，推荐两个必装的：
self-improving-agent：总结经验自动学习
find-skills：查找 Skills
skill-creator: 创建skill
后面需要什么功能，直接让 AI 调用 Skills 帮你查找即可。
八、安全守则
我对这块确实研究不多，这部分建议直接参考余弦大佬@evilcos整理的文档，把下面的这个文档直接发给你的龙虾 ，让他自查一下：
OpenClaw 极简安全实践指南
九、组建龙虾军团
9.1 Agent 设计原则
在创建多个 Agent 之前，需要明确一个重要原则：根据上下文来区分 Agent，而不是根据职责。
不推荐的做法：
创建十几个 Agent，分别负责前端、后端、小红书、公众号、编导、镜头拆分等
推荐的做法：
编程功能统一委托给 Codex，所有 Agent 都具备这个能力，无需单独拆分
多平台写作对一个 Agent 来说只是不同的 Skills，上下文可以隔离清楚
什么是上下文？
上下文就是 Agent 完成任务所需的历史信息和背景知识。比如：
写一篇文章需要知道：主题、风格、目标读者、之前的讨论
调研一个技术需要知道：调研目的、已有信息、需要的深度
判断标准：什么时候该拆分 Agent？
应该拆分 Agent 的情况：
✅ 上下文会持续积累且互不干扰
例子：调研 Agent 积累行业知识，写作 Agent 积累写作风格
✅ 需要不同的"记忆"和"专业知识"
例子：技术调研 Agent vs 市场调研 Agent
✅ 工作流程完全独立
例子：内容创作流程 vs 代码开发流程
不应该拆分的情况：
❌ 只是工具不同，但上下文相同
错误：前端 Agent、后端 Agent（都是编程，上下文在 Codex）
❌ 只是输出格式不同
错误：小红书 Agent、公众号 Agent（都是写作，只是 Skills 不同）
❌ 任务之间需要频繁共享信息
错误：需求分析 Agent、架构设计 Agent（应该是一个 Agent 的不同阶段）
实际场景对比
场景 1：内容创作
❌ 错误做法：创建 5 个 Agent
选题 Agent、大纲 Agent、写作 Agent、配图 Agent、发布 Agent
✅ 正确做法：创建 2 个 Agent
内容 Agent（负责选题→大纲→写作→配图，上下文连贯）
发布 Agent（负责多平台发布，需要记住各平台的规则和历史数据）
场景 2：产品开发
❌ 错误做法：按技术栈拆分
React Agent、Node.js Agent、数据库 Agent
✅ 正确做法：按项目阶段拆分
产品 Agent（需求→设计→原型，积累产品理解）
开发 Agent（委托 Codex 编程，协调整体开发）
测试 Agent（测试用例→执行→报告，积累质量标准）
场景 3：数据分析
❌ 错误做法：按工具拆分
Python Agent、SQL Agent、可视化 Agent
✅ 正确做法：按分析类型拆分
业务分析 Agent（理解业务指标，积累业务知识）
技术分析 Agent（性能监控，积累系统知识）
决策流程
创建新 Agent 前问自己：
1. 这个任务需要独立的"记忆"吗？
是 → 继续
否 → 用现有 Agent + 新 Skill
2. 上下文会和其他 Agent 冲突吗？
是 → 创建新 Agent
否 → 继续
3. 任务之间需要频繁共享信息吗？
是 → 合并到一个 Agent
否 → 创建新 Agent
4. 只是工具或格式不同吗？
是 → 用 Skill 解决
否 → 创建新 Agent
9.2 创建多个 Agent
以创建两个 Agent 为例：
佩奇：负责调研
格雷厄姆：负责写作
步骤 1：创建 Bot Token
参照前面的方式，为两个 Agent 分别创建 Bot Token。
步骤 2：设置群聊权限
对 BotFather 输入：
/setprivacy
选择你的 Bot
选择 Disable
这样 Bot 就能读取群内消息了。
步骤 3：创建群组并获取 ID
点击 New Group 创建群组
输入群组名称
将你的 Bot 拉入群组
步骤 4：获取用户 ID 和群组 ID
搜索 @userinfobot 机器人
选择 user，点击自己的头像
选择 Group，点击你创建的群组
会获得两个 ID：一个以 -10 开头，一个以 56 开头
保存这两个 ID
9.3 配置 Agent
由于配置比较复杂，可以使用现成的提示词模板：
https://github.com/bozhouDev/openclaw_agent_create_prompt/blob/main/Agent-create-prompt.md
将模板内容修改后，把文件路径给到你的 Agent，让他来进行配置。
9.4 启动军团
配置完成后，执行：
openclaw gateway restart
然后就可以在群里 @ 机器人进行聊天了。
十、后续优化
搭建完成只是养虾的第一步。接下来需要：
多与 Agent 沟通，布置任务
总结技能和经验
将好的文章分享给龙虾学习
让 Agent 总结技能和经验
同时我们龙虾还是有很多的命令，可以帮我们解决很多事情，这里直接贴出来神老师的做的速查表 @berryxia
随着时间推移，你的龙虾会越来越强大。
