OpenClaw 多 Agent 高级玩法 - 彻底解决记忆污染

来源：https://www.aivi.fyi/aiagents/introduce-OpenClaw-Agent

痛点问题

痛点一：上下文窗口被严重污染

• 图片生成产生的 tool call 输出、轮询日志、base64 图片数据全部留在 session 里
• 模型只用了 40% 的注意力，剩下都被垃圾信息占了

痛点二：成本完全失控

• 画一张图需要最强推理模型吗？不需要
• 单 Agent 所有任务都用同一个模型，80% 费用花在 20% 低价值任务上

痛点三：System Prompt 变成一锅粥

• 私聊场景：「像朋友一样聊天」
• 图片生成场景：「禁止闲聊，立即执行」
• 代码开发场景：「先规划后执行」
• 三条指令全塞在同一个 System Prompt 里，哪条都执行不彻底

痛点四：记忆互相串台

• 某个群聊了 30 轮项目技术选型
• 下次在另一个无关场景提问，模型可能把那个项目方案带进来

痛点五：故障互相传染

• 某个群触发异常，Agent 进入异常状态
• 单 Agent 故障直接影响所有场景

痛点六：工具权限无法隔离

• 群聊里任何人的任何消息，理论上都能触发高权限操作

痛点七：无法为不同任务选最合适的模型

• 深度推理需要 Opus，图片生成 Gemini 更擅长
• 单 Agent 只能选一个模型

OpenClaw 解决方案

架构：一个入口，多个大脑

  用户消息
     │
     ▼
┌─────────────────┐
│ OpenClaw Gateway │ ← 单进程，统一入口
└────────┬────────┘
     │
   Agent Router
   （群组 → Agent 映射）
     │
┌────┬────┼────┬────┐
▼    ▼    ▼    ▼    ▼
🦞   🍌   🧠   💻   ✍️
主助手 图像  风暴  代码  写手
Opus  Gem. Son.  Son. Flash

示例配置

七大优势

✅ 优势一：上下文窗口永远纯净

• 图片群里生成了 10 张图，策划群里头脑风暴了 30 轮
• 这些内容一个字都不会出现在主助手的上下文里

✅ 优势二：成本精细控制

实际测算：多 Agent 方案总成本约为单 Agent 的 30%-50%

✅ 优势三：Prompt 极度专注

• 每个 Agent 有自己独立的 systemPrompt
• 越短越好，越聚焦越好
• 如果 Prompt 超过 500 字，大概率是做太多事了

✅ 优势四：安全边界清晰

• 每个 Agent 可以独立配置工具权限
• 图像生成 Agent 只开放 exec 和 message

✅ 优势五：故障完全隔离

• 每个 Agent 都是独立的沙盒
• 故障边界越清晰，系统整体可靠性越高

✅ 优势六：记忆物理隔离

覆盖六个层面：

• Markdown 记忆源文件 — 每个 Agent 独立的 MEMORY.md
• SQLite 向量索引 — 按 agentId 独立的 .sqlite 数据库
• Session 会话日志 — agents/{agentId}/sessions/ 完全分离
• QMD 引擎 — 按 agentId 的 XDG 目录隔离
• memory_search 工具 — 运行时只检索自己的索引
• 上下文压缩前刷写 — 只写入自己的工作空间

✅ 优势七：可独立演进

• 想换模型？只改那个 Agent 的 model 字段
• 想换方法论？只改它的 systemPrompt

实操技巧

技巧一：从最高频的场景开始拆分

• 先用默认单 Agent 跑通
• 观察哪个群聊用得最多、哪种任务差异最大
• 先拆出第一个专属 Agent

技巧二：模型选型黄金法则

• 需要深度思考 → 强模型（Opus / Sonnet Thinking）
• 只需要执行 → 快模型（Gemini Flash / Pro）

技巧三：Workspace 共享还是独立？

• 大多数情况共享就够了
• 如果某个 Agent 会大量创建和修改文件，建议独立

技巧四：System Prompt 单一职责

• 每个 Prompt 只描述一件事
• 越短越好，越聚焦越好

技巧五：渐进式扩展

• 阶段一：默认配置，单 Agent 跑通
• 阶段二：拆出第一个专属 Agent
• 阶段三：根据需要逐步添加

3-5 个 Agent 足以覆盖绝大多数人的日常需求。