企业官网建设流程全解析

1. 先把概念掰开：多 Bot 和多 Agent 到底差在哪

很多人第一次接触 OpenClaw 时，会把「多 Bot」「多 Agent」「子代理」「Agent 互发消息」全塞进一个叫“协作”的筐里。结果配置写完，消息要么串台，要么在群里两个机器人互相 @ 到天荒地老，要么一个 Agent 把上下文撑爆开始胡说。问题不在工具，在于一开始就没分清这几层机制各自解决什么。

用一句话先立住边界：Bot 是入口身份，Agent 是思考大脑，bindings 是连线规则。多 Bot 解决的是“对外谁接活”，多 Agent 解决的是“内部谁干活”。你可以只有一个 Bot 却挂五个 Agent，也可以五个 Bot 共用一个 Agent，这两件事完全正交。

我试过在一个电商 MVP 项目里同时开三个 Bot 对外，结果用户消息在群里互相触发，成本翻了三倍还没跑通。后来退回“一个 PM Bot + 内部多 Agent”的架构，反而一周就把需求、架构、前端、后端、测试的并行链路跑顺了。这篇就把这套判断框架和可复制的配置骨架交给你，顺带把 TaoToken 作为统一 Key/API 通道接进来，省得你在多个模型供应商之间来回切。

适合谁看：正在用 OpenClaw 做多角色协作、纠结要不要加 Bot、被 subagents 和 agent-to-agent 绕晕的开发者。读完你能做出架构选择，并拿到一份能直接改的config.toml与settings.json骨架。

2. 三层协作机制：路由、子代理、会话互发

OpenClaw 里常被混为一谈的“协作”，其实是三层不同机制，关键词和用途都不一样。

多 Agent 路由（Multi-agent routing）解决入口分流：哪条入站消息交给哪个 Agent。核心字段是agents.list、bindings、accountId、peer。典型形态是一个或多个 Bot 账号，按 bindings 把消息路由到不同 Agent。

子代理（Sub-agents，sessions_spawn）解决并行执行：当前 Agent 在后台拉起子任务，做完回报。核心字段是sessions_spawn、maxConcurrent、maxSpawnDepth、announce。用户只跟一个协调者对话，协调者内部并发调度。

Agent-to-Agent（sessions_send）解决会话间通信：把消息发到另一个 session，可跨 Agent，可有回合往返。核心字段是sessions_send、tools.agentToAgent、maxPingPongTurns。

一句话区分：多 Agent 路由是“谁对外接活”，Sub-agents 是“谁在后台干活”，Agent-to-Agent 是“两个会话如何互相发消息”。

从工程视角补一条硬理由：拆 Agent 不只是分工，更是上下文压缩。一个 Agent 全包所有角色时，系统提示词和历史越来越臃肿，模型容易遗忘约束、推理漂移、成本上升。用sessions_spawn把任务按职责切片，通常更稳更便宜。

2.1 什么时候“必须”考虑多个 Bot

如果你遇到下面任意两条，基本就该上多 Bot 了：多人共用同一 Bot 容易串话串上下文；客服 Bot 和研发 Bot 必须隔离责任；某个 Bot 只允许查信息、另一个才能执行高风险动作；需要在 Telegram/飞书显示不同机器人身份；高价值入口用高质量模型、普通入口用便宜模型。

个人开发者且主要诉求是“做事更快”，先别上多 Bot，把 1 个 PM Bot + subagents 跑顺。

2.2 channels、accounts、bindings、agents 的关系

这四个概念不分清，最容易误配。channels是渠道类型（telegram/feishu/discord）；channels.<channel>.accounts是该渠道下的机器人账号实例，也就是 Bot 身份；agents.list是 AI 大脑（工作区、会话、规则、技能）；bindings把哪路入站消息路由到哪个 Agent。

逻辑链路是：用户消息 -> channel/account(Bot) -> binding 匹配 -> agentId -> 对应 Agent 执行。

注意：Bot 不等于 Agent。一个 Bot 可以只绑一个 Agent（最常见），也可以多个 Bot 绑同一个 Agent，还可以一个渠道内多个 account 分别绑不同 Agent 做角色隔离。

2.3 workspace 和 agentDir 不是一回事

很多人把这两个路径配反，协作就异常。workspace是文件空间（代码、文档产出），agentDir是状态空间（会话、认证、运行状态）。协作开发场景下，希望 PM 能看到子 Agent 产出的代码，相关 Agent 应共享同一代码仓库视图；但agentDir要保持隔离，避免状态串扰。一句话：可以共享文件视图，不要共享状态目录。

3. 用 TaoToken 统一 Key/API 通道

多 Agent 架构里，模型调用会分散到多个 Agent，如果每个 Agent 各配一套供应商 Key，管理成本会爆炸。更省事的做法是走一个统一的 API 通道，把 Key 收敛到一处。TaoToken 就是干这个的：官网 https://taotoken.net/?utm_source=taotoken_aicg_blog_end&utm_medium=csdn&utm_campaign=rewrite&utm_content= ，API 入口 https://taotoken.net/api 。

它的定位是统一 Key/API 通道，让你在 OpenClaw 的多个 Agent 里用同一套接入方式调用不同模型，不用为每个 Agent 单独维护供应商凭证。对多 Agent 场景尤其友好，因为协调 Agent 和执行型子 Agent 往往要用不同档位的模型，统一通道能让你在一处切换。

操作路径很直接：先到控制台创建 Key，再在 OpenClaw 的模型配置里把 base URL 指向 TaoToken 的 API 入口。控制台地址 https://taotoken.net/console?utm_source=taotoken_aicg_blog_end&utm_content=console&utm_campaign=rewrite ，API Keys 管理页 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。接入文档在 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。

注意：Key 只放在服务端配置或环境变量里，不要写进会提交到仓库的明文文件。多 Agent 共用时，建议按 Agent 角色分 Key，方便单独限流和排查。

如果你只是想先验证模型通不通，可以直接用模型对话页 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite 发一条消息确认链路。长期做编码或 Agent 编排，可以看 Coding Plan https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。

4. 可复制的 config.toml 与 settings.json 骨架

下面这份骨架对应“1 个 PM Bot + 5 个专业 Agent”的最小可用架构。对外只有 PM Bot，内部有需求、架构、前端、后端、测试五个 Agent。

先看config.toml的渠道与绑定部分：

[channels.telegram.accounts.pm] botToken = "TELEGRAM_BOT_TOKEN_PM" # 未来需要专家 Bot 时再开 # [channels.telegram.accounts.fe] # botToken = "TELEGRAM_BOT_TOKEN_FE" [[bindings]] agentId = "pm" [bindings.match] channel = "telegram" accountId = "pm"

再看settings.json里的 Agent 列表与子代理策略：

{ "agents": { "list": [ { "id": "pm", "default": true, "workspace": "~/.openclaw/workspace-pm", "model": "anthropic/claude-sonnet-4-6", "identity": { "name": "PM Bot", "emoji": "🧭" }, "tools": { "profile": "coding", "deny": ["gateway"] }, "subagents": { "allowAgents": ["req", "arch", "fe", "be", "qa"] } }, { "id": "req", "workspace": "~/.openclaw/workspace-req", "model": "openai/gpt-5.2-codex" }, { "id": "arch", "workspace": "~/.openclaw/workspace-arch", "model": "anthropic/claude-opus-4-6" }, { "id": "fe", "workspace": "~/.openclaw/workspace-fe" }, { "id": "be", "workspace": "~/.openclaw/workspace-be" }, { "id": "qa", "workspace": "~/.openclaw/workspace-qa" } ], "defaults": { "subagents": { "maxConcurrent": 6, "maxSpawnDepth": 2, "runTimeoutSeconds": 900 } } } }

这段配置表达的是：channels.telegram.accounts.pm是机器人入口账号，agents.list[].id是 AI 大脑，两者通过bindings连接。这样就不容易把 Bot 和 Agent 混为一谈。

起步最小集只需记：id、workspace、model、identity、tools、subagents.allowAgents。

4.1 bindings 的匹配优先级

OpenClaw 的 bindings 没有priority: 1/2/3这种字段，而是先按匹配“具体程度”决策（peer/guild/team/account/channel），同一层级冲突时按配置顺序先出现先命中，都没命中就回退到默认 Agent（default: true，多个则取首个）。

所以配置时：只设一个default: true，把更具体的绑定写在前面，用openclaw agents bindings持续核对路由结果。

4.2 需要 Agent-to-Agent 时再加这段

只在“qa 会话要持续追问 be 会话形成多轮对齐”或“跨会话异步协作”时才上：

{ "tools": { "sessions": { "visibility": "all" }, "agentToAgent": { "enabled": true, "allow": ["pm", "qa", "be"] } }, "session": { "agentToAgent": { "maxPingPongTurns": 3 } } }

如果只是任务拆分加回收结果，subagents 就够了，不用急着开 agent-to-agent。

5. 验证协作链路：从发消息到拿到交付包

配置写完别急着上生产，按下面步骤验证。

第一步，确认路由命中。发一条测试消息给 PM Bot，然后执行：

openclaw agents bindings

输出里应能看到 telegram 的 pm 账号命中agentId: pm。如果命中的是别的 Agent，检查 bindings 顺序和default设置。

第二步，验证子代理能拉起。给 PM 发一条编排任务：

开发一个电商网站 MVP： - 先拆解为需求、架构、前端、后端、测试 5 个子任务 - 并行执行 - 统一输出：里程碑、风险、下一个可执行动作

PM 内部会执行sessions_spawn(agentId=req, task=...)等五次调用。观察日志里是否出现五个子任务并发，maxConcurrent: 6允许同时跑六个。

第三步，确认结果回收。PM 汇总后应给你一个“可发布的交付包”，包含里程碑、风险和下一步动作。如果只看到部分子任务结果，检查subagents.allowAgents是否漏了某个 Agent。

第四步，验证模型通道。在 TaoToken 模型对话页发一条消息，确认 Key 和 API 通道正常，再回到 OpenClaw 看 Agent 调用是否走同一通道。

5.1 少刷屏：可见协作 vs 静默协作

多 Agent 协作最容易引发消息刷屏焦虑。可见模式让用户看到阶段性进展，适合耗时任务；静默模式后台完成后只发最终结果，适合短小任务。

sessions_spawn本身是非阻塞并带announce回传链路。要静默，不要依赖不存在的announce: false参数，应通过编排提示词约束 announce 输出，必要时用ANNOUNCE_SKIP语义，由 PM 统一对外口径。

5.2 防死循环：父子通信要有终止协议

新手常见坑是 Agent 之间无意义确认来回，白白烧轮次。在AGENTS.md加硬规则：每次回复必须包含实质性产出或明确终止信号，禁止纯礼貌回合，需要结束时输出统一终止词。session.agentToAgent.maxPingPongTurns是最后一道保险丝，但最省钱的方案仍是前置规则。

6. 本篇常见错排查

报错一：消息串台，多个 Bot 抢同一个 Agent。检查 bindings 是否把不同 account 都指向了同一个 agentId。要隔离就分别绑不同 Agent。

报错二：子代理拉不起来。多半是subagents.allowAgents没写目标 Agent，或maxSpawnDepth太小。默认通常只能 spawn 到自己，跨 Agent 必须显式允许。

报错三：workspace 和 agentDir 配反导致协作异常。记住 workspace 共享文件视图、agentDir 隔离状态。配反会出现子 Agent 看不到产出或状态串扰。

报错四：群里两个 Bot 互相 @ 不闭环。Telegram 群组里 Bot 看不到其他 Bot 的消息，底层是 Bot API 事件可见性约束，即使都是管理员也通常无法稳定闭环。飞书主路径是用户消息触发加 @ 提及，不是 Bot 消息驱动 Bot。多数场景没必要做机器人互 @，优先用 sessions 内部通信。

报错五：模型调用 401 或通道不通。检查 TaoToken Key 是否有效、base URL 是否指向 https://taotoken.net/api ，以及 Key 是否按 Agent 角色分开配置。

报错六：上下文越来越长、成本飙升。这是没做上下文切片的典型症状。把任务用sessions_spawn拆给专业 Agent，按职责切片。

6.1 SOUL.md、AGENTS.md、skills 的分工

把所有规则塞进SOUL.md是高频坑。判断标准：人格原则放SOUL.md（角色身份、沟通语气、红线边界）；协作规则放AGENTS.md（任务拆解策略、默认交付格式、何时 spawn）；可复用操作手册做成skills/xxx/SKILL.md（重复动作模板、固定流程、跨 Agent 共用能力包）。

6.2 模型混用是成本控制核心

一个好用的配比：PM/协调 Agent 用高质量模型负责拆解、权衡、集成；执行型 subagents 按任务难度选性价比模型，格式整理、基础检查、批量转换可用低成本模型；高风险节点如架构决策、最终验收再切回高质量模型。这就是多 Agent 架构的关键优势之一：不是所有环节都要用最贵模型。

7. 按需接入：模型对话、Coding Plan 与接入文档

链路跑通后，按你的实际场景选入口。只是验证模型通不通，用模型对话页 https://taotoken.net/chat?utm_source=taotoken_aicg_blog_end&utm_content=chat&utm_campaign=rewrite 。长期做编码或 Agent 编排，看 Coding Plan https://taotoken.net/coding-plan?utm_source=taotoken_aicg_blog_end&utm_content=coding-plan&utm_campaign=rewrite 。接入配置和排障细节，查接入文档 https://taotoken.net/doc?utm_source=taotoken_aicg_blog_end&utm_content=doc&utm_campaign=rewrite 。Key 管理在 https://taotoken.net/api-keys?utm_source=taotoken_aicg_blog_end&utm_content=api-keys&utm_campaign=rewrite 。

回到架构本身，个人开发者的最佳起点通常不是“多 Bot 群聊编队”，而是一个协调入口 PM Bot、多个内部专业 Agent 用 subagents 并行、必要时再引入 agent-to-agent。这条路径兼顾上手速度、成本和可维护性。

把 Bot 当成手机号（入口），把 Model 当成思考引擎（大脑），把 Agent 当成带记忆与规则的执行岗位。你可以用一个手机号按事情转接给不同 Agent，也可以给每个 Agent 配独立专线。但除非你想把内部协作过程公开展示，否则优先用sessions_spawn做内部传球，而不是在群里互相 @。