2026年专题报告：OpenClaw赋能金融投研应用进阶，多Agent协作、Token优化、Skills应用与开发——AIAgent赋能金融投研应用系列之四

OpenClaw 历时 4 个月登顶 GitHub 历史总榜第一

今年 1 月下旬以来，OpenClaw 在国内外社交媒体上突然爆火，引发市场高度关 注。OpenClaw 的迅速走红并非偶然，而是技术进步、用户需求与市场时机多重因 素叠加的结果。与传统 Agent 项目不同，OpenClaw 通过本地网关形态将 AI 从一 个桌面软件转变为可拓展为聊天应用的随身入口。用户可以通过 WhatsApp、 Telegram、Discord、飞书、QQ 等日常通讯工具随时随地下达指令，远程操控电 脑或云服务器完成具体任务，大幅降低了使用门槛。与此同时，国内主要云厂商 都迅速跟进，推出一键部署方案，方便普通用户快速搭建个人 AI 助理。

2026 年 3 月 2 日，OpenClaw 在 GitHub 上以 25 万星标数超越 Linux 和 React，登 顶 GitHub 历史总榜第一，仅用四个月完成从发布到登顶的爆发式增长，引发科 技界广泛关注。目前 OpenClaw 在 GitHub 上的星标数量已突破 32 万且仍在不断 增长，以 OpenClaw 为基础的各种全能助手和垂类应用开始批量落地。

OpenClaw 实战进阶：多 Agent 协作、Token 优化与 Skills 开发

2.1 多 Agent 协作：“一人公司”雏形

2.1.1 为什么要配置多 Agent？

在报告《OpenClaw 赋能金融投研：17 个高效应用案例详解——AI Agent 赋能金 融投研应用系列之三》中，我们介绍了 OpenClaw 在日常工作（基础文件管理、收 发邮件等）、娱乐项目（AI 绘本生成、Seedance 视频生成等）、研究分析（深度研 究课题、stock-analysis skill 完成个股分析等）、策略开发与代码生成（“杯柄” 形态选股、全自动因子挖掘与回测）等不同领域的应用，也添加了较多 skills， 随着与 OpenClaw 的对话次数越来越多，单智能体的负荷会越来越重，上下文也 会越来越长且较为杂乱，可能存在相互污染与误导的可能性。 如果我们能够将不同领域的工作分拆开来，交给不同的 Agent 来处理，不仅可以 提升工作效率，还可以让每个 Agent 更加聚焦各自的细分领域，不会相互干扰和 污染。比如我们可以在日常工作助理 Agent 中专门处理类似收发邮件、查阅资料 等任务，在研究助理 Agent 中负责金融市场分析、策略构建等课题研究，在编程 助理 Agent 中专门负责量化策略开发，代码生成等工作，在娱乐助理 Agent 中则 可专注于视频创作等娱乐项目。

2.1.2 配置多 Agent 协作步骤

要在 OpenClaw 中实现多 Agent 协作，首先需要为每个 Agent 创建好单独的机器 人账号。本文中我们将在个人助理贾维斯的基础上，创建四个不同领域的子 Agent， 分别是 AI 日常工作助理 work、AI 研究助理 research、AI 编程助理 code、AI 娱 乐助理 entertainment。其中贾维斯作为主 Agent，可以分发和指派工作给不同 子 Agent，以实现多 Agent 协作的效果。

首先，我们需要在飞书开放平台再创建四个机器人 bot，并记录各自的 APP ID 和 APP Secret。打开飞书开放平台，进入“创建企业自建应用”，填写应用名称和描 述，然后在“添加应用能力”->机器人，点击“添加”。在应用“凭证与基础信息” 页面复制 App ID 和 App Secret 并保存。

接下来最重要的是需要给飞书机器人配置好权限以及事件与回调配置。我们打开 权限管理->“批量导入/导出权限”，用如下 JSON 代码替换原有代码，即可快速 开通相应权限（此处我们先开通一些必要的收发消息权限，后续如需要其他权限 可以再开通）。

完成以上基本步骤后，可以再重复创建其他几个机器人并开通权限，事件订阅步 骤需要等后续 gateway 重启后再进行配置。

接下来我们需要在 OpenClaw 中配置上述 5 个机器人角色的相关信息，如有一定 代码基础的用户，可以直接打开/root/.openclaw/openclaw.json 文件进行编辑， 此处需要为每个 Agent 单独设置不同的工作空间，以及路由规则。

当然更简单的方式是直接将我们创建好的机器人信息，发给 OpenClaw 让其自行 配置，如下图中我们通过 OpenClaw 来新增 AI 编程助理 code 的配置过程。

待上述配置完成后我们重启网关，再回到飞书开放平台配置事件与回调，将订阅 方式均改为“长连接”方式，并添加必要的机器人接收消息事件。最后再点击“版 本管理与发布”，将应用发布即可在飞书聊天窗口分别对各个子Agent进行对话， 此时不同窗口的工作空间、对话记忆、Skills 等均完全隔离，互不影响。

配置完成后我们可以看到，5 个 Agent 可以同时做不同的任务，工作效率大幅提 升。此外，我们也可以在飞书中创建群组，将 5 个 Agent 全部拉入群组，在这里 这可以@每个机器人来完成特定任务，也可以让通过主 Agent main 来分派任务， 实现多 Agent 任务协同。

2.2 四个层级优化Token 消耗

在与 OpenClaw 的对话测试中，我们发现其 Token 消耗相对较快。原因在于 OpenClaw 采用了全功能智能体架构，需维持多模块的状态同步。该设计在保证功 能完整性的同时，也引入了额外的上下文加载开销。具体表现在：一方面，每次 对话时，系统默认会加载全量上下文数据，在多轮交互中，无论是读取记忆还是 处理信息，均会产生显著的 Token 消耗；另一方面，OpenClaw 支持多智能体协作 与工具链调用，每项子调用（如“抓取网页→提取信息→汇总内容”）均会独立调 用模型，从而形成多次累加的 Token 开销。为优化此问题，本文将从以下四个层 面提出降低 Token 消耗的实用建议：内置命令、使用习惯优化、Skills 应用与架 构级改进。