Clawdbot汉化版部署教程：多Agent架构配置（main/support/qa）分工协作指南

Clawdbot汉化版现已支持企业微信入口，让国内团队无需翻墙、不依赖境外通讯工具，即可在最熟悉的办公场景中接入AI能力。这不仅补齐了企业级协作的最后一环，更让AI助手真正融入日常办公流——消息实时触达、会话上下文完整保留、组织架构天然同步。

Clawdbot 就是一个你可以随时跟 AI 对话的智能助手，就像 ChatGPT 一样，但是：

在微信里就能用（同时支持 WhatsApp、Telegram、Discord 等）
完全免费（使用你自己的 AI 模型，无订阅费、无调用限制）
数据隐私（所有聊天记录、会话记忆、配置文件均存于你本地服务器，不上传任何第三方）
24 小时在线（开机自启，断电恢复后自动重连，真正“无人值守”的AI同事）
网关令牌为 dev-test-token，开箱即用，无需额外申请。

1. 什么是 Clawdbot？——不止是聊天机器人

Clawdbot 的核心定位，是可自主演化的多角色AI协作系统。它不是单个大模型的简单封装，而是基于清晰职责划分的 Agent 编排框架。汉化版在原生设计基础上，强化了中文语境下的角色定义与流程适配，尤其针对企业服务场景重构了 main（主智脑）、support（支持专员）、qa（质量审核）三大核心Agent。

这三者并非并列关系，而是一套闭环协作链路：

main 负责理解用户意图、生成初步响应、协调资源调用；
support 专精于操作类任务：查文档、读日志、执行命令、格式化输出；
qa 在每次响应前介入，对内容安全性、事实准确性、合规性进行轻量但关键的校验。

这种分工不是技术炫技，而是解决真实问题的工程选择：当用户问“帮我检查服务器磁盘空间并生成报告”，main 理解需求，support 执行 df -h 并解析结果，qa 确认输出中不包含敏感路径、数值逻辑合理，最后由 main 组织成自然语言回复。整个过程对用户完全透明，体验却远超单Agent的“尽力而为”。

2. 部署准备与环境初始化

2.1 系统要求与前置确认

Clawdbot 汉化版推荐运行在 Ubuntu 22.04 LTS 或更新版本 的 x86_64 服务器上。部署前请确保以下基础服务已就绪：

Node.js v20+（推荐使用 nvm 管理版本）
Ollama 0.3.0+（用于本地模型托管，curl -fsSL https://ollama.com/install.sh | sh）
Git 2.30+（用于代码拉取与更新）
pnpm 8.0+（构建依赖，npm install -g pnpm）

重要提醒：Clawdbot 默认将所有数据写入 /root 目录。若需更换路径，请在首次启动前修改 /root/start-clawdbot.sh 中的 CLAWDBOT_HOME 变量，并同步调整后续所有命令中的路径引用。

2.2 一键拉取与安装汉化版

打开终端，执行以下命令完成基础部署：

# 创建工作目录并进入
mkdir -p /root/clawdbot && cd /root/clawdbot

# 拉取官方汉化分支（稳定版）
git clone --branch v1.2.0-zh https://github.com/clawdbot/clawdbot.git .

# 安装依赖（自动识别 pnpm）
pnpm install

# 构建生产环境代码
pnpm build

构建成功后，你会看到 dist/ 目录下生成完整的可执行文件。此时服务尚未启动，但所有组件已就位。

2.3 初始化多Agent配置

Clawdbot 的多Agent能力由配置文件驱动。汉化版预置了优化后的 agents.json，位于 config/ 目录。我们先快速查看其结构：

cat config/agents.json | jq '.agents | keys'

输出应为：

["main", "support", "qa"]

这正是我们所需的三角色架构。每个Agent的配置独立定义，例如 support 的核心能力来自其专属提示词与工具集：

"support": {
  "model": "ollama/qwen2:1.5b",
  "tools": ["shell", "file_reader", "json_parser"],
  "system_prompt": "你是一名Linux系统支持工程师，只执行明确的命令操作，不猜测、不编造..."
}

小白提示：system_prompt 就是给AI设定的“人设说明书”。汉化版已将全部提示词翻译并本地化，避免了英文提示词在中文语境下的歧义和生硬感。

3. 启动服务与验证多Agent协同

3.1 启动网关与Agent服务

Clawdbot 采用“网关+Agent”分离架构。网关负责消息路由、协议适配（微信/WhatsApp等），Agent则专注思考与执行。启动顺序至关重要：

# 第一步：启动网关（监听端口 18789）
cd /root/clawdbot
node dist/index.js gateway &

# 第二步：依次启动三个Agent（后台运行，互不干扰）
node dist/index.js agent --agent main &
node dist/index.js agent --agent support &
node dist/index.js agent --agent qa &

验证是否成功：执行 ps aux | grep clawdbot | grep -v grep，应看到至少4个进程（1个gateway + 3个agent）。若仅看到1个，说明Agent未启动，检查上一步命令末尾的 & 是否遗漏。

3.2 本地终端测试：见证分工协作

现在，我们通过一条命令触发完整的多Agent流水线：

node dist/index.js agent --agent main \
  --message "检查当前服务器磁盘使用率，如果根分区超过80%，生成告警摘要" \
  --thinking high

你将观察到：

main 接收指令，识别出需调用系统检查能力；
main 将子任务分发给 support，传递 df -h / 命令；
support 执行命令，返回原始输出；
qa 接收原始数据，校验数值提取逻辑是否正确（如 /dev/sda1 对应 / 分区）；
main 整合 support 的数据与 qa 的校验结论，生成最终回复。

这个过程在2-5秒内完成，全程无需人工干预。这才是“多Agent”的真实价值——不是多个AI同时说话，而是像一支训练有素的团队，各司其职，无缝配合。

4. 企业微信接入实战（汉化版专属）

4.1 获取企业微信应用凭证

登录企业微信管理后台 → 进入「应用管理」→ 「创建应用」：

应用名称：Clawdbot智能助手
可见范围：根据需要选择部门或全员
关键步骤：在「接收消息」设置中，开启「接收消息」并记录以下三项：
- CorpID（企业ID，形如 wx1234567890abcdef）
- Secret（应用密钥）
- Token 与 EncodingAESKey（用于消息加解密）

4.2 配置Clawdbot连接企业微信

编辑配置文件，注入企业微信参数：

# 使用nano编辑器（如无nano，可改用vi）
nano /root/.clawdbot/clawdbot.json

在 providers 节点下添加 wechatwork 配置：

"wechatwork": {
  "corp_id": "wx1234567890abcdef",
  "secret": "your_app_secret_here",
  "token": "your_token_here",
  "encoding_aes_key": "your_encoding_aes_key_here",
  "agent_id": 1000002  // 应用ID，后台可见
}

保存后，重启网关：

bash /root/restart-gateway.sh

4.3 在企业微信中启用助手

成员在企业微信「工作台」中找到 Clawdbot智能助手 应用；
点击进入，首次使用会弹出授权确认；
授权后，即可在应用内直接发送文字消息，与 main Agent 对话；
若需调用 support 或 qa，只需在消息中明确指定，例如：

/support df -h
/qa 核查这条回复是否符合公司信息安全规范

效果亮点：所有对话记录、文件传输、图片识别均走企业微信官方通道，完全符合国内企业IT审计要求。消息加密、权限隔离、操作留痕，一应俱全。

5. 多Agent进阶配置与调优

5.1 自定义Agent角色与能力边界

汉化版允许你精细控制每个Agent的“知识边界”与“行动权限”。以 qa Agent 为例，其默认配置位于 config/agents/qa.json。若希望它更严格地审查营销文案，可修改其 system_prompt：

"system_prompt": "你是一名资深合规审核员，专注于检查中文营销文案。重点核查：1) 是否含绝对化用语（'最'、'第一'等）；2) 是否虚构产品功效；3) 是否违反《广告法》第XX条。仅输出'通过'或'不通过'及简要理由。"

修改后，无需重启整个服务，只需单独重启该Agent：

pkill -f "agent --agent qa"
node dist/index.js agent --agent qa &

5.2 Agent间通信与状态共享

Clawdbot 通过内存缓存（Redis可选）实现Agent间轻量级状态同步。例如，support 执行完一次 curl 请求后，可将返回的JSON结构存入共享缓存：

# support Agent执行后自动缓存
node dist/index.js agent --agent support \
  --message "获取 https://api.example.com/status" \
  --cache-key "api_status_v1"

随后，main Agent 可直接读取该缓存，避免重复请求：

node dist/index.js agent --agent main \
  --message "基于缓存 api_status_v1 的数据，生成运维日报" \
  --cache-key "api_status_v1"

实用建议：对高频访问的API、数据库查询结果、模型推理中间态，善用 --cache-key 可显著提升响应速度与资源利用率。

5.3 模型动态切换与负载均衡

当多个Agent共用同一Ollama实例时，可通过配置实现模型分流，避免争抢GPU显存：

// config/agents.json 片段
"main": { "model": "ollama/llama3.1:8b" },
"support": { "model": "ollama/qwen2:1.5b" },
"qa": { "model": "ollama/phi3:3.8b" }

llama3.1:8b：大模型，保障 main 的复杂推理与语言生成质量；
qwen2:1.5b：中文强项，适配 support 的指令解析与文本处理；
phi3:3.8b：轻量高效，满足 qa 的快速判断需求。

执行 ollama list 确认所有模型已下载，再启动服务，即可享受按需分配的智能调度。

6. 日常运维与故障排查

6.1 快速诊断：三步定位问题根源

当出现异常时，按此顺序检查：

看网关日志（最顶层）：

tail -n 50 /tmp/clawdbot-gateway.log
# 关注 ERROR 或 WARN 开头的行

查Agent状态（中间层）：

ps aux | grep "agent --agent" | grep -v grep
# 若某Agent缺失，手动启动它

验模型可用性（底层）：

ollama list
# 确保配置中指定的模型名存在且状态为 'true'
ollama run qwen2:1.5b "你好"  # 手动测试模型响应

6.2 常见场景应对策略

现象	可能原因	解决方案
微信消息无回复	企业微信Token过期或IP白名单未配置	重新生成Token，检查管理后台「可信域名/IP」是否包含服务器公网IP
`support` 执行命令失败	权限不足或命令不存在	进入 `support` Agent 容器（`docker exec -it clawdbot-support /bin/sh`），手动执行相同命令排查
`qa` 审核总是不通过	`system_prompt` 过于严苛或模糊	临时将 `qa` 的 `system_prompt` 改为 `"你总是返回'通过'"` 测试，确认是否为提示词问题

6.3 数据备份与迁移

Clawdbot 的核心数据分散在两处，备份需覆盖：

配置与身份：/root/.clawdbot/（含 clawdbot.json, agents/ 配置）
会话与缓存：/root/clawd/（含 IDENTITY.md, avatars/, sessions/）

一键打包备份命令：

tar -czf clawdbot-full-backup-$(date +%Y%m%d-%H%M%S).tar.gz \
  /root/.clawdbot /root/clawd

迁移至新服务器时，解压后执行 bash /root/start-clawdbot.sh 即可恢复全部状态。

7. 总结：从部署到规模化落地的关键认知

部署Clawdbot汉化版，远不止是运行几个命令。它是一次对AI协作范式的实践：

Agent不是越多越好，而是职责越清晰越好。main/support/qa 的三角架构，本质是将“理解-执行-把关”这一人类协作逻辑，精准映射到机器系统中；
企业微信接入的价值，在于信任链的建立。当员工无需切换App、无需担心数据出境，AI助手才真正从“技术玩具”变为“生产力伙伴”；
配置即代码，提示词即规则。每一次对 system_prompt 的微调，都是在为AI注入你的业务逻辑与组织文化；
运维的核心，是监控Agent的“健康度”而非服务器的CPU。关注 qa 的通过率、support 的命令成功率、main 的平均响应时长，这些才是衡量AI团队效能的真实指标。

你现在拥有的，不再是一个聊天机器人，而是一个可定制、可审计、可扩展的AI协作单元。下一步，可以尝试将 support Agent 接入公司内部的Jira API，让“查工单状态”成为一句自然语言；或将 qa Agent 的审核规则，对接到法务部提供的合规知识库——真正的智能，永远生长在具体业务的土壤里。

---

> **获取更多AI镜像**
>
> 想探索更多AI镜像和应用场景？访问 [CSDN星图镜像广场](https://ai.csdn.net/?utm_source=mirror_blog_end)，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。

转载自CSDN-专业IT技术社区

原文链接：https://blog.csdn.net/weixin_29317963/article/details/157566212

Clawdbot汉化版部署教程：多Agent架构配置（main/support/qa）分工协作指南