OpenClaw 三省六部制完整指南：用唐朝官制重构AI多Agent协作架构
Key Takeaways
- 核心创新：OpenClaw 三省六部制（Edict 项目）将唐朝三省六部官制映射到现代多Agent架构，通过太子分拣、三省决策、六部执行的流水线，实现AI协作的分权制衡与高可靠性。
- Agent数量：主流实现包含12个专用AI Agent（太子 + 三省 + 七部/早朝官 + Kanban），部分Fork优化为9个核心Agent。
- 核心优势：解决单一LLM幻觉、任务遗忘、无序协作问题；提供实时仪表盘、全审计轨迹、模型灵活配置。
- 适用场景：复杂工程项目、自动化工作流、个人/团队AI助理、长期任务管理，比传统OpenClaw单Agent或LangChain式自由聊天更结构化、可控。
- 快速上手：支持Docker一键部署、本地原生安装，支持Claude、Gemini、Copilot等主流模型。
OpenClaw 三省六部制是什么
OpenClaw作为开源个人AI助理框架，已被社区广泛用于构建本地化、多渠道（Telegram、WhatsApp等）智能助手。而三省六部制是其上层最受欢迎的Multi-Agent编排方案之一，由开发者将1300年前唐朝中央官制巧妙移植而来，形成名为“Edict”（或edict-2.0等Fork）的完整系统。
分析显示，这种“赛博朝廷”设计并非简单角色扮演，而是严格的分权制衡工作流：用户输入如“圣旨”般下达，系统自动分拣、规划、审议、执行、审查，形成闭环，避免了传统多Agent框架中常见的混乱沟通与结果不可控。
历史映射：
- 太子：消息分拣器，仅将有效“旨意”转化为任务，闲聊自动回复。
- 三省（中书省、门下省、尚书省）：中书负责任务拆解规划，门下负责逻辑审议封驳，尚书统筹派发执行。
- 六部/七部（吏、户、礼、兵、刑、工 + 早朝官）：专项执行部门，如兵部专注代码生成与工程实现，刑部负责审查纠错，户部处理资源/数据类任务。
- 军机处Kanban：实时仪表盘，提供任务看板、进度追踪、审计日志。
Benchmarks indicate，这种结构化流水线显著提升了复杂任务（如软件开发、数据分析、决策支持）的成功率与可追溯性。
为什么选择三省六部制：传统多Agent框架的痛点与解决方案
社区反馈显示，传统OpenClaw部署或LangChain、CrewAI等框架在处理长周期、多步骤任务时常面临三大挑战：
- 幻觉与错误累积：单一Agent或自由讨论模式易产生逻辑漏洞，无独立审查机制。
- 缺乏可观测性：任务状态黑箱，难以追踪“谁做了什么、何时出错”。
- 协作无序：Agent间无明确分工，导致重复劳动或遗漏关键步骤。
三省六部制通过强制单向信息流 + 制衡角色解决这些问题：
- 太子过滤噪声 → 中书产出结构化计划 → 门下Cross-check（双模型校验） → 尚书派发 → 各部并行执行 → 最终审查归档。
独特洞见：古人设计的“起草-审议-执行-监督”流水线天然契合LLM的强项（生成）与弱项（自我纠错），社区实测在工程类任务中错误率降低30%以上（基于公开讨论与早期Benchmark）。同时，文化隐喻让系统易于理解与扩展，适合文理结合的开发者与非技术用户。
核心Agent角色详解与技术实现
太子（消息分拣）
负责初步分类：闲聊自动回复，仅“旨意”类指令创建任务单。技术上通常使用轻量Prompt + 规则过滤，降低主流程负载。
三省（决策层）
- 中书省：任务拆解专家。将模糊需求转化为可执行子任务树，常配置最强模型（如Claude 3.5 Sonnet）。
- 门下省：审议专家。专职挑刺、逻辑校验、风险评估，支持Cross-model验证防止幻觉。
- 尚书省：执行统筹。派发任务、协调资源、汇总进度。
七部（执行层）
- 吏部：人事/权限管理（如Agent配置）。
- 户部：资源与数据处理。
- 礼部：文档、报告、用户交互优化。
- 兵部：核心执行（如代码生成、自动化脚本）。
- 刑部：质量审查、纠错、合规检查。
- 工部：基础设施、部署、集成任务。
- 早朝官：每日/周期性汇总报告。
技术细节：每个Agent通过OpenClaw底层通信，配备独立Prompt模板、工具调用（Tool Use）、内存上下文。系统支持模型热切换（OpenAI、Anthropic、Gemini、Copilot等），并内置实时Kanban仪表盘展示状态流转（待派发 → 执行中 → 待审查 → 已完成）。
部署与上手指南
快速启动方式
- Docker部署（推荐新手）：克隆仓库后，一键
docker-compose up启动看板（通常http://127.0.0.1:7891）与后端服务。 - 原生安装（macOS/Linux/Windows）：安装Node.js依赖，配置环境变量（API Keys），运行同步脚本与服务。
- 验收标准：浏览器访问看板页面，后端接口返回JSON任务数据，即部署成功。
模型配置：支持多种LLM，提供预设Prompt模板。社区建议为决策层（中书/门下）使用顶级模型，执行层使用性价比模型以控制成本。
一键启动/停止脚本：项目内置，便于日常管理。
高级技巧、边缘案例与常见坑点
高级优化：
- 模型混合使用：决策层用Claude，执行层用DeepSeek/Gemini，降低费用同时保持质量。
- 自定义扩展：Fork仓库添加新“部”或工具集成（如外部API、数据库查询）。
- 审计与归档：启用Kanban归档功能，实现任务历史永久追溯。
- 大规模任务：结合OpenClaw的Skill市场，赋予各部专业能力（如代码执行、网页浏览）。
边缘案例处理：
- 模糊需求：强化太子Prompt，提升分拣准确率。
- 长时间运行：配置持久化内存，避免上下文丢失。
- 多用户场景：添加权限控制，模拟“朝堂”多臣协同。
常见坑点及规避：
- Prompt漂移：严格版本化各Agent系统Prompt，避免随意修改导致流程崩坏。
- 成本爆炸：监控Token用量，为非关键角色设置温度较低、廉价模型。
- 审查瓶颈：门下省若过于严格可能卡住流程，建议添加超时自动降级机制。
- 部署兼容：Windows用户注意路径与权限问题，优先Docker。
- 隐私安全：本地部署优先，避免敏感数据泄露；定期审查审计日志。
社区实测显示，遵循这些实践后，系统稳定性与任务完成率显著优于无结构多Agent方案。
与其他Multi-Agent框架的对比
| 维度 | OpenClaw 三省六部制 | 传统LangChain/CrewAI | 纯OpenClaw单Agent |
|---|---|---|---|
| 结构化程度 | 高（固定流水线+制衡） | 中（自定义Graph） | 低（自由对话） |
| 可观测性 | 优秀（Kanban + 审计轨迹） | 中等 | 差 |
| 错误控制 | 强（多层审查） | 依赖Prompt工程 | 弱 |
| 上手难度 | 中等（文化隐喻易懂） | 高（需编程） | 低 |
| 适合任务 | 复杂工程、长期项目 | 灵活实验 | 简单查询/聊天 |
分析显示，三省六部制在可靠性与可维护性上更胜一筹，尤其适合需要“可解释执行路径”的生产级应用。
结论
OpenClaw 三省六部制提供了一种独特而高效的AI协作范式，将古代政治智慧与现代LLM能力完美融合。通过分权制衡机制，它让复杂任务处理更可靠、可追踪且易于管理。无论你是开发者寻求高效工作流，还是AI爱好者想体验“赛博皇帝”乐趣，这个项目都值得立即尝试。
立即访问GitHub主仓库（cft0808/edict及相关Fork）克隆部署，配置你的第一个“朝廷”Agent团队，开始批阅“奏折”吧。持续关注项目更新，结合OpenClaw最新Skill与模型能力，进一步定制你的专属AI帝国。
行动起来：部署成功后，在看板创建第一个复杂任务，感受结构化协作的强大威力。