🎭 OpenClaw 多Agent编排模式完全指南

协作、通信、调度 — 生产级多Agent系统设计

TL;DR：多Agent编排是构建复杂AI系统的关键。本文介绍 OpenClaw 中的5种核心编排模式，包含完整的代码示例和生产级最佳实践。

🎯 5种核心编排模式

模式1：Leader Election（领导者选举）

一个 Agent 作为协调者，分配任务给其他 Agent，汇总结果。

# Leader Agent 配置
agents:
  leader:
    model: claude-sonnet-4-20250514
    role: coordinator
    can_spawn: true
    subordinates:
      - researcher
      - writer
      - reviewer

  researcher:
    model: claude-haiku
    role: research

  writer:
    model: claude-sonnet-4-20250514
    role: writing

  reviewer:
    model: claude-sonnet-4-20250514
    role: review

适用场景：内容生产流水线、多步骤分析、团队协作任务

模式2：Swarm Intelligence（群体智能）

多个平等的 Agent 并行工作，各自独立完成任务，最后汇总。

# 并行执行多个独立任务
sessions_spawn(task="分析竞品A", label="competitor-a")
sessions_spawn(task="分析竞品B", label="competitor-b")
sessions_spawn(task="分析竞品C", label="competitor-c")

# 等待所有完成
sessions_yield(message="等待竞品分析完成")

# 汇总结果
sessions_history(sessionKey="competitor-a")
sessions_history(sessionKey="competitor-b")
sessions_history(sessionKey="competitor-c")

适用场景：并行数据采集、多维度分析、A/B测试

模式3：Pipeline（流水线）

Agent 按顺序处理，前一个的输出是后一个的输入。

# 流水线：采集 → 分析 → 写作 → 发布

# Step 1: 数据采集 Agent
result_1 = sessions_spawn(task="采集今日AI新闻")

# Step 2: 分析 Agent（使用 Step 1 的结果）
result_2 = sessions_spawn(task=f"分析这些新闻: {result_1}")

# Step 3: 写作 Agent
result_3 = sessions_spawn(task=f"撰写日报: {result_2}")

# Step 4: 发布 Agent
result_4 = sessions_spawn(task=f"发布到网站: {result_3}")

适用场景：内容生产流水线、ETL流程、多阶段处理

模式4：Debate（辩论式）

多个 Agent 从不同角度分析问题，通过辩论达成共识。

# 正方 Agent
sessions_spawn(
  task="作为正方，论证为什么应该采用方案A",
  label="pro"
)

# 反方 Agent
sessions_spawn(
  task="作为反方，论证为什么不应该采用方案A",
  label="con"
)

# 裁判 Agent 综合判断
sessions_spawn(
  task="作为裁判，综合正反方观点做出最终判断",
  label="judge"
)

适用场景：决策分析、风险评估、方案评审

模式5：Expert Panel（专家小组）

不同领域的专家 Agent 各自提供专业意见。

# 技术专家
sessions_spawn(
  task="从技术可行性角度评估这个方案",
  label="tech-expert"
)

# 商业专家
sessions_spawn(
  task="从商业价值角度评估这个方案",
  label="biz-expert"
)

# 法律专家
sessions_spawn(
  task="从法律合规角度评估这个方案",
  label="legal-expert"
)

适用场景：全面评估、尽职调查、多维度审查

📡 Agent间通信协议

通信方式	实时性	复杂度	适用场景
sessions_send	同步	⭐	简单消息传递
共享文件	异步	⭐⭐	大数据交换
消息队列	异步	⭐⭐⭐	高并发场景
数据库	异步	⭐⭐	持久化状态

# 使用 sessions_send 进行 Agent 间通信
sessions_send(
  label="researcher",
  message="请查找关于 MCP 无状态化的最新信息"
)

# 等待回复
response = sessions_send(
  label="researcher",
  message="总结一下你的发现",
  timeoutSeconds=60
)

🔧 SubAgent 工厂模式

# SubAgent 工厂：动态创建专业 Agent
def create_specialist_agent(domain):
    sessions_spawn(
        task=f"""你是一个{domain}领域的专家Agent。
        你的任务是：
        1. 分析用户的问题
        2. 提供专业的建议
        3. 给出可执行的步骤

        请用中文回答，保持专业但通俗易懂。""",
        taskName=f"{domain}-specialist",
        mode="run"
    )

# 动态创建不同领域的专家
create_specialist_agent("SEO优化")
create_specialist_agent("内容营销")
create_specialist_agent("技术架构")

⚠️ 多Agent系统常见陷阱

❌ 陷阱1：无限循环

Agent A 让 Agent B 做事，B 又让 A 做事。解决方案：设置明确的任务边界和超时。

❌ 陷阱2：信息丢失

Agent 之间传递信息时丢失上下文。解决方案：使用结构化消息格式。

❌ 陷阱3：资源争抢

多个 Agent 同时写入同一文件。解决方案：使用文件锁或消息队列。