👥 OpenClaw 多Agent团队协作指南

导读：一个Agent忙不过来？需要不同Agent各司其职？本教程教你搭建OpenClaw多Agent团队，实现任务自动分发、并行执行、结果汇总。从"一个人干"到"一个团队干"。

🏗️ 多Agent架构

🎯 核心概念

🚀 快速开始

1. 定义Agent团队

# ~/.openclaw/config.yaml
agents:
  # 主Agent - 调度中心
  leader:
    model: "gpt-4o"
    systemPrompt: |
      你是团队领导，负责：
      1. 分析复杂任务，拆分为子任务
      2. 分配给合适的团队成员
      3. 汇总各成员的结果
      4. 确保最终输出质量
      
      团队成员：
      - researcher: 负责信息收集和分析
      - writer: 负责内容创作
      - coder: 负责代码开发
      - reviewer: 负责质量审核

  # 研究Agent
  researcher:
    model: "gpt-4o-mini"
    systemPrompt: |
      你是一个信息研究专家。
      擅长：搜索信息、分析数据、整理报告
      输出：结构化的研究结果

  # 写作Agent
  writer:
    model: "gpt-4o"
    systemPrompt: |
      你是一个专业的内容创作者。
      擅长：SEO文章、技术文档、营销文案
      风格：专业但易读

  # 代码Agent
  coder:
    model: "gpt-4o"
    systemPrompt: |
      你是一个高级开发者。
      擅长：Python、TypeScript、Shell脚本
      输出：可运行的代码 + 注释

  # 审核Agent
  reviewer:
    model: "gpt-4o-mini"
    systemPrompt: |
      你是一个质量审核员。
      检查：准确性、完整性、格式规范
      输出：通过/需修改 + 具体建议

2. 使用子Agent

# 在主Agent中派发任务给子Agent

# 方式1: 启动子Agent执行任务
sessions_spawn(
  task: "研究2026年AI Agent市场趋势，输出分析报告",
  agentId: "researcher"
)

# 方式2: 并行启动多个子Agent
sessions_spawn(task: "研究竞品分析", agentId: "researcher")
sessions_spawn(task: "撰写产品介绍", agentId: "writer")
sessions_spawn(task: "编写自动化脚本", agentId: "coder")

# 等待所有子Agent完成
sessions_yield(message: "等待团队完成任务...")

3. 收集结果

# 子Agent完成后会自动通知主Agent
# 主Agent可以：
# 1. 查看子Agent列表和状态
subagents(action: "list")

# 2. 获取子Agent的历史记录
sessions_history(sessionKey: "researcher-session-key")

# 3. 发送消息给子Agent（如果需要补充信息）
sessions_send(sessionKey: "researcher-session-key", message: "补充一下Q2的数据")

📋 实战案例

案例1：自动化内容生产团队

# 场景：每周生成5篇SEO文章
# 主Agent拆解任务：
# 1. researcher: 研究热门关键词和话题
# 2. writer: 为每个关键词写一篇文章
# 3. reviewer: 审核文章质量
# 4. 主Agent: 发布到网站

# 配置Cron任务
openclaw cron add \
  --name "content-team-weekly" \
  --schedule "0 2 * * 1" \
  --task '执行内容生产流程：
    1. 启动researcher子Agent，研究本周热门AI话题
    2. 等待研究结果
    3. 为每个话题启动writer子Agent生成文章
    4. 启动reviewer子Agent审核所有文章
    5. 将审核通过的文章保存到网站
    6. 更新sitemap.xml
    7. 通过飞书通知团队完成'

案例2：自动化运维团队

# 场景：服务器监控和故障处理
agents:
  # 监控Agent
  monitor:
    model: "gpt-4o-mini"
    systemPrompt: |
      你是服务器监控专家。
      定期检查：CPU、内存、磁盘、网络
      异常时：生成告警报告

  # 诊断Agent
  diagnoser:
    model: "gpt-4o"
    systemPrompt: |
      你是故障诊断专家。
      输入：告警信息
      输出：根因分析 + 修复方案

  # 修复Agent
  fixer:
    model: "gpt-4o"
    systemPrompt: |
      你是运维修复专家。
      能力：执行Shell命令、重启服务、回滚部署
      规则：高危操作需人工确认

# 监控流程
openclaw cron add \
  --name "auto-ops-team" \
  --schedule "*/5 * * * *" \
  --task '执行运维监控：
    1. 启动monitor检查服务器状态
    2. 如果发现异常，启动diagnoser分析根因
    3. 如果是已知问题，启动fixer自动修复
    4. 如果是未知问题，通知运维人员
    5. 记录所有操作到日志'

案例3：数据分析团队

# 场景：自动化数据分析报告
agents:
  data-collector:
    model: "gpt-4o-mini"
    systemPrompt: |
      你是数据收集专家。
      能力：API调用、数据库查询、文件读取
      输出：原始数据集

  data-analyst:
    model: "gpt-4o"
    systemPrompt: |
      你是数据分析师。
      能力：统计分析、趋势识别、异常检测
      输出：分析结论 + 可视化数据

  report-writer:
    model: "gpt-4o"
    systemPrompt: |
      你是报告撰写专家。
      输入：分析结论
      输出：专业的分析报告（含图表建议）

# 自动化报告流程
openclaw cron add \
  --name "data-team-report" \
  --schedule "0 9 * * 1" \
  --task '生成周度数据报告：
    1. data-collector收集本周业务数据
    2. data-analyst分析数据趋势和异常
    3. report-writer撰写分析报告
    4. 生成HTML报告保存到网站
    5. 通过邮件发送给管理层'

🔧 高级特性

1. Agent间通信

# 子Agent之间可以通过主Agent中转信息
# 主Agent作为消息中心

# researcher完成研究后通知writer
sessions_send(
  sessionKey: "writer-session",
  message: "研究完成，以下是关键发现：[研究结果摘要]"
)

# writer可以向researcher请求更多信息
sessions_send(
  sessionKey: "researcher-session",
  message: "需要补充Q3的市场数据"

2. 动态Agent创建

# 根据任务需要动态创建Agent
# 主Agent可以根据任务复杂度决定创建几个子Agent

if task.complexity == "high":
    # 创建多个专项Agent
    sessions_spawn(task: "子任务1", agentId: "specialist-1")
    sessions_spawn(task: "子任务2", agentId: "specialist-2")
else:
    # 简单任务直接处理
    handle_task_directly()

3. 结果汇总策略

# 主Agent汇总子Agent结果的方式：

# 方式1: 串行汇总
# 子Agent依次完成，主Agent逐个处理结果
result1 = sessions_spawn(task: "任务1")
result2 = sessions_spawn(task: "任务2")
summary = combine(result1, result2)

# 方式2: 并行汇总
# 多个子Agent同时工作，完成后统一汇总
sessions_spawn(task: "任务A")
sessions_spawn(task: "任务B")
sessions_spawn(task: "任务C")
sessions_yield()  # 等待所有完成
# 主Agent收到所有结果后统一处理

📊 性能与成本优化

模型选择策略

Agent角色	推荐模型	原因
主Agent（调度）	GPT-4o	需要强推理能力
研究Agent	GPT-4o-mini	主要是搜索和整理
写作Agent	GPT-4o	需要高质量输出
代码Agent	GPT-4o / Claude	代码生成需要强模型
审核Agent	GPT-4o-mini	检查类任务较简单

成本控制

# 使用本地模型降低成本
agents:
  researcher:
    model: "ollama/qwen2:7b"  # 本地模型，零成本
  writer:
    model: "gpt-4o"  # 重要任务用强模型
  reviewer:
    model: "ollama/llama3:8b"  # 审核用本地模型

# 使用light-context减少token消耗
sessions_spawn(
  task: "简单任务描述",
  lightContext: true  # 减少上下文注入

💡 最佳实践

• 🎯 明确分工：每个Agent有清晰的职责边界
• 📋 任务拆解：复杂任务拆分为可独立执行的子任务
• 🔄 避免循环：设置最大重试次数，防止Agent间死循环
• 📊 监控状态：定期检查子Agent状态，及时干预异常
• 💰 成本意识：简单任务用小模型，关键任务用强模型
• 📝 日志记录：记录每个Agent的输入输出，便于调试

🆘 常见问题