Appearance
OpenClaw多智能体实战：Sub-Agent调度与团队协作配置
一次派出多个助手并行干活，效率提升 300% 的秘诀。OpenClaw v2026.3.22 版本全面升级了多智能体架构，支持在一个 Gateway 进程中运行多个完全隔离的 Agent。
为什么需要多智能体协作？
单个 AI Agent 虽然强大，但在实际场景中往往力不从心。很多用户在使用 OpenClaw 时，习惯于在一个主 Agent 中完成所有任务，但随着使用时间增长，记忆文件冗余会导致 Agent 出现「神经错乱」或响应偏差。
单 Agent 的三大痛点
| 痛点 | 具体表现 | 影响 |
|---|---|---|
| 上下文频繁切换 | 写代码的 Agent 需要同时处理前端、后端和测试 | 注意力分散，输出质量下降 |
| 话术风格混乱 | 客服 Agent 需要同时对接多个渠道，各渠道话术风格不同 | 响应不专业，用户体验差 |
| 任务类型混杂 | 研究 Agent 既要搜索信息，又要分析数据，还要撰写报告 | 效率低下，容易出错 |
解决方案：将不同职能拆分至专属 Agent，通过调度层实现任务分配与结果汇总，能有效避免 AI 幻觉、提升响应专业性与效率。
核心概念：OpenClaw 的三种 Agent 类型
| 类型 | 生命周期 | 适用场景 | 典型例子 |
|---|---|---|---|
| Persistent Agent | 常驻运行 | 长期驻守某个频道或场景 | 客服 Bot、编程助手、运营助理 |
| Sub-Agent | 任务完成即归档 | 临时并行处理子任务 | 搜索信息、运行测试、生成报告 |
| ACP Agent | 按协议通信 | 跨平台、跨服务的标准化协作 | 微服务间的 Agent 调用 |
本文重点讲前两种，这是最常用的场景。
第一步：配置多个 Persistent Agent
基础配置：在 openclaw.json 中定义多个 Agent
json
{
"agents": {
"list": [
{
"id": "coordinator",
"name": "协调员",
"workspace": "~/.openclaw/workspace-coordinator",
"model": "claude-opus-4",
"systemPrompt": "你是团队协调员，负责分配任务和汇总结果。"
},
{
"id": "coder",
"name": "程序员",
"workspace": "~/.openclaw/workspace-coder",
"model": "claude-sonnet-4",
"systemPrompt": "你是一个高效的程序员，专注于代码实现和 Bug 修复。"
},
{
"id": "researcher",
"name": "研究员",
"workspace": "~/.openclaw/workspace-researcher",
"model": "openai/gpt-5.4-mini",
"systemPrompt": "你是一个信息研究员，擅长搜索、对比和总结信息。"
}
]
}
}为 Agent 绑定频道
json
{
"agents": {
"bindings": [
{
"agentId": "coordinator",
"channelType": "slack",
"channelId": "#general"
}
]
}
}这样，发到 #general 频道的消息会被 coordinator 处理。
第二步：Sub-Agent 调度机制
什么是 Sub-Agent？
Sub-Agent 是「临时工」，由主 Agent 创建、分配任务、完成后自动销毁。适合需要并行处理的场景。
调用示例
主 Agent（协调员）收到任务后，可以这样调用 Sub-Agent：
用户：帮我调研一下三个 AI 编程工具的对比，写一份报告。
协调员：
1. 创建 Sub-Agent A 调研 Cursor
2. 创建 Sub-Agent B 调研 Windsurf
3. 创建 Sub-Agent C 调研 Claude Code
4. 等待三个 Sub-Agent 返回结果
5. 汇总成最终报告Sub-Agent 的优势
| 优势 | 说明 |
|---|---|
| 并行处理 | 多个任务同时执行，时间从 N×T 变成 T |
| 上下文隔离 | 每个 Sub-Agent 独立上下文，不会互相干扰 |
| 专门化 | 可以给不同 Sub-Agent 分配不同模型 |
| 资源节约 | 任务完成即销毁，不占用长期资源 |
第三步：多模型分层策略
不同任务用不同模型
json
{
"agents": {
"list": [
{
"id": "coordinator",
"model": "claude-opus-4",
"systemPrompt": "你是协调员，负责任务分配和结果汇总。"
},
{
"id": "coder",
"model": "claude-sonnet-4",
"systemPrompt": "你是程序员，专注代码实现。"
},
{
"id": "researcher",
"model": "openai/gpt-4o-mini",
"systemPrompt": "你是研究员，擅长信息搜索。"
}
]
}
}模型选择原则
| 任务类型 | 推荐模型 | 原因 |
|---|---|---|
| 任务调度、复杂推理 | Claude Opus 4 / GPT-4 | 推理能力强，判断准确 |
| 代码实现、Bug 修复 | Claude Sonnet 4 | 性价比高，代码能力强 |
| 信息搜索、简单总结 | GPT-4o-mini / Kimi | 速度快、成本低 |
第四步：实战案例——3人研发团队
场景描述
一个小型研发团队需要：
- 一个协调员接收需求、分配任务
- 一个程序员写代码
- 一个研究员做技术调研
完整配置
json
{
"agents": {
"defaults": {
"workspace": "~/.openclaw/workspace",
"compaction": {
"mode": "safeguard",
"reserveTokensFloor": 20000
}
},
"list": [
{
"id": "coordinator",
"name": "协调员",
"workspace": "~/.openclaw/workspace-coordinator",
"model": "claude-opus-4",
"systemPrompt": "你是团队协调员。收到任务后，判断应该分配给谁：\n- 代码相关 → coder\n- 调研相关 → researcher\n- 需要多方协作 → 同时调用多个 Sub-Agent\n\n完成后汇总结果，用清晰的格式呈现给用户。"
},
{
"id": "coder",
"name": "程序员",
"workspace": "~/.openclaw/workspace-coder",
"model": "claude-sonnet-4",
"systemPrompt": "你是程序员。专注：\n- 代码实现\n- Bug 修复\n- 代码审查\n- 单元测试\n\n不要做与代码无关的事，遇到超出范围的问题请返回给协调员。"
},
{
"id": "researcher",
"name": "研究员",
"workspace": "~/.openclaw/workspace-researcher",
"model": "openai/gpt-4o-mini",
"systemPrompt": "你是研究员。专注：\n- 技术调研\n- 竞品分析\n- 文档整理\n- 方案对比\n\n输出格式要清晰，使用表格和列表。"
}
],
"bindings": [
{
"agentId": "coordinator",
"channelType": "telegram",
"channelId": "private"
}
]
}
}工作流程示例
用户：帮我实现一个用户登录功能，先调研一下最佳实践。
协调员收到消息：
1. 创建 Sub-Agent（研究员）调研登录最佳实践
2. 等待调研结果返回
3. 创建 Sub-Agent（程序员）根据调研结果实现代码
4. 汇总结果返回给用户
输出：
## 调研结果
[研究员的调研报告]
## 代码实现
[程序员的代码]
## 使用说明
[协调员的总结]第五步：常见问题与解决方案
Q1: Sub-Agent 创建失败？
检查 maxConcurrent 配置：
json
{
"agents": {
"defaults": {
"maxConcurrent": 4,
"subagents": {
"maxConcurrent": 8
}
}
}
}Q2: Agent 之间如何共享信息？
两种方式：
- 共享工作目录：多个 Agent 使用同一个 workspace
- 显式传递：在调用 Sub-Agent 时传入上下文
Q3: 如何查看当前运行的 Agent？
bash
/sessions或通过 Gateway API：
bash
curl http://127.0.0.1:18789/sessionsQ4: Sub-Agent 的记忆会保留吗？
不会。Sub-Agent 完成任务后自动销毁，记忆不保留。如需保留，请在主 Agent 中显式保存。
效率提升对比
| 场景 | 单 Agent | 多 Agent | 提升 |
|---|---|---|---|
| 3个并行调研任务 | 串行执行，15分钟 | 并行执行，5分钟 | 3x |
| 代码实现+测试 | 同一会话，上下文混乱 | 独立 Agent，各司其职 | 2x |
| 多渠道客服 | 同一 Agent，风格混乱 | 每渠道独立 Agent | 2.5x |
总结：多智能体的核心价值
| 价值点 | 说明 |
|---|---|
| 上下文隔离 | 每个 Agent 专注自己的领域，不会「精神分裂」 |
| 并行处理 | 多任务同时执行，效率大幅提升 |
| 专业化分工 | 不同 Agent 用不同模型，成本最优 |
| 可扩展性 | 需要新能力？新增一个 Agent 即可 |
从「单兵作战」升级为「团队协作」，是 AI Agent 使用的重要进阶。OpenClaw 的多智能体架构让这个升级变得简单——配置几个 JSON，就能拥有一个专业分工的 AI 团队。
关键词：OpenClaw Sub-Agent, 多智能体协作, Persistent Agent, Agent调度, AI团队协作, OpenClaw配置, 多模型分配
