你的 AI 助手只会单线程?让它学会自己＂招人＂干活

AI 助手的天花板

你有没有发现，跟 AI 助手聊天，永远是”一对一”的模式？

你让它写代码，它就埋头写。你让它搜资料，它就一项一项搜。你让它处理一堆文件，它就在那慢慢跑，你只能干等。

一次只能干一件事，干完了才能干下一件。

对于简单的问答，这没问题。但一旦遇到复杂任务——写一篇需要多方调研的文章、处理大量数据、跑一个耗时的脚本——这个”单线程”模式就成了效率瓶颈。

人遇到这种情况怎么办？分工。 把大任务拆成小任务，分给不同的人同时干。

OpenClaw 的 SubAgent（子智能体）干的就是这件事——让你的 AI 助手学会”招人”干活。

SubAgent 能干什么？

SubAgent 是从主 Agent 里分身出来的独立 Agent。它有自己的会话、自己的上下文、自己的 token 预算，在后台默默干活，干完了回来汇报。

核心能力：

• • 并行处理： 同时派好几个分身出去，各自干活，互不干扰
• • 后台执行： 派出去就立刻返回，不阻塞你的主对话
• • 自动汇报： 完成后主动把结果发回来，不需要你盯着
• • 独立计费： 可以给它指定便宜模型，省钱

打个比方：你是项目经理，主 Agent 是你自己。SubAgent 是你临时拉来的外援——给他一个任务，他去做，做完了告诉你。你继续干你的事。

怎么用？先体验，再自动化

第一步：直接跟 Agent 说

最简单的方式——你直接告诉 Agent 要用 SubAgent：

“我有 20 张图片需要裁剪，你调用 SubAgent 并行处理一下”

“帮我调研一下 React Server Components，用 SubAgent 并行搜索官方文档、GitHub issues、社区讨论”

Agent 收到指令，就会自动拆分任务、分身同时干活、完成后汇总结果。

你不需要知道任何命令或 API，用大白话提需求就行。 先这样试几次，感受一下”多个分身同时干活”是什么体验。

第二步：写规则，让 Agent 自动分身

每次都说”你用 SubAgent 处理一下”，有点麻烦。更好的方式是——在 AGENTS.md 里写几条规则，Agent 以后遇到类似场景就自动分身，不需要你再提醒：

## SubAgent 使用规则- 搜索类任务（需要查多个来源）→ spawn 多个 SubAgent 并行搜索- 耗时任务（生成图片、处理数据、跑测试）→ spawn SubAgent 后台执行- 重复性任务（批量处理文件）→ 按批次 spawn SubAgent 并行处理

写完保存。以后你只需要说”帮我调研一下 xxx”，Agent 读到规则，自动判断”这是搜索类任务，该并行处理”，自己就分身干活了。

你也可以直接让 Agent 帮你保存规则，把下面这一段话发送给 Agent:

帮我把下面的规则写入 agent.md:## SubAgent 使用规则- 搜索类任务（需要查多个来源）→ spawn 多个 SubAgent 并行搜索- 耗时任务（生成图片、处理数据、跑测试）→ spawn SubAgent 后台执行- 重复性任务（批量处理文件）→ 按批次 spawn SubAgent 并行处理

从”每次都要提醒”→”Agent 自己判断”——这就是从手动到自动的升级。

背后发生了什么？

你不需要关心这些，但了解一下也好——当你提交需求后，Agent 内部会类似这样做（这是自动的，你不需要写任何代码）：

# Agent 读取规则 → 判断任务类型 → 自动 spawn 分身sessions_spawn(task="搜索框架官方文档，整理核心概念", label="docs-search")sessions_spawn(task="搜索 GitHub issues，找常见问题", label="issues-search")sessions_spawn(task="搜索社区讨论，收集使用体验", label="community-search")

三个分身同时干活，完成后 Agent 自动汇总。你只说了”帮我调研一下”，背后就完成了分身、并行、汇总的全流程。

场景一：自动并行搜索

你要写一篇关于某个技术框架的文章，Agent 自动判断：这个需要查多个来源，应该并行处理。

它自己就会在背后这样做（你不需要写这些代码，这是 Agent 自动完成的）：

# Agent 自动 spawn 多个分身sessions_spawn(task="搜索框架官方文档，整理核心概念和 API 变化", label="docs-search")sessions_spawn(task="搜索 GitHub issues，找常见问题和 breaking changes", label="issues-search")sessions_spawn(task="搜索社区讨论，收集实际使用体验和踩坑记录", label="community-search")

三个分身同时干活，各自完成后汇报。Agent 拿到三份报告，综合起来给你一份完整的调研结果。你只说了”帮我调研一下”，它自己就完成了分身、并行、汇总的全流程。

场景二：耗时任务自动后台化

你让 Agent 生成一张封面图。正常流程是：它去调 API → 等待生成 → 返回结果。这段时间你什么都干不了。

如果 Agent 知道”生成图片是耗时任务，应该后台跑”，它会自动 spawn 一个 SubAgent 去生成，自己立刻回来跟你说”正在生成中，好了通知你”。

你不等待，不阻塞，任务照样完成。

场景三：批量任务自动拆分

你有一批文件需要处理（比如批量压缩图片、批量转换格式）。Agent 自动把这批文件分成几组，每组丢给一个 SubAgent 并行处理：

# Agent 自动按批次分发（你看到的只是处理结果变快了）sessions_spawn(task="处理第 1-10 张图片：压缩到 800px 宽，输出到 /output/", label="batch-1")sessions_spawn(task="处理第 11-20 张图片：压缩到 800px 宽，输出到 /output/", label="batch-2")

原本串行需要 10 分钟的活，并行可能 3 分钟就搞定。

限制

• • 分身不能再招分身。 避免无限嵌套。
• • 共享进程资源。 独立会话但跑在同一进程里，同时运行数量有限。
• • 没有完整人设。 SubAgent 只注入 AGENTS.md 和 TOOLS.md，是一个”工具人”。

写在最后

大多数 AI 助手还是”一对一”的模式——你问它答，一次一件事。

SubAgent 打破了这个限制。用起来也分两步：

• • 先体验： 直接跟 Agent 说”用 SubAgent 并行处理”，感受一下多分身干活的效率
• • 再自动化： 在 AGENTS.md 里写几行规则，Agent 以后自己判断什么时候该分身

一个人干活 → 自动变成一个团队在干活。

这才是 AI 助手该有的效率。

👇 关注公众号，获取更多 AI + OpenClaw 实战干货

我是迁徙，专注 AI + OpenClaw 实践分享。如果这篇文章对你有帮助，欢迎关注、点赞、转发～