OpenClaw多Agent系统:用多个AI协作完成复杂任务

单Agent能力上限 = min(模型能力, 上下文窗口, 工具完整性)
多Agent团队能力 = Σ(各Agent专业能力) + 协调效率

┌─────────────────────────────────────────┐
│           Supervisor（协调者）            │
│  - 接收高层指令                          │
│  - 分解任务成子任务                      │
│  - 分派给Worker                         │
│  - 汇总Worker结果                       │
│  - 向用户返回最终成果                    │
├─────────────────────────────────────────┤
│  Worker 1    Worker 2    Worker 3        │
│  研究专家    数据专家    内容专家         │
│  (Research)  (Analysis)  (Writing)       │
└─────────────────────────────────────────┘

┌─────────────────────────────────────────┐
│           Agent A                       │
│  角色：研究 + 写作                       │
├─────────────────────────────────────────┤
│           Agent B                       │
│  角色：分析 + 设计                       │
├─────────────────────────────────────────┤
│           Agent C                       │
│  角色：编码 + 测试                       │
└─────────────────────────────────────────┘

通过共享Telegram群组/文件进行通信

# AGENTS.md - Agent团队配置

## 团队成员

### supervisor（协调者）
-**模型**: claude-4-sonnet
-**角色**: 任务分解、进度跟踪、结果整合
-**技能**: task-planning, result-synthesis, progress-tracking
-**内存**: 独立的MEMORY.md

### researcher（研究专家）
-**模型**: gpt-5.5
-**角色**: 网络搜索、信息抓取、文献整理
-**技能**: web-search, arxiv-fetcher, data-collection
-**内存**: research-memory.md

### analyst（数据分析专家）
-**模型**: deepseek-coder
-**角色**: 数据处理、统计分析、可视化
-**技能**: data-processing, statistical-analysis, chart-generation
-**内存**: analyst-memory.md

### writer（内容创作专家）
-**模型**: minimax/MiniMax-M2.7
-**角色**: 文案撰写、内容优化、格式排版
-**技能**: content-writing, copy-editing, formatting
-**内存**: writer-memory.md

## 协作规则

1. 所有Agent通过共享workspace目录交换信息
2. 协调者通过sessions_send向Worker分派任务
3. Worker完成后将结果写入shared/目录
4. 协调者读取shared/目录汇总最终结果
5. 所有Agent定期向各自MEMORY.md写入进度

# 协调者写入任务
echo"任务：从GitHub获取openclaw最新PR列表">/workspace/shared/tasks/researcher/todo.md

# Worker读取任务
cat/workspace/shared/tasks/researcher/todo.md

# Worker写入结果
echo"## 完成的PR列表...">/workspace/shared/results/researcher/pr-list.md

# 协调者读取结果
cat/workspace/shared/results/researcher/pr-list.md

// 通过sessions_send直接向其他Agent发送消息
sessions_send(
sessionKey="researcher-agent",
message="请完成以下任务：搜索2026年最新的大模型论文..."
)

# 配置让researcher和writer加入同一群组
# 然后通过message工具发送消息给群组
message(channel="telegram",target="research-team",message="任务完成...")

# 创建工作目录
mkdir-p/workspace/team-demo
cd/workspace/team-demo

# 创建团队AGENTS.md
cat>AGENTS.md<< 'EOF'
# 团队配置
agents:
  coordinator:
    model: claude-4-sonnet
    role: 任务协调
    skills: [task-planning, result-synthesis]
  researcher:
    model: gpt-5.5
    role: 信息收集
    skills: [web-search, data-collection]
  writer:
    model: minimax/MiniMax-M2.7
    role: 内容创作
    skills: [content-writing]
EOF

cat>AGENTS.md<< 'EOF'
# 分层团队配置
agents:
  # 一级：项目管理层
  project-manager:
    model: claude-4-sonnet
    role: 项目总负责
    level: 1

  # 二级：领域负责人
  research-lead:
    model: gpt-5.5
    role: 研究负责人
    level: 2
    parent: project-manager
  dev-lead:
    model: claude-4-sonnet
    role: 开发负责人
    level: 2
    parent: project-manager
  content-lead:
    model: minimax/MiniMax-M2.7
    role: 内容负责人
    level: 2
    parent: project-manager

  # 三级：执行专家
  web-scraper:
    model: deepseek-coder
    role: 网页数据抓取
    level: 3
    parent: research-lead
  arxiv-searcher:
    model: deepseek-coder
    role: 论文搜索
    level: 3
    parent: research-lead
EOF

# 创建共享目录结构
mkdir-pshared/context# 共享上下文（项目背景、品牌信息）
mkdir-pshared/tasks# 任务池
mkdir-pshared/results# 结果池
mkdir-pshared/docs# 共享文档

# 每个Agent的私有目录
mkdir-pagents/coordinator/memory
mkdir-pagents/researcher/memory
mkdir-pagents/writer/memory

用户输入：AI智能硬件行业

         ↓
    [协调者]
    分解任务

   ↓           ↓           ↓
[研究者]    [分析师]    [文案]
搜集信息    处理数据    准备素材

         ↓
    [协调者]
    汇总整合

         ↓
    [输出]
竞品分析报告（约5000字）

# 在AGENTS.md中添加
cat>>AGENTS.md<< 'EOF'

## 工作流：智能竞品分析

### researcher任务
1. 搜索目标行业Top 10竞品官网
2. 抓取各竞品的产品介绍、定价、功能列表
3. 搜索行业报告和新闻
4. 输出：research-findings.md

### analyst任务
1. 读取researcher的发现
2. 进行SWOT分析
3. 生成数据可视化图表
4. 输出：analysis-report.md + charts/

### writer任务
1. 读取协调者的分析报告
2. 撰写完整的竞品分析报告
3. 格式化为适合公众号发布的样式
4. 输出：final-report.md

### 协调者流程
1. 接收用户任务："分析[行业]的竞品格局"
2. 生成research-brief.md
3. 并行启动researcher和analyst
4. 等待两者完成后启动writer
5. 汇总所有输出，生成最终报告
6. 推送给用户
EOF

用户：帮我分析一下新能源电动汽车市场的竞品格局

协调者：
  → 生成research-brief.md
  → sessions_send(to="researcher", message="请执行竞品研究...")
  → sessions_send(to="analyst", message="请执行竞品分析...")

researcher（并行执行）:
  → 搜索Tesla、比亚迪、蔚来、小鹏、理想...
  → 输出：research-findings.md（包含产品线、售价、功能对比）

analyst（并行执行）:
  → 读取researcher输出
  → 进行SWOT分析、价格定位分析、市场份额分析
  → 生成图表：market-share-chart.png、price-positioning-chart.png
  → 输出：analysis-report.md

writer:
  → 读取analysis-report.md + charts/
  → 撰写5000字竞品分析报告
  → 输出：final-report.md

协调者：
  → 读取final-report.md
  → 整理后推送给用户

cat>>AGENTS.md<< 'EOF'

## 工作流：自动化代码审查

### coder任务
1. 接收PR信息（仓库、PR号、变更内容）
2. 执行代码审查：逻辑错误、风格问题、安全漏洞
3. 运行测试套件
4. 输出：code-review-report.md

### reviewer任务
1. 读取code-review-report.md
2. 评估问题严重程度（blocker/major/minor）
3. 提出改进建议
4. 输出：review-findings.md

### tester任务
1. 根据变更内容设计测试用例
2. 执行额外测试（边缘情况、性能）
3. 输出：test-report.md

### 协调者汇总
- 如果有任何blocker级别问题 → 建议关闭PR
- 如果有major问题 → 建议修改后重审
- 如果只有minor → 自动合并
- 输出最终报告给开发者
EOF

cat>>AGENTS.md<< 'EOF'

## 工作流：公众号内容自动生产

### topic-selector任务
1. 读取当前热点（通过web_search）
2. 分析历史文章表现数据
3. 生成3个备选选题
4. 输出：topic-proposals.md

### writer任务
1. 读取topic-proposals.md
2. 选择最佳选题
3. 撰写完整文章（2000-3000字）
4. 输出：article-draft.md

### designer任务
1. 读取article-draft.md
2. 分析文章内容，提取配图需求
3. 生成5张配图（使用MiniMax API）
4. 输出：article-images/[1-5].png

### editor任务
1. 读取article-draft.md + images
2. 进行三步预检（排版优化、敏感词检测、重复检测）
3. 调整格式确保图文并茂
4. 输出：final-article.md + images

### publisher任务
1. 读取final-article.md
2. 上传到微信公众号草稿箱
3. 推送发布结果给用户

### 协调者监控整个流程
- 每个步骤完成后记录到progress.md
- 如有问题，及时通知相关Agent重做
- 全部完成后生成执行报告
EOF

cat>>AGENTS.md<< 'EOF'

## 工作流：内容多语言本地化

### translator-en任务
1. 读取原始文章
2. 翻译为英文（保留技术术语准确性）
3. 输出：article-en.md

### translator-jp任务
1. 读取原始文章
2. 翻译为日文（符合日本读者习惯）
3. 输出：article-jp.md

### translator-es任务
1. 读取原始文章
2. 翻译为西班牙文
3. 输出：article-es.md

### localizer-*任务（每个翻译后）
1. 检查文化适应性
2. 调整示例和引用使其符合本地市场
3. 优化SEO关键词
4. 输出：localized-article-[lang].md

### 协调者
1. 分发原文给所有translator
2. 收集所有本地化版本
3. 整理多语言内容包
4. 推送给用户
EOF

cat>>AGENTS.md<< 'EOF'

## 工作流：AI智能客服

### classifier任务
1. 接收客户消息
2. 判断意图（售前咨询/售后支持/投诉/其他）
3. 判断紧急程度（高/中/低）
4. 输出：ticket-classification.md

### router任务
1. 读取ticket-classification.md
2. 根据意图将工单分配给对应Agent：
   - 售前咨询 → sales-agent
   - 售后支持 → support-agent
   - 投诉 → escalation-agent

### sales-agent任务
1. 读取客户问题
2. 搜索产品知识库
3. 生成个性化回复
4. 输出：sales-response.md

### support-agent任务
1. 读取客户问题
2. 诊断问题原因
3. 提供解决方案或工单创建
4. 输出：support-response.md

### escalation-agent任务
1. 读取投诉内容
2. 评估严重程度
3. 生成升级报告（包含问题摘要、建议的处理方案）
4. 通知人工客服负责人
5. 输出：escalation-report.md

### 协调者
1. 汇总所有响应
2. 发送给客户
3. 记录到工单系统
EOF

cat>>AGENTS.md<< 'EOF'

## 工作流：每日数据仪表盘

### data-collector任务
1. 抓取Google Analytics数据（访问量、跳出率、转化率）
2. 抓取社交媒体数据（粉丝增长、互动率）
3. 抓取销售数据（订单量、GMV、客单价）
4. 抓取客服数据（响应时间、解决率）
5. 输出：raw-data/2026-05-16.json

### data-analyst任务
1. 读取raw-data
2. 计算关键指标（环比变化、同比变化）
3. 识别异常波动（超过20%的变化需要标记）
4. 生成数据图表
5. 输出：daily-metrics.md + charts/

### report-writer任务
1. 读取daily-metrics.md
2. 撰写每日数据解读报告
3. 突出关键变化和原因分析
4. 输出：daily-report.md

### visualizer任务
1. 读取charts/和数据
2. 生成信息图（适合朋友圈/群分享）
3. 输出：daily-infographic.png

### 协调者
1. 调度各Agent并行工作
2. 汇总最终报告
3. 通过微信/钉钉推送给管理层
EOF

# 协调者使用最贵的模型
coordinator:
model:claude-4-sonnet

# 执行者使用便宜的模型
researcher:
model:deepseek-coder

writer:
model:minimax/MiniMax-M2.7

# 差的做法：Worker返回5000字完整报告
# 好的做法：Worker只返回500字的摘要

{
  "findings": ["关键发现1", "关键发现2", "关键发现3"],
  "data": {"key": "value"},  // 结构化数据，不是长文本
  "confidence": 0.85,
  "issues": ["需要注意的问题1"]
}

{
"multiAgent":{
"maxConcurrent":3,
"perAgentTimeout":300
}
}

# 查看所有Agent状态
openclawagentsstatus

# 查看某个Agent的会话历史
openclawsessionslist--agentresearcher

# 查看Agent之间的消息传递记录
lsshared/tasks/
lsshared/results/

# 查看协调者日志
openclawlogs--filtercoordinator

catMEMORY.md>memory-backup.md
catAGENTS.md>agents-backup.md

openclawagentscreateresearcher--modelgpt-5.5
openclawagentscreatewriter--modelminimax/MiniMax-M2.7

# 更新AGENTS.md
# 将原来单Agent的任务分配给多个专业Agent