夜雨聆风这份教程详细介绍了如何在 OpenClaw 框架中通过 Sub-Agent（子智能体） 模式来提升任务处理效率。作者指出，单一智能体在面对海量数据时容易因上下文过多而导致记忆丢失或执行错误，而子智能体可以将复杂任务异步化，从而避免主程序卡顿。这种架构不仅实现了上下文隔离以节省 Token 消耗，还能通过并发限制和模型自定义功能来优化成本与性能。用户只需开启 session_spawn 工具，即可让主智能体自动分发任务，非常适合处理邮件清理、日志分析及大规模网络搜索等耗时长且逻辑重复的场景。最后，视频还提供了关于自动归档和参数配置的实用技巧，旨在帮助用户构建更聪明、更省钱的 AI 工作流。
在 OpenClaw 中，通过主智能体（Main Agent）与子智能体（Sub Agent）的协作，主要通过以下几个方面显著提升任务处理效率：
- 异步执行，避免主流程阻塞
：子智能体是异步执行的。如果一个任务需要较长的时间（例如10分钟），主智能体可以将任务派发给子智能体。在子智能体执行任务期间，主智能体不会被锁定，依然可以随时响应和回复用户发送的其他新消息，大大提高了交互效率。 - 上下文隔离，防止信息遗忘与精度下降
：大模型如果一次性接收过多信息（如100封邮件可能占用 100K 的上下文），容易触发压缩，导致模型遗忘重要指令并降低准确性。利用子智能体可以将任务运行在单独的空间中，庞大的上下文数据仅由子智能体消化，最终只把分析结果（如需要删除的邮件列表）返回给主智能体。这大幅减少了主智能体的 token 占用，确保其拥有充足的上下文窗口和高执行准确度。 - 大任务拆分与并发处理
：面对海量数据（例如1000封甚至1万封邮件），单一智能体难以应付时，主智能体可以同时创建多个子智能体来分担任务（例如创建10个子智能体，每个处理100封）。OpenClaw 默认最多支持同时运行8个子智能体（也可通过修改 concurrent参数来突破限制），从而实现任务的高效并发处理。 - 独立配置模型，优化资源与成本
：子智能体默认与主智能体使用相同的模型和技能，但对于 token 消耗极大的任务，可以为子智能体单独配置专属的模型（通过配置文件的 model属性设定）。这样可以针对特定任务采用更具性价比的模型，实现降本增效。 - 自动归档，保持工作区整洁
：子智能体的会话在闲置一段时间（默认一小时，可通过 archive after minutes更改）后会自动归档。这能防止工作界面被大量无关上下文填满，让用户始终保持清晰、整洁的操作环境。
综合来看，这种多智能体协作模式非常适合数据量大、执行时间长且逻辑重复的任务场景，例如批量整理分析邮件或日志、网络搜索资料以及批量下载文件等。
使用子智能体（SubAgent）解决上下文丢失的具体原理是上下文隔离（Context Isolation）。具体机制和执行过程如下：
- 将高占用任务分配至独立空间
：当模型需要处理大量数据（例如100封总计占据100K大小的邮件）时，如果直接由主Agent处理，会迅速逼近模型的上下文上限，并频繁触发上下文压缩，导致模型遗忘重要指令（例如忘记“删除前需等待确认”的设定）和任务准确性下降。使用SubAgent可以将这类分析任务转移到一个单独的空间中独立运行。 - 主从任务交接与结果精简
：主Agent会根据当前的聊天记录自动生成一段任务描述并交接给SubAgent。SubAgent在其独立空间中完成大量数据的分析后，只会将最终的执行结果（例如精简后的待删除邮件列表）发送回主Agent。 - 释放主Agent的上下文窗口
：因为所有庞大的原始数据处理和Token占用都发生在SubAgent中，主Agent接收到的仅仅是分析结果，这就大幅减少了主Agent的Token占用。主Agent的上下文窗口（Window）得以保留大量可用空间，避免了被动压缩，从而有效防止了重要上下文的丢失。 - 自动归档避免干扰
：SubAgent的会话在设定时间（如一小时）后会自动归档，这能防止主Agent的对话列表被大量无关的SubAgent和冗长的上下文填满，进一步保持了主环境的整洁和上下文的聚焦。
通过配置 SubAgent，主要可以通过以下几种方式来优化 Token 消耗和节省成本：
- 利用上下文隔离减少主智能体 Token 占用
：将消耗大量 Token 的数据处理任务（例如分析占用 100K Token 的上百封邮件）交给 SubAgent 在独立的运行空间中执行。SubAgent 处理完成后，只会把最终精简的分析结果（如需要删除的邮件列表）返回给主智能体。这样可以大幅减少主智能体的 Token 消耗，避免庞大的数据撑爆主智能体的上下文窗口或频繁触发压缩机制。 - 为 SubAgent 单独指定高性价比模型
：虽然 SubAgent 默认使用与主智能体完全相同的模型、工具和技能，但面对 Token 消耗极高的任务时，你可以为它单独配置模型。只需在配置文件中找到 agent 节点，添加 subagents并配置model属性，就能让 SubAgent 使用特定模型完成任务。这样针对耗时耗力的大型任务切换更具性价比的模型，能有效降低整体成本。 - 控制并发数量防止账单激增
：当任务量极大（如需要处理成千上万封邮件）并创建了多个 SubAgent 时，OpenClaw 系统为了防止账单爆炸或操作系统过载，会限制 SubAgent 的并发数量（默认最多同时运行 8 个）。你也可以通过设定 concurrent参数来精准控制同时运行的 SubAgent 数量，从而更有节奏地控制 API 的调用频率和资金消耗。
