OpenClaw 多智能体协作:从 CEO 到 Worker 的完整编排

OpenClaw 不仅支持单个智能体工作，还提供了完整的多智能体协作机制。从多智能体路由到子智能体派生，再到 Orchestrator 编排模式，本文带你搞懂 OpenClaw 如何实现"一个 CEO + 多个 Worker"的团队协作。

OpenClaw 提供了三种不同层次的多智能体协作机制，分别适用于不同的场景：

一句话理解： 多智能体路由是"多个独立的人"，子智能体是"一个人派生多个助手"，ACP 是"调用外部工具"。

核心概念

在单个 Gateway 进程中运行多个完全隔离的 Agent，每个 Agent 拥有独立的：

配置示例

通过 bindings 将不同渠道/账号/联系人路由到不同 Agent：

{  agents: {    list: [      {         id: "home",         default: true,        workspace: "~/.openclaw/workspace-home"       },      {         id: "work",         workspace: "~/.openclaw/workspace-work"       },    ],  },  bindings: [    {       agentId: "home",       match: {         channel: "whatsapp",         accountId: "personal"       }     },    {       agentId: "work",       match: {         channel: "whatsapp",         accountId: "biz"       }     },  ],}

典型场景

类比： 就像一台服务器上运行多个虚拟机，每个虚拟机都是独立的操作系统。

核心概念

主 Agent 可以通过 sessions_spawn 工具在后台并行派生子 Agent 执行任务，子 Agent 完成后将结果 announce 回父 Agent。

关键特性

默认限制

{  agents: {    defaults: {      subagents: {        maxSpawnDepth: 1,        // 最大嵌套深度（默认 1 层）        maxChildrenPerAgent: 5,  // 每个 Agent 最多 5 个子 Agent        maxConcurrent: 8,        // 全局并发上限 8 个        runTimeoutSeconds: 900,  // 默认超时 15 分钟      },    },  },}

工作流程

用户发送消息
      ↓
主 Agent 接收任务
      ↓
调用 sessions_spawn 派生子 Agent A、B、C
      ↓
子 Agent 并行执行任务
      ↓
子 Agent 完成后 announce 结果回主 Agent
      ↓
主 Agent 汇总结果后回复用户

典型场景

类比： 就像一个项目经理（主 Agent）给多个员工（子 Agent）分配任务，员工完成后汇报结果。

整体结构

用户
│
▼
主 Agent（CEO / Depth 0）
│  收到任务后，调用 sessions_spawn 派生子 Agent
├──▶ 子 Agent A（Worker / Depth 1）── 完成后 announce 回 CEO
├──▶ 子 Agent B（Worker / Depth 1）── 完成后 announce 回 CEO
└──▶ 子 Agent C（Worker / Depth 1）── 完成后 announce 回 CEO
     │
     │（若启用 maxSpawnDepth: 2）
     ├──▶ 孙 Agent（Leaf Worker / Depth 2）
     └──▶ 孙 Agent（Leaf Worker / Depth 2）

三层角色定义

CEO（主 Agent，Depth 0）

Worker（子 Agent，Depth 1）

启用 Orchestrator 模式（两层嵌套）

若 Worker 本身还需要再派生孙 Agent（Depth 2 Leaf Worker），需要配置：

{  agents: {    defaults: {      subagents: {        maxSpawnDepth: 2,        // 允许 Worker 再派生子 Agent        maxChildrenPerAgent: 5,  // 每个 session 最多 5 个活跃子 Agent        maxConcurrent: 8,        // 全局并发上限      },    },  },}

此时 Depth 1 的 Worker 会额外获得以下工具：

类比： CEO 派生部门经理（Depth 1 Orchestrator），部门经理再派生员工（Depth 2 Leaf Worker）。

结果如何流回用户

Depth-2 Worker 完成 → announce → Depth-1 Orchestrator
      ↓
Depth-1 Orchestrator 汇总 → announce → 主 Agent (CEO)
      ↓
主 Agent 重写为正常回复语气 → 发给用户

关键规则： 每一层只能看到直接子 Agent 的 announce，不会跨层透传原始内部元数据。

嵌套深度限制

工具权限策略

成本考虑

重要提示： 每个子 Agent 都有自己的上下文和 token 消耗。

优化建议：

{  agents: {    defaults: {      model: "gpt-4",  // 主 Agent 使用高质量模型      subagents: {        model: "gpt-3.5-turbo",  // 子 Agent 使用便宜模型      },    },  },}

类比： 就像公司里，CEO 的时薪很高，但普通员工的时薪较低，合理分配资源。

默认隔离

Agent 之间默认完全隔离，无法访问彼此的会话记录。

配置记忆共享

可以通过 memorySearch.qmd.extraCollections 配置让一个 Agent 搜索另一个 Agent 的会话记录：

{  agents: {    defaults: {      workspace: "~/workspaces/main",      memorySearch: {        qmd: {          extraCollections: [            {               path: "~/agents/family/sessions",               name: "family-sessions"             },          ],        },      },    },    list: [      {        id: "main",        workspace: "~/workspaces/main",        memorySearch: {          qmd: {            extraCollections: [              { path: "notes" },  // 解析为 workspace 内的路径            ],          },        },      },      {         id: "family",         workspace: "~/workspaces/family"       },    ],  },  memory: {    backend: "qmd",    qmd: { includeDefaultMemory: false },  },}

使用场景

类比： 就像公司里的共享文档库，不同部门可以访问彼此的文档。

选择建议

需要完全隔离的多个独立智能体
      ↓
多智能体路由

需要一个主智能体派生多个助手并行工作
      ↓
子智能体（Sub-Agents）

官方建议

官方 FAQ 明确说明：

"一个 CEO + 多个 Worker Agent"的团队模式是有趣的实验，但消耗 token 较多，对于大多数场景，推荐使用单 Bot + 多 session 并行工作，必要时再派生子 Agent。"

最佳实践

成本优化建议

1. 优先使用单 Agent + 多 session
2. 必要时派生子 Agent，但限制数量
3. 子 Agent 使用便宜模型
4. 避免过深的嵌套（推荐最多 2 层）
5. 设置合理的超时时间

限制与注意事项

什么是 ACP？

ACP（Agent Control Protocol） 用于编排外部 AI CLI 工具（如 Codex、Claude Code），支持会话恢复、流式输出路由。

使用方式

通过 sessions_spawn 传入 runtime: "acp" 启用：

{  "runtime": "acp",  "command": "codex",  "args": ["--task", "implement feature X"]}

适用场景

类比： 就像一个项目经理（主 Agent）外包任务给外部公司（外部 AI 工具）。

一句话总结：

OpenClaw 提供了三种多智能体协作机制：多智能体路由用于完全隔离的平行世界，子智能体用于动态派生的并行助手，Orchestrator 模式实现"CEO + Worker"的两层编排。

核心机制对比：

配置建议：

{  agents: {    defaults: {      model: "gpt-4",  // 主 Agent 用高质量模型      subagents: {        maxSpawnDepth: 2,        // 启用 Orchestrator 模式        maxChildrenPerAgent: 5,  // 限制子 Agent 数量        maxConcurrent: 8,        // 全局并发控制        model: "gpt-3.5-turbo",  // 子 Agent 用便宜模型      },    },  },}

使用原则：

简单任务 → 单 Agent
并行任务 → 单 Agent + 多 session
复杂编排 → 子 Agent（Depth 1）
极复杂编排 → Orchestrator（Depth 2）
多人使用 → 多智能体路由

OpenClaw 的多智能体协作机制为复杂任务编排提供了强大的工具，但也要注意成本控制和合理使用。

觉得有帮助？欢迎点赞、在看、转发三连~