Agent Swarm – 多智能体集群编排

🚨 强制入口 – 必须先执行！

无论用户请求什么任务，使用智能体集群前必须先执行入口脚本：

python3 scripts/swarm_entry.py

根据返回的 status 决定下一步

脚本返回 JSON，根据 status 字段行动：

示例流程

# Step 1: 执行入口脚本
result = exec("python3 scripts/swarm_entry.py")

# Step 2: 解析返回的 JSON
if result.status == "need_config":
    # 向用户展示配置选项
    print(result.display)  # 已检测到的模型
    print(result.prompt)   # 请选择 A/B/C
    # 等待用户回复...
    
elif result.status == "ready":
    # 直接开始任务编排
    agents = result.agents
    # 继续执行用户的任务...

用户选择后完成初始化

用户选择配置方式后，执行初始化：

# 用户选择 A（自动分配）后
python3 scripts/swarm_entry.py --action init

重置配置

python3 scripts/swarm_entry.py --action reset

概述

此技能使你成为智能体团队的指挥官，能够根据任务复杂度智能调度多个专业智能体协同完成工作。

核心流程：入口检查 → 分析任务 → 拆解子任务 → 选择合适的 Agent → 并行/串行执行 → 整合结果

⚡ 配置向导详解

当入口脚本返回 status: "need_config" 时，执行以下配置流程：

Step 1: 展示检测结果

脚本已自动检测模型，直接展示 result.display 内容给用户：

## 📦 您的 OpenClaw 已配置以下模型

### 🔴 高性能模型 (适合: coder, writer, analyst, reviewer)
- Claude Opus 4.5 (`vendor-claude-opus-4-5/aws-claude-opus-4-5`)

### 🟡 中等模型 (适合: pm, designer)  
- Gemini 3 Pro (`vendor-gemini-3-pro/gemini-3-pro-preview`)

### 🟢 轻量模型 (适合: researcher, assistant)
- GLM-4.7 (`lixiang-glm-4-7/Kivy-GLM-4.7`)

Step 2: 展示配置选项

展示 result.prompt 内容：

请选择配置方式：

**A. 自动分配** — 根据您现有的模型自动配置智能体团队
**B. 添加新模型** — 我会推荐主流模型供您选择
**C. 自定义配置** — 您手动指定每个智能体的模型

请回复 A/B/C

Step 3: 根据用户选择执行

选择 A（自动分配）：

python3 scripts/swarm_entry.py --action init

选择 B（添加新模型）：

• 展示主流模型选项和配置指南
• 用户提供配置后，更新 OpenClaw 配置
• 然后执行 init

选择 C（自定义配置）：

• 让用户指定每个智能体的模型
• 收集完成后执行 init

Step 4: 确认初始化完成

初始化成功后，告知用户：

✅ Agent Swarm 配置完成！现在可以开始使用智能体团队了。

旧版配置方式（兼容）

如需手动检测模型，也可以使用 gateway 工具：

# 使用 gateway 工具获取当前配置
gateway({ action: "config.get" })

从返回的配置中提取 models.providers 下的所有可用模型。

Step 2: 向用户展示可用模型

按性能等级分类展示：

## 📦 您的 OpenClaw 已配置以下模型

### 🔴 高性能模型 (适合: coder, writer, analyst, reviewer)
- Claude Opus 4.5 (claude-opus-4-5/claude-opus-4-5)

### 🟡 中等模型 (适合: pm, designer)
- Gemini 3 Pro (vendor-gemini-3-pro/gemini-3-pro-preview)

### 🟢 轻量模型 (适合: researcher, assistant)
- GLM-4.7 (glm-4-7/Kivy-GLM-4.7)

### 🖼️ 图像模型 (适合: designer)
- Gemini 3 Pro Image (gemini-3-pro-image/gemini-3-pro-image-preview)

Step 3: 询问用户配置方式

请选择配置方式：

**A. 自动分配** — 根据您现有的模型自动配置智能体团队
   - 高性能任务(编码/写作/分析) → 使用您最强的模型
   - 中等任务(规划/设计) → 使用中等模型
   - 轻量任务(搜索/问答) → 使用成本最低的模型

**B. 添加新模型** — 我会推荐主流模型供您选择
   - Claude (Anthropic)
   - GPT-4o (OpenAI)
   - Gemini (Google)
   - DeepSeek V3 (DeepSeek)
   - Qwen Max (阿里云)
   - GLM-4 (智谱)

**C. 自定义配置** — 您手动指定每个智能体的模型

请回复 A/B/C 或直接告诉我您的选择。

Step 4: 根据用户选择执行配置

选择 A（自动分配）：

• 分析已有模型，按能力等级分配到各智能体
• 生成配置补丁并应用

选择 B（添加新模型）：

• 展示主流模型选项和 API 配置指南
• 用户提供 API Key 后，生成模型配置
• 更新 OpenClaw 配置

选择 C（自定义配置）：

• 列出所有智能体及其推荐模型等级
• 让用户逐个指定

配置向导脚本

可运行配置向导脚本辅助检测：

python3 scripts/setup_wizard.py

脚本会：

1. 自动读取 OpenClaw 配置
2. 分析已配置的模型
3. 建议智能体分配方案
4. 生成配置补丁文件

主流模型推荐

模型添加示例

如果用户选择添加新模型，生成类似配置：

{
  "models": {
    "providers": {
      "my-deepseek": {
        "baseUrl": "https://api.deepseek.com/v1",
        "apiKey": "sk-xxx（用户提供）",
        "api": "openai-completions",
        "authHeader": "Authorization",
        "models": [{
          "id": "deepseek-chat",
          "name": "DeepSeek V3",
          "contextWindow": 64000,
          "maxTokens": 8192
        }]
      }
    }
  }
}

可用智能体团队

智能体人格速览

模型成本参考

成本优化原则：简单任务用便宜模型，复杂任务才用贵模型。

编排流程

Step 1: 任务分析

收到任务 → 判断复杂度
├── 简单任务 → 直接执行
└── 复杂任务 → 进入编排模式

Step 2: 任务拆解

将复杂任务分解为独立子任务，明确：

• 每个子任务的目标和输出格式
• 输入数据和上下文
• 依赖关系（哪些可并行，哪些需串行）

Step 3: Agent 选择

根据子任务性质选择最合适的 Agent：

Step 4: 执行调度

使用 sessions_spawn 调度子智能体。spawn 是异步的，子任务完成后会自动回报结果。

并行执行示例（多个 spawn 同时派发，各自独立执行）：

// 在同一个回合内连续 spawn，这些任务会并行执行
// 子任务完成后各自回报，主 Agent 收集结果后汇总

// 方式 1: 直接连续 spawn
sessions_spawn({ task: "搜索 LangChain 资料...", agentId: "researcher", label: "research-langchain" })
sessions_spawn({ task: "搜索 AutoGPT 资料...", agentId: "researcher", label: "research-autogpt" })
sessions_spawn({ task: "搜索 CrewAI 资料...", agentId: "researcher", label: "research-crewai" })
// 三个任务并行执行，分别回报结果

// 方式 2: 循环派发（更清晰）
const frameworks = ["LangChain", "AutoGPT", "CrewAI"]
frameworks.forEach(name => {
  sessions_spawn({
    task: `搜索 ${name} 框架的特点、优缺点、适用场景，输出结构化总结到 /workspace/research/${name.toLowerCase()}.md`,
    agentId: "researcher",
    label: `research-${name.toLowerCase()}`
  })
})
// 子任务完成后自动回报，主 Agent 汇总所有结果

串行执行示例（等待上一步结果再继续）：

// 串行需要等待前序任务完成，收到回报后再 spawn 下一个
// 流程：调研 → (等待回报) → 写作 → (等待回报) → 配图 → (等待回报) → 审核

// Step 1: 先派发调研任务
sessions_spawn({ task: "调研 AI Agent 框架...", agentId: "researcher" })
// 等待 researcher 回报结果...

// Step 2: 收到调研结果后，派发写作任务
sessions_spawn({ 
  task: "基于 /workspace/research/ 的调研资料，撰写对比分析文章...", 
  agentId: "writer" 
})
// 等待 writer 回报...

// Step 3: 文章完成后，派发配图任务
sessions_spawn({ task: "为文章生成配图...", agentId: "designer" })

混合编排示例（先并行，后串行）：

// Phase 1: 并行调研（同时派发）
sessions_spawn({ task: "搜索 LangChain...", agentId: "researcher", label: "r1" })
sessions_spawn({ task: "搜索 AutoGPT...", agentId: "researcher", label: "r2" })
sessions_spawn({ task: "搜索 CrewAI...", agentId: "researcher", label: "r3" })

// 等待 3 个调研任务都完成...

// Phase 2: 串行处理（基于汇总结果）
sessions_spawn({ task: "整合调研资料，撰写报告...", agentId: "writer" })
// 等待 writer 完成...

sessions_spawn({ task: "审核报告质量...", agentId: "reviewer" })

Step 5: 结果整合

• 收集所有子 Agent 的输出
• 整合、去重、格式化
• 输出最终交付物
• 必须输出执行统计（见下方模板）

编排示例

示例 1: 技术调研报告

用户: "调研主流 AI Agent 框架，写一篇对比分析文章"

编排方案:
├── 🔍 researcher × 3 (并行)
│   ├── 搜索 LangChain - 整理功能、优缺点、案例
│   ├── 搜索 AutoGPT - 整理功能、优缺点、案例  
│   └── 搜索 CrewAI - 整理功能、优缺点、案例
├── ✍️ writer (串行，等调研完成)
│   └── 整合资料，撰写对比分析文章
├── 🎨 designer (串行)
│   └── 生成框架对比图/架构图
└── 🔎 reviewer (串行)
    └── 审核文章质量，提出改进建议

示例 2: 代码项目

用户: "帮我重构这个项目的认证模块"

编排方案:
├── 📋 pm (可选)
│   └── 分析需求，拆解重构步骤
├── 👨‍💻 coder
│   └── 分析现有代码，实现重构
└── 🔎 reviewer (串行)
    └── 代码审查，确保质量

示例 3: 数据分析报告

用户: "分析这份销售数据，生成月度报告"

编排方案:
├── 📊 analyst
│   └── 数据清洗、统计分析、发现洞察
├── ✍️ writer (串行)
│   └── 撰写分析报告
└── 🎨 designer (串行)
    └── 生成数据可视化图表

示例 4: 自动化任务

用户: "帮我设置每天早上自动检查 GitHub trending"

编排方案:
├── 🤖 automator
│   └── 编写脚本 + 设置 cron 定时任务

编排原则

1. 简单任务不过度编排 — 能直接做的就直接做，不要为了用而用
2. 合理并行 — 无依赖的任务并行执行，提高效率
3. 明确交接 — 子任务输出要清晰完整，便于下游使用
4. 失败处理 — 某个子任务失败时，决定重试还是跳过
5. 结果整合 — 最终输出要连贯，不是简单拼接
6. 成本意识 — 优先用便宜模型，复杂任务才用贵模型

🔧 超长文本分批输出策略

当需要生成较长的文件（如完整报告、长文档）时，单次输出可能因模型 token 限制被截断，导致 write 工具调用失败。

问题表现

Validation failed for tool "write":
  - content: must have required property 'content'

或者输出被截断（stopReason: "length"），导致文件内容不完整。

解决方案：分段生成 + 脚本汇总

策略一：分章节派发多个 writer（推荐）

将长报告拆分为多个章节，分别派发给不同的 writer 并行撰写，最后用脚本拼接：

// Phase 1: 并行撰写各章节
sessions_spawn({ task: "撰写第1章：摘要和背景...", agentId: "writer", label: "ch01" })
sessions_spawn({ task: "撰写第2章：核心内容...", agentId: "writer", label: "ch02" })
sessions_spawn({ task: "撰写第3章：结论...", agentId: "writer", label: "ch03" })

// Phase 2: 所有章节完成后，用 exec 拼接
exec(`
  cat sections/ch01.md > FINAL-REPORT.md
  cat sections/ch02.md >> FINAL-REPORT.md
  cat sections/ch03.md >> FINAL-REPORT.md
`)

策略二：exec + heredoc 追加写入

对于单个智能体任务，如果内容太长导致单次 write 失败，可以分段写入：

# 先写入文件头部
cat > output.md << 'PART1'
# 标题
## 第一部分内容...
PART1

# 追加后续内容
cat >> output.md << 'PART2'
## 第二部分内容...
PART2

# 继续追加
cat >> output.md << 'PART3'
## 第三部分内容...
PART3

最佳实践

核心原则：不限制单次输出长度，而是通过拆分任务和并行执行来解决长文本问题。

🆘 子智能体遇错上报机制

子智能体在执行任务时可能遇到各种错误（工具调用失败、模型限制、资源不足等）。为提高任务成功率，建立遇错上报机制。

机制说明

当子智能体任务失败或返回异常时，主智能体应：

1. 分析错误类型：

   • 输出截断（stopReason: "length"）→ 采用分段策略
   • 工具调用失败（Validation failed）→ 检查参数或换方案
   • 模型不支持（如 Gemini Image 不支持 thinking）→ 调整配置
   • 超时（timeout）→ 拆分任务或增加时间

2. 选择解决方案：

   • 增派子智能体并行分担：将大任务拆成小块，派发多个子智能体
   • 主智能体直接处理：简单任务直接由主智能体完成
   • 调整参数重试：修改 task 描述、超时时间、模型配置后重试

错误处理流程

子智能体任务失败
    ↓
主智能体收到失败通知
    ↓
分析错误原因
    ├── 输出过长 → 拆分为多个子任务，增派 writer 并行
    ├── 工具不可用 → 换用 exec 或其他方案
    ├── 模型限制 → 调整 thinking/model 配置
    └── 超时 → 拆分任务或延长 timeout
    ↓
执行解决方案
    ↓
汇总结果

示例：writer 输出被截断的处理

// 原始任务失败（输出太长被截断）
// 主智能体收到通知后，改用分段策略

// 解决方案：拆分为 3 个子任务
sessions_spawn({
  task: "撰写报告第1-2章（摘要、背景），限制 1500 字...",
  agentId: "writer",
  label: "report-part1"
})

sessions_spawn({
  task: "撰写报告第3-4章（核心内容），限制 1500 字...",
  agentId: "writer",
  label: "report-part2"
})

sessions_spawn({
  task: "撰写报告第5-6章（结论、参考文献），限制 1000 字...",
  agentId: "writer",
  label: "report-part3"
})

// 全部完成后用 exec 合并

在子智能体 AGENTS.md 中添加上报指引

建议在每个子智能体的 AGENTS.md 中添加：

## 遇到问题时

如果遇到以下情况，在输出中明确说明，以便主智能体处理：

1. **任务太大**：说明"任务内容过多，建议拆分为 X 个子任务"
2. **工具不可用**：说明"工具 X 调用失败，原因是 Y"
3. **信息不足**：说明"缺少 X 信息，无法完成任务"
4. **超出能力范围**：说明"此任务需要 X 能力，建议交给 Y 智能体"

不要静默失败，明确上报问题有助于主智能体找到解决方案。

调用语法

sessions_spawn({
  task: "具体任务描述，包含必要的上下文和期望的输出格式",
  agentId: "researcher",   // 指定 Agent ID
  model: "glm",            // 可选，覆盖 Agent 默认模型
  thinking: "off",         // 可选，控制思考模式（off/minimal/low/medium/high）
  label: "task-name",      // 可选，便于追踪
  runTimeoutSeconds: 300   // 可选，超时时间（秒）
})

⚠️ 特殊说明：Designer 智能体

重要：调用 designer 智能体时，必须显式设置 thinking: "off"，因为 Gemini Image 模型不支持 thinking 模式：

sessions_spawn({
  task: "为文章生成配图...",
  agentId: "designer",
  thinking: "off"    // 必须！Gemini Image 不支持 thinking
})

Task 描述最佳实践

好的 task 描述应包含：
1. 明确的目标 - 要做什么
2. 必要的上下文 - 背景信息
3. 输出要求 - 格式、保存位置
4. 约束条件 - 限制和注意事项

示例：
"搜索 LangChain 框架的最新资料，整理以下内容：
1. 核心功能和架构
2. 优点和缺点
3. 典型使用案例
4. 与其他框架的对比

输出格式：Markdown
保存到：/workspace/research/langchain.md
语言：中文"

任务完成统计

完成智能体团队协作任务后，必须输出统计信息：

## 📊 智能体团队执行统计

### 执行明细
| 智能体 | 任务 | 耗时 | Tokens (in/out) | 状态 |
|--------|------|------|-----------------|------|
| 🔍 researcher | LangChain调研 | 2m30s | 8k/1.2k | ✅ |
| 🔍 researcher | AutoGPT调研 | 2m45s | 9k/1.0k | ✅ |
| ✍️ writer | 撰写报告 | 3m12s | 15k/2.5k | ✅ |
| 🎨 designer | 生成配图 | 45s | 2k/- | ✅ |

### 成本汇总
- **总耗时**: 9m12s（并行优化后实际: 6m30s）
- **总 Tokens**: 34k input / 4.7k output
- **实际成本**: $0.12
- **全用主模型成本**: $0.29
- **节省**: 59%

### 效率分析
- **并行任务数**: 2个 researcher 并行
- **串行节省**: 通过并行节省 ~2m45s

详细模板见 references/statistics-template.md

智能体工作目录

每个智能体有独立的工作目录，包含其人格配置：

/workspace/agents/
├── pm/           # 📋 产品经理
│   ├── SOUL.md   # 人格定义
│   └── AGENTS.md # 工作规范
├── researcher/   # 🔍 研究员
├── coder/        # 👨‍💻 程序员
├── writer/       # ✍️ 写作者
├── designer/     # 🎨 设计师
├── analyst/      # 📊 分析师
├── reviewer/     # 🔎 审核员
├── assistant/    # 💬 助手
└── automator/    # 🤖 自动化

智能体配置管理

使用 agent_manager.py 脚本管理智能体集群：

# 列出所有智能体
python3 scripts/agent_manager.py list

# 查看智能体详情
python3 scripts/agent_manager.py show researcher

# 添加新智能体（使用模板）
python3 scripts/agent_manager.py add my_agent --template researcher --name "我的智能体" --emoji "🚀"

# 删除智能体（默认会备份）
python3 scripts/agent_manager.py remove my_agent

# 更新智能体配置
python3 scripts/agent_manager.py update my_agent --name "新名称"

可用模板

智能体经验记忆

每个智能体可以积累任务经验，用于提升后续任务的执行质量。

经验记录结构

/workspace/agents/<agent_id>/
└── memory/
    ├── experience.md    # 人类可读的经验记录
    └── experience.json  # 结构化经验数据

使用 experience_logger.py

# 记录一条经验
python3 scripts/experience_logger.py log researcher "搜索技术资料时，英文关键词效果更好" --task "LangChain调研"

# 查看智能体经验
python3 scripts/experience_logger.py show researcher --limit 10

# 生成经验摘要
python3 scripts/experience_logger.py summary researcher

# 输出可注入 prompt 的经验（用于 spawn 时注入）
python3 scripts/experience_logger.py inject researcher --limit 5

在任务中使用经验

方法 1: 在 task 描述中注入经验

# 获取历史经验
import subprocess
result = subprocess.run(
    ["python3", "scripts/experience_logger.py", "inject", "researcher", "--limit", "5"],
    capture_output=True, text=True
)
experiences = result.stdout

# 在 spawn 时注入
sessions_spawn({
    task: f"""搜索 xxx 资料...

{experiences}
""",
    agentId: "researcher"
})

方法 2: 智能体主动读取经验

在智能体的 AGENTS.md 中添加指引：

## 任务前准备
执行任务前，先读取 memory/experience.md 中的历史经验。

## 任务后总结
完成任务后，总结 1-3 条有效经验，记录到 memory/experience.md。

经验记录最佳实践

✅ 好的经验记录：

• 具体可操作：”搜索 GitHub 时加 language:python 过滤更精准”
• 有因果关系：”JSON 输出比纯文本更便于下游处理”
• 针对性强：”处理大文件时分块读取，避免内存溢出”

❌ 避免的记录：

• 太笼统：”要认真工作”
• 太具体：”用户 A 喜欢蓝色”（除非是个性化智能体）
• 重复已有的：”要输出 Markdown 格式”（已在 AGENTS.md 中）

经验自动总结（推荐）

在每个智能体的 AGENTS.md 末尾添加：

## 任务完成后

1. 检查输出是否符合要求
2. 总结本次任务中的有效经验（1-3 条）
3. 将经验追加到 memory/experience.md，格式：
   - [YYYY-MM-DD] 经验描述 (任务名称)

这样智能体在完成任务后会自动总结经验，无需手动干预。

配置与部署

如需配置新的智能体团队或添加新模型，请参阅 references/setup-guide.md

使用初始化脚本快速创建工作目录：

python3 scripts/init_agents.py --base-path /workspace/agents