claw-multi-agent 🐝

用 AI 团队替代单个 AI，把串行变并行，把小时变分钟。

能做什么？

⚡ 30 秒上手

说以下任何一句话就能触发：

• “帮我并行调研 LangChain、CrewAI、AutoGen 三个框架”
• “让 Kimi 和 Claude 同时回答这个问题，对比一下”
• “用 swarm 模式帮我做这个调研”
• “派多个 Agent 同时搜索这几个主题”

两种工作模式

🎯 模式一：指挥官模式（有工具，能联网）

子 Agent 拥有联网搜索、读写文件、执行代码等完整工具。

适用：需要真实搜索、文件操作、代码执行的任务。

用户说：并行调研三个 AI 框架
   ↓
主 Agent（我）同时派出 3 个子 Agent
   ├── 🔍 Agent-1 搜索 LangChain → 返回摘要
   ├── 🔍 Agent-2 搜索 CrewAI   → 返回摘要  
   └── 🔍 Agent-3 搜索 AutoGen  → 返回摘要
         ↓（并行，约 25 秒）
主 Agent 整合 → 写完整对比报告

关键规则（避坑）：

• ✅ 子 Agent 只返回搜索摘要（100字以内每条）
• ✅ 主 Agent 自己写完整报告
• ❌ 不要让子 Agent 又搜索又写长文（token 上限会挂）
• ❌ 每次 spawn 必须指定 model，否则走默认不可控

🔄 模式二：流水线模式（纯文本，真并行）

通过 Python CLI 调度多个模型，无工具限制，适合纯文本生成。

适用：写作、翻译、分析、多模型对比等不需要联网的任务。

cd /workspace/openclaw/skills/claw-swarm

# 并行：3个模型同时回答
python run.py --mode parallel \
  --agents "kimi:分析师:分析这个问题的技术层面" \
           "gemini:写作者:用通俗语言解释这个问题" \
           "claude:评论家:指出这个方案的潜在风险" \
  --aggregation compare

# 串行：规划→执行→审核
python run.py --mode sequential \
  --agents "glm:规划师:拆解任务" \
           "kimi:开发者:实现代码" \
           "claude:审核员:审查质量" \
  --aggregation last

选哪种模式？

需要联网搜索？       → 指挥官模式
需要读写文件？       → 指挥官模式
需要执行代码？       → 指挥官模式
纯文本生成/写作？    → 流水线模式
多模型对比同一问题？  → 流水线模式

模型选择指南

成本优化原则：搜索/初稿用 glm，最终输出用 claude，中间步骤按需选。

🔗 contextSharing：让子 Agent 知道背景

子 Agent 默认是全新会话，不知道你的目标和背景。通过在 task 中加 【背景】 段，让它们对齐。

三种方式

方式一：recent（推荐，95% 场景） 把背景压缩成 1-2 句话放在 task 开头：

【背景】用户在研究 AI Agent 框架选型，目标是写一篇对比报告给技术团队看。

【你的任务】搜索 LangChain 的核心优缺点，返回 5 条摘要，每条 100 字以内。

方式二：summary（串行场景） 把前序 Agent 的结论附在任务末尾，避免重复搜索：

【你的任务】在以下调研结论基础上，补充搜索 AutoGen 的资料：

【已有结论】
- LangChain：生态最丰富，学习曲线陡
- CrewAI：角色分工清晰，适合多 Agent...

请返回 AutoGen 的 3 条独特亮点，与上面的结论不重复。

方式三：full（上下文复杂时） 让子 Agent 自己读文件：

【背景文件】请先读 /workspace/research/context.md 了解整体方向。

【你的任务】基于背景，搜索最新的 Test-Time Compute Scaling 进展，返回 3 条摘要。

并行调研标准模板

# 一次写好背景，复用给所有子 Agent
BG = "用户研究 RL 训练技术，目标写对比报告给算法工程师。关注：GRPO/DAPO/PPO 对比、veRL 框架。"

sessions_spawn({"task": f"【背景】{BG}\n\n【任务】搜索 GRPO vs PPO 最新对比数据，返回 5 条摘要，每条 100 字以内。", "model": "glm", "label": "s1"})
sessions_spawn({"task": f"【背景】{BG}\n\n【任务】搜索 DAPO 算法原理和适用场景，返回 5 条摘要，每条 100 字以内。", "model": "glm", "label": "s2"})
sessions_spawn({"task": f"【背景】{BG}\n\n【任务】搜索 veRL 框架架构和性能数据，返回 5 条摘要，每条 100 字以内。", "model": "glm", "label": "s3"})
# 收到全部结果后，主 Agent 自己整合写完整报告

预设角色

完整案例：技术调研报告

第一步：并行搜索（指挥官模式，~25秒）

sessions_spawn({"task": "搜索 FastAPI 框架特点、性能数据，返回 5 条摘要，每条 80 字内。", "model": "glm", "label": "r1"})
sessions_spawn({"task": "搜索 Django 框架特点、适用场景，返回 5 条摘要，每条 80 字内。", "model": "glm", "label": "r2"})
sessions_spawn({"task": "搜索 Flask 框架特点、典型案例，返回 5 条摘要，每条 80 字内。", "model": "glm", "label": "r3"})

第二步：主 Agent 整合写报告

收到三个 Agent 的摘要后，主 Agent 直接调用 write 工具写完整报告（不再派发子 Agent）。

第三步（可选）：推送飞书文档

配合 feishu-all-operations skill，一行代码推送到飞书。

实测数据：3 个主题串行需要 ~75 秒，并行只需 ~25 秒，节省 67% ⚡

执行完成后的统计输出

每次任务完成，输出标准统计卡：

## 📊 执行统计

| Agent | 任务 | 模型 | 耗时 | 状态 |
|-------|------|------|------|------|
| 🔍 r1 | FastAPI 搜索 | glm | 22s | ✅ |
| 🔍 r2 | Django 搜索  | glm | 24s | ✅ |
| 🔍 r3 | Flask 搜索   | glm | 21s | ✅ |
| ✍️ 主 | 整合写报告   | claude | 35s | ✅ |

并行节省：~50s | 总耗时：~60s（vs 串行 ~110s）

⚠️ 避坑指南（实战血泪总结）

坑①：子 Agent 写大文件必挂

子 Agent 单次输出约 4096 token 上限，超出后工具调用截断，写文件死循环。

• ❌ task 里让子 Agent「搜索 + 写 2000 字报告」
• ✅ 子 Agent 只返回摘要，主 Agent 自己写报告

坑②：忘传 model 参数

不传 model = 走 session 默认模型 = 不可控、成本不符预期。

• ❌ sessions_spawn({"task": "...", "label": "x"})
• ✅ sessions_spawn({"task": "...", "model": "glm", "label": "x"})

坑③：流水线模式里用联网工具

python run.py 的子进程没有 web_search、exec 等工具，纯文本只。

• ❌ 流水线模式里要求搜索最新信息
• ✅ 联网任务 → 指挥官模式（sessions_spawn）

坑④：并行任务互相依赖

同一批 spawn 的任务是并行的，不能让 A 等待 B 的输出。

• ❌ Agent-2 的 task 里说「基于 Agent-1 的结果继续」
• ✅ 并行任务各自独立，主 Agent 收齐后再整合

流水线模式参数速查

python run.py
  --mode parallel|sequential   # 并行或串行
  --agents "model:role:task"   # 可重复多次
  --aggregation synthesize|concatenate|compare|last
  --timeout 300                # 超时秒数