OpenClaw 多智能体协作配置完全指南：从单兵作战到 AI 团队（2026）

为什么需要多智能体协作

单个 AI Agent 虽然强大，但在实际场景中往往力不从心：

• 写代码的 Agent 需要同时处理前端、后端和测试，上下文频繁切换
• 客服 Agent 需要同时对接多个渠道，各渠道话术风格不同
• 研究 Agent 既要搜索信息，又要分析数据，还要撰写报告

OpenClaw 在 v2026.3.22 版本中全面升级了多智能体架构，支持在一个 Gateway 进程中运行多个完全隔离的 Agent，还能让 Agent 之间相互协作。本文将从零开始，带你搭建一个完整的多智能体协作系统。

核心概念：三种 Agent 类型

在动手之前，先理解 OpenClaw 的三种 Agent 类型：

本文重点讲前两种，这是最常用的场景。

第一步：配置多个 Persistent Agent

基础配置

在 openclaw.json（或 settings.json）中定义多个 Agent：

{
  "agents": {
    "list": [
      {
        "id": "coordinator",
        "name": "协调员",
        "workspace": "~/.openclaw/workspace-coordinator",
        "model": "claude-opus-4",
        "systemPrompt": "你是团队协调员，负责分配任务和汇总结果。"
      },
      {
        "id": "coder",
        "name": "程序员",
        "workspace": "~/.openclaw/workspace-coder",
        "model": "claude-sonnet-4",
        "systemPrompt": "你是一个高效的程序员，专注于代码实现和 Bug 修复。"
      },
      {
        "id": "researcher",
        "name": "研究员",
        "workspace": "~/.openclaw/workspace-researcher",
        "model": "gpt-5.4-mini",
        "systemPrompt": "你是一个信息研究员，擅长搜索、对比和总结信息。"
      }
    ]
  }
}

为 Agent 绑定频道

每个 Agent 需要绑定到具体的消息频道才能接收消息：

{
  "agents": {
    "bindings": [
      {
        "agentId": "coordinator",
        "channelType": "slack",
        "channelId": "#general"
      },
      {
        "agentId": "coder",
        "channelType": "slack",
        "channelId": "#dev"
      },
      {
        "agentId": "researcher",
        "channelType": "discord",
        "channelId": "research-channel"
      }
    ]
  }
}

也可以用 CLI 快速添加：

# 添加一个新 Agent
openclaw agents add --id "writer" \
  --workspace "~/.openclaw/workspace-writer" \
  --model "claude-sonnet-4" \
  --system-prompt "你是技术写手，擅长把复杂概念讲得简单易懂。"

# 查看所有 Agent
openclaw agents list

# 修改 Agent 配置
openclaw agents config set coder model gpt-5.4

第二步：配置 Sub-Agent 子智能体

Sub-Agent 是 OpenClaw 多智能体的精髓——让主 Agent 能够自主”派活”给后台工作单元。

全局配置

{
  "agents": {
    "defaults": {
      "subagents": {
        "maxConcurrent": 8,
        "maxSpawnDepth": 2,
        "maxChildrenPerAgent": 5,
        "runTimeoutSeconds": 600,
        "thinking": "medium",
        "cleanup": "delete"
      }
    }
  }
}

参数说明：

层级限制

OpenClaw 对子 Agent 的嵌套有明确限制，避免无限递归：

Depth 0（主 Agent）  → 始终可以创建子 Agent
    ↓ spawn
Depth 1（子 Agent）  → 仅当 maxSpawnDepth ≥ 2 时可创建孙 Agent
    ↓ spawn
Depth 2（孙 Agent）  → 永远不能再创建子 Agent（纯执行者）

手动触发子 Agent

通过 /subagents 命令管理：

# 派生一个子 Agent 执行任务
/subagents spawn "搜索最近一周关于 Claude Opus 4 的评测文章，整理成表格"

# 查看所有子 Agent 状态
/subagents list

# 查看某个子 Agent 的日志
/subagents log <agent-id>

# 向运行中的子 Agent 发送消息
/subagents send <agent-id> "重点关注性能对比数据"

# 停止子 Agent
/subagents stop <agent-id>

跨 Agent 派生（Cross-Agent Spawning）

一个 Agent 可以在另一个 Agent 的上下文中创建子 Agent，但需要显式授权：

{
  "agents": {
    "list": [
      {
        "id": "coordinator",
        "subagents": {
          "allowAgents": ["coder", "researcher", "writer"]
        }
      },
      {
        "id": "coder",
        "subagents": {
          "allowAgents": ["coordinator"]
        }
      }
    ]
  }
}

这样 coordinator 可以在 coder、researcher、writer 的工作区中派生子 Agent，子 Agent 将继承目标 Agent 的工具集、认证配置和工作区权限。

第三步：为不同 Agent 分配最优模型

多智能体的核心优势之一是按任务分配模型——复杂推理用旗舰模型，简单任务用轻量模型，大幅降低成本。

模型分配策略

{
  "agents": {
    "list": [
      {
        "id": "architect",
        "model": "claude-opus-4",
        "description": "系统架构设计，需要最强推理能力"
      },
      {
        "id": "coder",
        "model": "claude-sonnet-4",
        "description": "日常编码，速度与质量的平衡"
      },
      {
        "id": "reviewer",
        "model": "gpt-5.4-mini",
        "description": "代码审查，快速定位问题"
      },
      {
        "id": "translator",
        "model": "gemini-3-pro",
        "description": "多语言翻译，Google 模型多语言表现更好"
      },
      {
        "id": "data-analyst",
        "model": "deepseek-v4",
        "description": "数据分析，性价比最高"
      }
    ]
  }
}

通过聚合平台统一管理多模型

如果每个模型都单独配置 API Key，管理成本很高。用 Ofox 等 API 聚合平台可以一个 Key 接入所有模型：

{
  "providers": {
    "ofox": {
      "type": "openai",
      "baseUrl": "https://api.ofox.ai/v1",
      "apiKey": "sk-your-ofox-api-key"
    }
  },
  "agents": {
    "list": [
      {
        "id": "architect",
        "provider": "ofox",
        "model": "anthropic/claude-opus-4"
      },
      {
        "id": "coder",
        "provider": "ofox",
        "model": "anthropic/claude-sonnet-4"
      },
      {
        "id": "reviewer",
        "provider": "ofox",
        "model": "gpt-5.4-mini"
      }
    ]
  }
}

通过 OpenAI 兼容接口调用非 OpenAI 模型时，model 字段需要加 provider/ 前缀（如 anthropic/claude-opus-4），OpenAI 模型（如 gpt-5.4-mini）不需要前缀。

Sub-Agent 的模型覆盖

主 Agent 派生子 Agent 时，可以临时指定不同的模型：

# 用更强的模型执行复杂子任务
/subagents spawn --model claude-opus-4 "分析这段代码的安全漏洞"

# 用轻量模型执行简单子任务
/subagents spawn --model gpt-5.4-mini "把这个函数的注释翻译成英文"

第四步：实战——搭建研发团队

下面用一个完整的例子，搭建一个 3 人研发团队：

完整配置文件

{
  "providers": {
    "ofox": {
      "type": "openai",
      "baseUrl": "https://api.ofox.ai/v1",
      "apiKey": "sk-your-ofox-api-key"
    }
  },
  "agents": {
    "defaults": {
      "provider": "ofox",
      "subagents": {
        "maxConcurrent": 6,
        "maxSpawnDepth": 2,
        "runTimeoutSeconds": 300,
        "thinking": "medium"
      }
    },
    "list": [
      {
        "id": "pm",
        "name": "产品经理",
        "model": "anthropic/claude-opus-4",
        "workspace": "~/.openclaw/team/pm",
        "systemPrompt": "你是产品经理。收到需求后，拆解为具体的技术任务，分配给 coder 和 tester。输出格式：任务列表 + 验收标准。",
        "subagents": {
          "allowAgents": ["coder", "tester"]
        }
      },
      {
        "id": "coder",
        "name": "开发工程师",
        "model": "anthropic/claude-sonnet-4",
        "workspace": "~/.openclaw/team/coder",
        "systemPrompt": "你是全栈开发工程师。接到任务后直接编码实现，代码写完后通知 pm。遇到不确定的需求细节，问 pm 确认。",
        "subagents": {
          "allowAgents": ["pm"]
        },
        "tools": ["bash", "read", "write", "edit", "glob", "grep"]
      },
      {
        "id": "tester",
        "name": "测试工程师",
        "model": "gpt-5.4-mini",
        "workspace": "~/.openclaw/team/tester",
        "systemPrompt": "你是测试工程师。收到代码后编写测试用例并执行，发现 Bug 直接反馈给 coder，测试通过后通知 pm。",
        "subagents": {
          "allowAgents": ["pm", "coder"]
        },
        "tools": ["bash", "read", "glob", "grep"]
      }
    ],
    "bindings": [
      {
        "agentId": "pm",
        "channelType": "slack",
        "channelId": "#product"
      },
      {
        "agentId": "coder",
        "channelType": "slack",
        "channelId": "#dev"
      },
      {
        "agentId": "tester",
        "channelType": "slack",
        "channelId": "#qa"
      }
    ]
  }
}

工作流演示

1. 在 #product 频道对 PM Agent 说：

开发一个用户注册 API，要求：
- POST /api/register
- 接收 email 和 password
- 密码至少 8 位，包含大小写和数字
- 返回 JWT token
- 用 Express + TypeScript

2. PM Agent 拆解任务后，自动 spawn 子 Agent 到 coder 工作区：

→ [PM] 任务已拆解，正在分配给开发...
→ [PM → Coder Sub-Agent] 实现用户注册 API（附详细规格）
→ [PM → Tester Sub-Agent] 准备注册 API 的测试用例（附验收标准）

3. Coder 和 Tester 的子 Agent 并行工作，完成后结果自动汇报给 PM。

常见问题排查

1. Sub-Agent 权限拒绝

Error: sessions_spawn permission denied for agent "coder"

原因：目标 Agent 的 allowAgents 没有包含请求者。

解决：在目标 Agent 的配置中添加授权：

{
  "id": "coder",
  "subagents": {
    "allowAgents": ["pm", "coordinator"]
  }
}

或者用通配符允许所有 Agent：

{
  "subagents": {
    "allowAgents": ["*"]
  }
}

2. 子 Agent 超时被杀

Error: Sub-agent exceeded runTimeoutSeconds (600s)

解决：增大超时时间，或在 spawn 时单独指定：

/subagents spawn --timeout 1200 "执行完整的集成测试套件"

3. 内存不足

多个 Agent 同时运行会占用大量内存。建议：

• 8GB 内存：最多 3-5 个 Persistent Agent
• 16GB 内存：可支撑 8-10 个 Agent
• 及时清理不需要的子 Agent：/subagents stop --all

4. Agent 之间消息丢失

原因：跨 Agent 通信走的是 sessions_send，不是 sessions_spawn。

区别：

• sessions_spawn：创建新的子 Agent 会话
• sessions_send：向已存在的 Agent 会话发送消息

确保用对了命令：

# 向已有 Agent 发消息（不创建新会话）
/subagents send <agent-id> "你的消息"

# 创建新的子 Agent（新会话）
/subagents spawn "任务描述"

成本优化：多模型分层策略

合理分配模型，可以在不牺牲质量的前提下大幅降低 API 开销：

一个典型的研发团队（3 Agent），每天处理 50 个任务，月成本大约在 $30-80 之间，远低于为每个 Agent 都使用旗舰模型的方案。

总结

OpenClaw 多智能体的三个核心能力：Persistent Agent 常驻不同场景各司其职；Sub-Agent 自主拆解任务并行执行；跨 Agent 派生让 Agent 之间互相调用对方的能力。配合多模型分配，每个 Agent 用最合适的模型而不是最贵的。