多Agent协作部署
单个 Agent 的能力终究有限，但当多个 Agent 组成团队协同工作时，它们能够完成远比单个 Agent 更复杂、更高质量的任务。OpenClaw 的多 Agent 协作系统让你可以部署一个由多个专业化 Agent 组成的团队，通过编排器（Orchestrator）统一调度，实现任务的智能分配和结果的高质量输出。本教程将以部署一个"内容创作团队"为例，带你掌握多 Agent 协作部署的全部技能。
编排器 + 工人模式
OpenClaw 的多 Agent 协作采用经典的"编排器 + 工人"（Orchestrator + Worker）模式。编排器 Agent 负责理解用户需求、分解任务、分配工作并汇总结果；工人 Agent 各自专注于特定领域的任务执行。这种模式既保证了任务的统一协调，又充分发挥了每个 Agent 的专业优势。
设计 Agent 团队
在动手部署之前，我们需要先设计 Agent 团队的结构。一个高效的多 Agent 系统需要明确每个 Agent 的角色定位、能力边界和协作关系。我们即将部署的"内容创作团队"包含以下三个角色：
- 研究员（Researcher）：负责搜集和整理资料，提供事实依据和数据支撑。擅长使用搜索工具和数据库查询工具。
- 写作者（Writer）：负责根据研究员提供的材料撰写文章。擅长文字表达、结构组织和风格把控。
- 审查员（Reviewer）：负责审查文章的质量，包括事实核查、逻辑检查、语法校对和风格统一。有权要求写作者修改。
这三个角色形成了一个完整的内容生产流水线：研究员搜集材料，写作者撰写文章，审查员把关质量。如果审查员发现问题，会将修改意见反馈给写作者，形成一个质量改进循环。
定义各个 Agent
首先，我们来定义团队中的每个 Agent。每个 Agent 都有独立的系统提示词，定义了它的专业角色和行为准则。
# agents/researcher.py
from openclaw import BaseAgent
class ResearcherAgent(BaseAgent):
"""研究员 Agent - 专注于信息搜集和资料整理"""
name = "研究员"
description = "负责搜集和整理与指定主题相关的资料、数据和事实"
model = "gpt-4"
system_prompt = """
你是一位专业的研究员。你的职责是：
1. 根据指定主题进行全面的资料搜集
2. 从可靠来源获取数据和事实
3. 整理信息并以结构化的格式呈现
4. 标注信息的来源和可信度
工作原则：
- 优先使用权威来源
- 区分事实和观点
- 标注信息的时效性
- 如果信息不足，明确指出需要补充的方向
输出格式：
- 关键发现（3-5条）
- 详细资料（按主题分类）
- 数据来源列表
- 信息缺口（需要进一步研究的方向）
"""
tools = ["web_search", "query_database"]
async def on_message(self, message):
research_result = await self.chat(message.content)
return {"agent": self.name, "result": research_result}# agents/writer.py
from openclaw import BaseAgent
class WriterAgent(BaseAgent):
"""写作者 Agent - 专注于内容创作和文章撰写"""
name = "写作者"
description = "根据研究资料撰写高质量的文章内容"
model = "gpt-4"
system_prompt = """
你是一位资深的内容创作者。你的职责是：
1. 根据研究员提供的资料撰写文章
2. 确保文章结构清晰、逻辑连贯
3. 使用生动准确的语言表达
4. 根据审查员的反馈进行修改
写作原则：
- 标题吸引人，开头引人入胜
- 段落之间过渡自然
- 数据和引用要准确
- 结论要有见地和深度
当收到修改意见时：
- 仔细阅读每条意见
- 逐条回应并修改
- 保持文章整体风格一致
"""
async def on_message(self, message):
content = await self.chat(message.content)
return {"agent": self.name, "result": content}# agents/reviewer.py
from openclaw import BaseAgent
class ReviewerAgent(BaseAgent):
"""审查员 Agent - 专注于内容质量审查"""
name = "审查员"
description = "审查文章质量，提供修改建议，确保内容达到发布标准"
model = "gpt-4"
system_prompt = """
你是一位严格的内容审查专家。你的职责是：
1. 核查文章中的事实和数据是否准确
2. 检查逻辑是否连贯，论证是否充分
3. 校对语法、拼写和标点错误
4. 评估文章的可读性和吸引力
审查标准：
- 事实准确性：所有数据和引用必须可验证
- 逻辑完整性：论点要有充分支撑
- 语言质量：表达准确、流畅、无错误
- 结构合理性：段落组织有序，过渡自然
输出格式：
- 总体评分（1-10分）
- 通过/需要修改
- 具体问题列表（如有）
- 修改建议
"""
async def on_message(self, message):
review = await self.chat(message.content)
return {"agent": self.name, "result": review}创建编排器
编排器是多 Agent 协作系统的核心。它负责接收用户请求，将任务分配给合适的 Agent，协调 Agent 之间的通信，并汇总最终结果。
# agents/orchestrator.py
from openclaw import OrchestratorAgent
class ContentTeamOrchestrator(OrchestratorAgent):
"""内容创作团队编排器"""
name = "内容总监"
description = "协调研究员、写作者和审查员完成高质量内容创作"
system_prompt = """
你是内容创作团队的总监。你需要协调以下团队成员：
- 研究员：负责资料搜集
- 写作者：负责文章撰写
- 审查员：负责质量审查
工作流程：
1. 收到创作任务后，先分配给研究员搜集资料
2. 将研究资料传递给写作者撰写文章
3. 将文章传递给审查员进行审查
4. 如果审查不通过，将修改意见反馈给写作者
5. 修改后再次提交审查（最多3轮）
6. 审查通过后，输出最终文章
"""
team = ["研究员", "写作者", "审查员"]
max_revision_rounds = 3
async def orchestrate(self, task: str) -> str:
"""执行协作流程"""
# 第一步：研究员搜集资料
research_result = await self.delegate(
"研究员",
f"请对以下主题进行全面研究：{task}"
)
# 第二步：写作者撰写文章
draft = await self.delegate(
"写作者",
f"请根据以下研究资料撰写文章：\n主题：{task}\n"
f"研究资料：\n{research_result['result']}"
)
# 第三步：审查循环
for round_num in range(1, self.max_revision_rounds + 1):
review = await self.delegate(
"审查员",
f"请审查以下文章：\n主题：{task}\n"
f"研究资料：{research_result['result']}\n"
f"文章内容：{draft['result']}"
)
if "通过" in review["result"]:
return draft["result"]
draft = await self.delegate(
"写作者",
f"审查意见：{review['result']}\n"
f"请根据意见修改文章（第{round_num}轮）"
)
return draft["result"]配置与部署
所有 Agent 定义完成后，需要在配置文件中注册整个团队。OpenClaw 支持在配置文件中定义 Agent 团队及其协作关系。
# config.yaml - 多Agent协作配置
app:
name: "content-team"
version: "1.0.0"
team:
name: "内容创作团队"
orchestrator:
name: "内容总监"
module: "agents.orchestrator"
class: "ContentTeamOrchestrator"
settings:
model: "gpt-4"
temperature: 0.5
max_revision_rounds: 3
workers:
- name: "研究员"
module: "agents.researcher"
class: "ResearcherAgent"
settings:
model: "gpt-4"
temperature: 0.3
tools:
- name: "web_search"
module: "tools.web_search"
- name: "query_database"
module: "tools.database_query"
- name: "写作者"
module: "agents.writer"
class: "WriterAgent"
settings:
model: "gpt-4"
temperature: 0.8
- name: "审查员"
module: "agents.reviewer"
class: "ReviewerAgent"
settings:
model: "gpt-4"
temperature: 0.2
collaboration:
message_format: "structured"
shared_memory: true
memory_backend: "redis"
timeout_per_step: 120部署这个多 Agent 系统只需要一条命令：
# 启动多Agent协作系统
openclaw team run content-team
# 提交一个创作任务
openclaw team task content-team \
--input "撰写一篇关于AI Agent技术发展趋势的深度分析文章"资源管理注意
多 Agent 系统会同时消耗多个 LLM 连接的资源。在生产环境中，请注意以下几点：第一，合理设置每个 Agent 的 temperature 参数——研究员和审查员应该使用较低的值（更严谨），写作者可以使用较高的值（更有创意）。第二，使用 shared_memory 共享上下文，避免重复传递大量文本。第三，设置合理的超时时间，防止某个 Agent 卡住导致整个流程阻塞。
监控与调试
OpenClaw 提供了丰富的监控工具来帮助你观察多 Agent 协作过程。使用 openclaw team monitor 命令可以实时查看每个 Agent 的状态、正在处理的任务和通信消息。这对于调试协作问题和优化 Agent 行为非常有帮助。
在调试模式下，你还可以查看编排器的完整决策日志，包括它为什么选择某个 Agent 执行任务、如何评估审查结果、以及何时决定终止修改循环。这些日志信息是优化多 Agent 系统行为的关键依据。
优化建议
多 Agent 协作系统的性能优化有几个关键方向：首先，为不同角色选择合适的模型——不是所有 Agent 都需要最强大的模型，简单的任务可以用更小更快的模型。其次，利用缓存机制减少重复工作——如果多个任务涉及相同的研究主题，可以复用之前的研究结果。最后，考虑使用流式输出（streaming）来提升用户体验，让用户能够实时看到内容创作的进展。
小结
多 Agent 协作是 OpenClaw 最强大的特性之一。通过编排器 + 工人模式，你可以构建一个由多个专业化 Agent 组成的团队，让它们各司其职、协同工作。本教程中部署的"内容创作团队"只是一个示例，同样的模式可以应用到客服系统、数据分析、代码开发等众多场景。在下一节教程中，我们将深入学习 Prompt 工程，帮助你打造行为更加可靠的 Agent。