OpenClaw多智能体协作配置完全指南 从单兵作战到AI团队
摘要：OpenClaw 多智能体协作系统全面升级，支持在一个 Gateway 进程中运行多个完全隔离的 Agent，还能让 Agent 之间自主协作派活，按任务复杂度分配不同模型，大幅降低使用成本。
单兵作战的困境
单个 AI Agent 在实际业务场景中经常显得力不从心。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 需要对接多个渠道，每个渠道的话术风格还不一样；研究 Agent 既要搜索信息，又要分析数据，还要撰写报告——一个人干三个人的活，效率可想而知。
OpenClaw 在 v2026.3.22 版本中针对这个痛点做了全面升级，核心思路是让多个 Agent 各司其职、协同作战。这套架构支持在一个 Gateway 进程中运行多个完全隔离的 Agent，更重要的是，Agent 之间可以相互派活——主 Agent 收到复杂任务后，能自主拆解并 spawn 子 Agent 并行处理，最后汇总结果。
三种 Agent 类型的定位差异
OpenClaw 的多智能体体系里，Agent 分三种类型，各有各的适用场景。
Persistent Agent 是常驻运行的，适合长期驻守某个频道或场景。比如客服 Bot、编程助手、运营助理这类角色，它们一直在那里等着接收消息，持续积累上下文。
Sub-Agent 是任务完成即归档的临时工。主 Agent 遇到可以拆分的子任务，就 spawn 一个 Sub-Agent 去处理，比如搜索信息、运行测试、生成报告。Sub-Agent 干完活就消失，不会占用持久化资源。
ACP Agent 是按照 Agent Client Protocol 协议通信的跨平台 Agent，主要用于微服务间的标准化协作。这种类型适合需要跨平台、跨服务调用的场景，技术门槛相对高一些。
配置一个多 Agent 团队
在 openclaw.json（或 settings.json）中定义多个 Agent 并不复杂。每个 Agent 需要指定 id、name、workspace、model 和 systemPrompt。workspace 是 Agent 的工作目录，各 Agent 的工作目录完全隔离，互不干扰。
{
"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。"
}
]
}
}定义好 Agent 之后，还需要把它们绑定到具体的消息频道。每个 Agent 可以绑定到不同的 Slack 频道、Discord 频道或 Telegram 群组，这样用户在不同频道艾特对应的 Agent 就能触发任务。
Sub-Agent 的精髓：自主派活
多智能体协作的精髓在于 Sub-Agent。主 Agent 不是简单地把任务转包出去，而是能够基于任务复杂度自主判断是否需要 spawn 子 Agent，以及 spawn 多少个子 Agent 并行处理。
Sub-Agent 的行为可以通过全局参数精细控制。maxConcurrent 控制最大并发子 Agent 数；maxSpawnDepth 控制嵌套深度——主 Agent 是 Depth 0，它创建的子 Agent 是 Depth 1，子 Agent 创建的孙 Agent 是 Depth 2；maxSpawnDepth 设为 2 就允许三层嵌套，设为 1 就只允许两层。
runTimeoutSeconds 控制子 Agent 的超时时间，避免某个子任务卡死拖垮整个流程。thinking 参数可以给子 Agent 单独设置思考级别，一般设为 medium 就够用了。cleanup 参数决定子 Agent 完成任务后是删除还是保留——大多数场景用 delete 更干净，避免磁盘空间被临时文件堆满。
跨 Agent 派生的权限控制
一个 Agent 能否在另一个 Agent 的上下文中创建子 Agent，需要显式授权。这个设计是出于安全考虑——你不会希望某个 Agent 随便跑到别人的工作区里乱翻东西。
在 Agent 的 subagents 配置中，allowAgents 字段列出了允许向该 Agent 派生子 Agent 的 Agent 列表。如果想让某个 Agent 对所有其他 Agent 开放，可以用通配符 “*”。但生产环境建议精确授权，避免权限过于宽松。
多模型分配的成本优化
多智能体架构除了提升效率，还有一个重要价值是成本优化。不是每个任务都需要旗舰模型——简单任务用轻量模型，复杂推理用旗舰模型，能把 API 开销降到原来的十分之一甚至更低。
一个典型的研发团队配置是这样的：架构师 Agent 用 Claude Opus 4 处理复杂设计；程序员 Agent 用 Claude Sonnet 4 做日常开发；代码审查 Agent 用 GPT-5.4 Mini 快速定位问题；翻译 Agent 用 Gemini 3 Pro 处理多语言；数据分析 Agent 用 DeepSeek V4 做数据挖掘。
按这个配置，一个 3 Agent 的研发团队每天处理 50 个任务，月成本大约在 30-80 美元之间。如果每个 Agent 都用旗舰模型，成本至少翻三倍。
模型切换的灵活配置
主 Agent 派生子 Agent 时，还可以临时指定不同的模型。比如遇到一个需要深度推理的子任务，可以在 spawn 命令中指定 –model claude-opus-4；遇到一个简单的翻译任务，就指定 –model gpt-5.4-mini。这种按需分配的能力，让整个系统的资源利用更加精细。
实战案例：搭建研发团队
一个完整的研发团队配置通常包含产品经理、开发工程师和测试工程师三个角色。产品经理用 Opus 4 做需求拆解和任务分配；开发工程师用 Sonnet 4 做代码实现；测试工程师用 GPT-5.4 Mini 做测试用例编写和执行。
工作流程是这样的：用户在 #product 频道对产品经理 Agent 提出需求，产品经理拆解任务后自动 spawn 子 Agent 到开发工程师和测试工程师的工作区。开发工程师写完代码通知产品经理，测试工程师同步完成测试并反馈结果。整个过程用户只需要发一条消息，剩下的都是 Agent 之间自主协作。
这套配置的关键在于跨 Agent 派生权限的设置。产品经理需要在开发工程师和测试工程师的 allowAgents 列表中；开发工程师需要能反向联系产品经理确认需求细节；测试工程师需要能把 Bug 反馈给开发工程师，同时把测试结果抄送给产品经理。
OpenClaw 多智能体的三个核心能力形成了完整的协作闭环：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模型——这才是多智能体架构的真正价值。
信息来源：https://ofox.ai/zh/blog/openclaw-multi-agent-collaboration-guide-2026/