技术拆解，从问题痛点出发，到代码原理，再到实战案例一次说清。

---

一、灵魂拷问：你的 AI 为什么越用越笨？

你有没有过这种感觉？

让 AI 帮你写一份《2026 年 AI Agent 趋势报告》，它要么跑得慢、要么顾此失彼。

• 让它"既要有数据、又要会批判、还得文笔好"，结果哪个都不精；
• 写 1 万字的报告，需要 4-5 小时；
• 中途一问"接着刚才的写"，它就开始"金鱼脑"——上一段写啥全忘了。

这是典型的"单 Agent 三困境"：

1. 样样通样样松——一个大脑无法同时精通多个领域。
2. 上下文膨胀——聊到第 30 轮，注意力被稀释，关键约束被遗忘。
3. 角色冲突——严谨与创意不能并存，模型被迫二选一。

怎么办？

Anthropic 在 2024 年的一份研究报告中给出过数据：多 Agent 系统在研究评估中比单 Agent 提升 90%。但代价是 Token 消耗 15 倍。

问题来了：怎么把这套"多智能体协同"机制，真的塞到 OpenClaw 里跑起来，而不是止步于论文？

今天要拆的就是这样一款 Skill——claw-multi-agent。

GitHub: GitHub - zcyynl/claw-multi-agent: OpenClaw multi-agent orchestration skill — run AI agents in parallel, like a team. · GitHub

它不是论文，是直接能 npx clawhub@latest install 装上的可执行 Skill。

---

二、Skill 全貌：claw-multi-agent 是什么？

2.1 一句话定位

一个让 OpenClaw 像"养了一支特种部队"一样并行调度多个子 Agent 的 Skill。

2.2 三大核心卖点

从官方 README 里拎出来，肉眼可见的三个关键差异化：

卖点	解决什么问题	实测收益
🎯 多样性	一个 Agent 视角单一，多个 Agent 视角互补	研究-分析-写作分工，输出质量高于独行侠
💰 省 Token	主线程上下文膨胀，导致每轮都要重读历史	子 Agent 独立会话，只回传摘要，主线程上下文不膨胀
⚡ 省时间	单 Agent 必须串行：A→B→C	并行执行，实测节省 50–78% 时间

2.3 文件结构

打开 zcyynl/claw-multi-agent 仓库，你会看到非常 OpenClaw-Skill 化的文件结构：

claw-multi-agent/
├── README.md              ← 人话介绍
├── SKILL.md               ← Skill 元信息 + 触发规则
├── multiagent_engine.py   ← 并行调度核心
├── orchestrator.py        ← 主 Agent 与子 Agent 的编排协议
├── run.py                 ← 入口
├── scripts/               ← 可选工具脚本
├── templates/             ← Agent 角色模板
└── package.json

清爽得不像工程文件，反而像一个"标准答案"。

---

三、技术架构：用 30 行说清核心原理

3.1 三层模型

claw-multi-agent 的设计拆开来其实是三层：

┌──────────────────────────────────────┐
│  🎖️ 主 Agent（指挥官）              │
│  - 解析用户目标                       │
│  - 拆分成 N 个子任务                  │
│  - 选子 Agent 模板                    │
└──────────────┬───────────────────────┘
               │
       ┌───────┴────────┐
       ▼                 ▼
┌─────────────┐   ┌─────────────┐
│ 子 Agent A  │   │ 子 Agent B  │   ← 全并行
│ 研究员      │   │ 批判家      │   ← 独立会话
│ 独立上下文  │   │ 独立上下文  │
└──────┬──────┘   └──────┬──────┘
       │                 │
       ▼                 ▼
   摘要回传           摘要回传       ← 不传完整历史
       │                 │
       └────────┬────────┘
                ▼
       主 Agent 整合输出

3.2 关键三个设计点

1. 独立会话（Isolated Session） 每个子 Agent 拥有自己的工作区（workspace），互不干扰。OpenClaw 主线程不会被子 Agent 的中间过程污染。

2. 增量上下文（Incremental Context） 父子之间传输的不是完整对话历史，而是压缩后的"决策摘要"。这就是省 Token 的关键。

3. 并行调度（Parallel Scheduling） 主 Agent 一次性把任务扔进队列，调度器起 N 个并发的子会话，本质上把"思考速度"换"并行数量"。

3.3 一句话总结原理

把"一个上帝做完所有事"换成"指挥官拆单，多个专家并行接单，最后拼回总报告"。

---

四、实战：3 行命令让 OpenClaw 跑起多 Agent

4.1 安装

npx clawhub@latest install claw-multi-agent

零配置，装完即用。它会自动复用你 OpenClaw 里已有的模型（Claude/GPT/Gemini/DeepSeek 都行）。

4.2 三种触发姿势

姿势 1：自然语言触发（最简单）

多智能体做一份 2026 年 AI Agent 行业报告，包含市场、技术、玩家三部分

姿势 2：脚本调用

from orchestrator import MultiAgentTeam

team = MultiAgentTeam(roles=["researcher", "critic", "writer"])
result = team.run("写一份 OpenClaw 评测报告")

姿势 3：模板预定义（推荐团队使用）

在 templates/ 下预置 Agent 角色：

• researcher.json：搜索能力强
• analyst.json：逻辑推理强
• writer.json：文笔好
• reviewer.json：爱挑刺

主 Agent 拿到任务后，自动按模板分配。

4.3 实战案例：30 分钟写完一份行业报告

传统单 Agent 模式：

• 输入：写一份 2026 AI Agent 行业报告
• 耗时：4-5 小时
• 结果：质量中规中矩，部分章节数据陈旧

claw-multi-agent 模式：

1. 主 Agent 拆成 4 个子任务
   • 搜索最新数据（30 分钟）
   • 批判现有观点（20 分钟）
   • 写报告初稿（30 分钟）
   • 排版与图表（15 分钟）
2. 并行执行 4 个子 Agent，总耗时 ~35 分钟（最长子任务时间）
3. 主 Agent 整合摘要，输出最终报告
4. 总耗时 节省 78%，质量更均衡（4 个专家 PK 1 个通才）

---

五、与其他多 Agent 方案的硬核对比

5.1 三条赛道，一张表说清

维度	claw-multi-agent	LangGraph	AutoGen	OpenClaw 原生 sessions_spawn
定位	Skill 级别的多 Agent 工具	Python 框架	Python 框架	OpenClaw 内置子 Agent 机制
安装成本	⭐ 一条命令	⭐⭐⭐ 框架搭建	⭐⭐⭐ 框架搭建	⭐⭐ 需手动配置
并行调度	✅ 内置	✅ 支持	⚠️ 需手写	⚠️ 手动编排
Token 优化	✅ 摘要回传	⚠️ 需自行实现	⚠️ 默认传全量	⚠️ 默认传全量
上手成本	🟢 5 分钟	🟡 1-2 天	🟡 1-2 天	🟢 10 分钟
适用人群	所有 OpenClaw 用户	Python 工程师	Python 工程师	进阶用户
与 OpenClaw 结合	🎯 100% 原生	⚠️ 需桥接	⚠️ 需桥接	✅ 原生

5.2 选型决策树

你是 OpenClaw 用户吗？
├── 是 → 你的任务能拆成 ≥2 个独立子任务吗？
│         ├── 是 → ✅ 用 claw-multi-agent（一行命令开箱即用）
│         └── 否 → 单 Agent 足够
└── 否 → 你是 Python 重度用户吗？
          ├── 是 → 选 LangGraph / AutoGen（生态丰富）
          └── 否 → 先装 OpenClaw + claw-multi-agent（最低门槛）

---

六、优缺点冷静分析

6.1 优点

1. 开箱即用——一行命令，不需要写 Python 代码。
2. Token 友好——摘要回传机制让主线程上下文不膨胀。
3. 实测节省时间 50-78%——多个子 Agent 并行，比单 Agent 串行快得多。
4. 角色分工清晰——通过模板预置不同角色，避免"一个大脑切换多种人格"。
5. 与 OpenClaw 100% 原生——不破坏现有工作流，自动复用已有模型。

6.2 缺点（不回避）

1. 不适合强依赖子任务——子任务之间不能频繁交互（需共享上下文场景不适用）。
2. 首次接入需要业务理解——如何"拆任务"是有门槛的，新手容易拆错粒度。
3. Token 总消耗仍然偏高——多 Agent 系统比单 Agent 多 3-5 倍 Token（Anthropic 实测），但主线程上下文保持精简。
4. 调试相对复杂——出了问题你得知道是哪个子 Agent 出错（建议跑前先 dry-run）。

6.3 三个避坑 Tip

• ✅ 拆任务时遵循 MECE 原则：每个子任务边界清晰，互不重叠。
• ✅ 给子 Agent 明确 Prompt 模板：别让它们"自己发挥"。
• ✅ 主 Agent 加"主编"角色：最后做一次总审，避免子报告"鸡同鸭讲"。

---

七、4 步行动手册：明天就用起来

1. 装 Skill：
   npx clawhub@latest install claw-multi-agent

2. 写一句话需求：
   “多智能体写一份 [主题] 报告，包含 [维度 1]、[维度 2]、[维度 3]。”

3. 观察主 Agent 拆解：
   它会自动起 3-5 个子 Agent 并行执行。

4. 听主 Agent 总结：
   3-5 分钟后看"主编"输出的最终报告。

---

八、写在最后：多 Agent 不是银弹，但 claw-multi-agent 是好用的工具

多 Agent 系统不是万能解。它本质上是"用空间换时间、用 Token 换质量"的取舍。

但对一个 OpenClaw 用户 而言，如果你不想自己造调度框架，claw-multi-agent 是当前最容易上手的选择。

一行命令，五分钟体验，跟"金鱼脑 AI"说再见。

---

附录：常见问题 FAQ

Q1：装完不会触发？ A：把"多智能体"、“多 Agent”、“团队协作”、"并行分析"作为关键词之一，加上明确任务拆分即可触发。

Q2：能不能和现有 Skill 一起用？ A：能。子 Agent 可以独立加载 Tavily、Excel、PPT 等 Skill，主 Agent 看到的是它们的摘要。

Q3：会不会很烧 Token？ A：会比单 Agent 多 3-5 倍，但主线程上下文保持精简，实测总成本可控。

Q4：支持哪些模型？ A：自动复用 OpenClaw 配置的模型，Claude / GPT / Gemini / DeepSeek / Kimi 都能用。

---

参考资料：

• GitHub 仓库：GitHub - zcyynl/claw-multi-agent: OpenClaw multi-agent orchestration skill — run AI agents in parallel, like a team. · GitHub
• 安装命令：npx clawhub@latest install claw-multi-agent
• 推荐搭配：Tavily Search（子 Agent 联网）+ Summarize（结果摘要）
• 风格溯源：Anthropic 2024 多 Agent 研究评估 + OpenClaw sessions_spawn 机制