【AI Agent开发实战】Day4——多Agent协作：Sub-Agent工作流配置

Day1讲了Agentic AI的概念，Day2讲了如何用OpenClaw搭建Agent，Day3讲了如何开发自定义Skill。

今天进入高阶内容：多Agent协作。

当单个Agent无法完成复杂任务时，可以让多个Agent协同工作。有人负责规划，有人负责执行，有人负责质检——分工协作，效率倍增。这就像一个高效的团队，每个人做自己最擅长的事，整体产出远超个体之和。

一、为什么需要多Agent协作

1.1 单Agent的局限性

一个Agent再强大，也有能力边界：

上下文有限。再长的上下文窗口也有极限。当任务需要处理一本书籍那么长的内容时，单个Agent的上下文窗口可能装不下。你可能遇到过这种情况：给Agent一篇长文章让它总结，结果因为文章太长而失败。这就是上下文窗口的局限性。专业的数据分析Agent专门优化了长文本处理能力，可以一次性分析数百页的文档。

专注单一领域。通用Agent在所有领域都还行，但没有一个领域最强。写代码不如专门的开发者Agent，分析数据不如专门的数据分析Agent，写文案不如专门的文案Agent。让通用Agent同时做这三件事，它的表现往往不如三个专业Agent配合。

串行执行慢。一个复杂任务拆成多个步骤，Agent只能串行执行。上一步完成才能执行下一步，三个步骤就要花三倍时间。但如果三个Agent并行执行，同时处理三个子任务，总时间只需要最慢那个Agent的耗时。

1.2 多Agent的优势

多Agent协作解决了这些问题：

并行业务。不同Agent同时处理不同子任务，并行执行，速度翻倍。三个Agent协同，三倍效率。你可以让研究Agent同时搜索多个数据源，让分析Agent同时处理不同维度的数据，让写作用Agent同时撰写不同章节。

专业分工。每个Agent专注自己的领域，输出质量更高。专业的事交给专业的人，这是多Agent协作的核心逻辑。研究者Agent熟悉各种信息检索技巧，分析者Agent精通数据分析方法论，写作者Agent擅长组织文字表达。

横向扩展。能力不够就加Agent，像扩容服务器一样扩容能力。一台服务器不够就加十台，一个Agent不够就加十个。当你的客服系统需要同时服务更多用户时，只需增加客服Agent的数量，无需修改整体架构。

1.3 典型应用场景

客服系统。一个Agent处理咨询，一个处理投诉，一个处理订单。分类路由，各司其职。用户咨询产品功能，投诉Agent不会介入；用户投诉质量问题，咨询Agent不会打扰。每个Agent各司其职，用户得到最专业的回复。

代码开发。架构师Agent设计架构，开发者Agent写代码，测试Agent编写测试用例，审查Agent做代码审查。流水线作业，效率倍增。架构师把任务交给开发者，开发者完成代码后自动转给测试Agent，测试通过后才进入审查阶段。

数据分析。爬虫Agent抓取数据，清洗Agent清洗数据，分析Agent分析数据，可视化Agent生成图表。分工明确，效率倍增。每个环节的专业化确保了数据质量和工作效率。

二、OpenClaw的多Agent架构

2.1 核心组件

OpenClaw的多Agent系统有三个核心组件，理解这三个组件是掌握多Agent协作的基础：

Broker（消息代理）

Broker负责在Agent之间传递消息。相当于邮局或快递网络。Agent A要发消息给Agent B，消息先到Broker，Broker再转发给Agent B。Broker确保消息可靠传递，即使接收方暂时离线也能暂存消息，等对方恢复后再投递。Broker还负责消息路由、格式转换、流量控制等功能。

为什么需要Broker？因为Agent之间不应该直接通信。如果每个Agent都要知道其他所有Agent的地址和协议，系统会变得非常复杂。引入Broker后，每个Agent只需要知道Broker的地址，所有消息都通过Broker转发，系统架构清晰了很多。

Supervisor（监督者）

Supervisor负责任务分解和子Agent调度。它像项目经理一样工作：拿到一个大任务，拆成小任务，分配给合适的Agent，然后汇总结果。Supervisor决定了什么时候让哪个Agent做什么事。

Supervisor的工作流程：接收用户任务→分析任务类型→拆解成子任务→分发给子Agent→收集子结果→汇总成最终答案。Supervisor是整个多Agent系统的核心，它协调各个Sub-Agent的工作，确保任务顺利完成。

Sub-Agent（子Agent）

Sub-Agent是具体的执行者。Supervisor分配任务，Sub-Agent负责执行。每个Sub-Agent专注于特定任务，如数据分析、代码编写、文档处理等。Sub-Agent不知道自己身处多Agent系统，它只需要完成自己被分配的任务即可。

Sub-Agent的特点：独立性强，每个Agent有自己的工作目录、配置、技能；可复用，同一个Agent可以在多个工作流中重复使用；可替换，如果某个Agent效果不好，可以替换成另一个Agent而不影响整体系统。

2.2 三种协作模式

OpenClaw支持三种基本的协作模式，这三种模式覆盖了绝大多数业务场景：

串行执行

用户 → Agent A → Agent B → Agent C → 用户

A完成交给B，B完成交给C，依次执行。适用于步骤之间有依赖关系的任务。第一步的输出是第二步的输入，第二步的输出是第三步的输入。典型场景：先数据分析，再生成报告，再审核发布。

串行执行的工作流配置示例：

name: serial-workflow
steps:
  – name: step_a
    agent: agent-a
    input: "处理任务A：${user.input}"
    output_var: result_a
  – name: step_b
    agent: agent-b
    input: "基于${result_a}处理任务B"
    output_var: result_b
  – name: step_c
    agent: agent-c
    input: "基于${result_b}处理任务C"
    output_var: result_c

并行分发

用户 → Supervisor
         ↓    ↓    ↓
      Agent A  Agent B  Agent C
         ↓    ↓    ↓
       Supervisor汇总 → 用户

Supervisor把任务拆分成多个独立子任务，同时分发给多个Agent并行执行，最后汇总所有结果。适用于子任务之间没有依赖关系的场景。典型场景：同时从多个数据源获取数据，同时分析多个维度，同时处理多个用户请求。

并行执行的工作流配置示例：

name: parallel-workflow
parallel:
  – name: task_a
    agent: agent-a
    input: "任务A：${user.input}"
    output_var: result_a
  – name: task_b
    agent: agent-b
    input: "任务B：${user.input}"
    output_var: result_b
  – name: task_c
    agent: agent-c
    input: "任务C：${user.input}"
    output_var: result_c
merge:
  type: aggregate
  input: "结果A：${result_a}，结果B：${result_b}，结果C：${result_c}"

循环迭代

Agent A → Agent B → Agent A → Agent B → …

A和B交替执行，每次输出作为下次的输入，直到满足退出条件。适用于需要多轮迭代优化的任务，如文案撰写、代码优化等。循环迭代的核心是根据当前状态决定是否继续，直到输出质量达标或达到最大迭代次数。

循环迭代的工作流配置示例：

name: iterative-workflow
loop:
  max_iterations: 5
  condition: "${quality_score} < 80"
  steps:
    – name: generate
      agent: generator-agent
      input: "生成第${iteration}版内容"
      output_var: content
    – name: evaluate
      agent: evaluator-agent
      input: "评估内容质量：${content}"
      output_var: quality_score
  on_exit:
    agent: saver-agent
    input: "保存最终版本：${content}"

三、配置Sub-Agent

3.1 创建Agent配置目录

每个Agent都有独立的配置目录，包含配置文件、技能定义、工作目录等：

mkdir -p ~/.openclaw/workspace/agents/research-agent
mkdir -p ~/.openclaw/workspace/agents/report-agent
mkdir -p ~/.openclaw/workspace/agents/summarizer-agent

目录结构说明：

research-agent/：研究Agent根目录
agent.json：Agent配置文件
skills/：技能定义目录
workspace/：工作目录，存放临时文件和输出

3.2 研究Agent配置

创建~/.openclaw/workspace/agents/research-agent/agent.json：

{
  "name": "research-agent",
  "description": "研究Agent，负责信息检索、资料整理、数据分析",
  "model": "minimax-portal/MiniMax-M2.7",
  "skills": ["browser-automation", "calculator"],
  "workspace": "~/.openclaw/workspace/agents/research-agent",
  "timeout": 120,
  "retries": 3
}

配置说明：

name：Agent名称，唯一标识
description：Agent功能描述，供Supervisor参考
model：使用的模型，这里使用M2.7
skills：Agent具备的技能列表
workspace：工作目录路径
timeout：单次任务超时时间（秒）
retries：失败重试次数

3.3 报告Agent配置

创建~/.openclaw/workspace/agents/report-agent/agent.json：

{
  "name": "report-agent",
  "description": "报告Agent，负责生成报告、文档撰写、内容优化",
  "model": "minimax-portal/MiniMax-M2.7",
  "skills": ["docs-writer", "text-editor"],
  "workspace": "~/.openclaw/workspace/agents/report-agent",
  "timeout": 180,
  "retries": 2
}

报告Agent负责根据研究结果生成报告，配置了较长的超时时间（180秒），因为报告生成可能涉及较长的文本处理。

3.4 汇总Agent配置

创建~/.openclaw/workspace/agents/summarizer-agent/agent.json：

{
  "name": "summarizer-agent",
  "description": "汇总Agent，整合多源结果，生成统一输出",
  "model": "minimax-portal/MiniMax-M2.7",
  "skills": ["text-editor"],
  "workspace": "~/.openclaw/workspace/agents/summarizer-agent",
  "timeout": 60,
  "retries": 1
}

汇总Agent只需要简短处理，所以超时时间设置较短。

3.5 注册到主配置

编辑~/.openclaw/openclaw.json，注册所有Agent：

{
  agents: {
    entries: {
      "supervisor": {
        type: "supervisor",
        model: "minimax-portal/MiniMax-M2.7",
        subAgents: ["research-agent", "report-agent", "summarizer-agent"]
      },
      "research-agent": {
        type: "sub-agent",
        configPath: "~/.openclaw/workspace/agents/research-agent/agent.json"
      },
      "report-agent": {
        type: "sub-agent",
        configPath: "~/.openclaw/workspace/agents/report-agent/agent.json"
      },
      "summarizer-agent": {
        type: "sub-agent",
        configPath: "~/.openclaw/workspace/agents/summarizer-agent/agent.json"
      }
    }
  }
}

关键点说明：

Supervisor配置type为”supervisor”，这是告诉系统这是一个监督者Agent
其他Agent配置为”sub-agent”，表示它们是子Agent
Supervisor的subAgents数组列出了所有子Agent的标识
每个子Agent的configPath指向其配置文件位置

四、配置工作流

4.1 创建工作流目录

mkdir -p ~/.openclaw/workspace/workflows

工作流配置存放在这个目录，使用YAML格式定义。

4.2 串行工作流

创建~/.openclaw/workspace/workflows/research-report.yaml，一个典型的串行工作流：

steps:
– name: research
agent: research-agent
input: "${user.input}"
output_var: research_results

– name: analyze
agent: research-agent
input: "深入分析以下内容：${research_results}"
output_var: analyzed_data

– name: write
agent: report-agent
input: "根据分析结果${analyzed_data}撰写报告"
output_var: draft_report

– name: review
agent: report-agent
input: "润色以下报告草稿：${draft_report}"
output_var: final_report

这个工作流四步串行执行：研究→分析→撰写→润色。每一步的输出作为下一步的输入变量，通过${variable_name}语法引用。

工作流配置字段说明：

name：工作流名称，唯一标识
description：工作流功能描述
steps：步骤列表，按顺序执行
step.name：步骤名称
step.agent：执行此步骤的Agent名称
step.input：输入给Agent的提示词
step.output_var：输出的变量名，供后续步骤引用

4.3 并行工作流

对于可以同时执行的子任务，使用并行工作流：

parallel:
– name: market_research
agent: research-agent
input: "市场调研：${user.topic}"
output_var: market_data

– name: competitor_analysis
agent: research-agent
input: "竞品分析：${user.topic}"
output_var: competitor_data

– name: user_research
agent: research-agent
input: "用户研究：${user.topic}"
output_var: user_data

merge:
type: aggregate
input: "市场数据：${market_data}，竞品数据：${competitor_data}，用户数据：${user_data}"
output_var: combined_research

parallel节点下的三个任务同时执行，最后通过merge汇聚结果。适用于研究类任务，可以同时从市场、竞品、用户三个维度展开研究。

4.4 条件分支

根据条件选择不同的处理路径：

steps:
– name: classify
agent: research-agent
input: "分析用户问题类型：${user.query}"
output_var: category

– name: route
type: switch
condition: "${category}"
cases:
"技术类":
– name: tech_deepdive
agent: research-agent
input: "深入技术分析：${user.query}"

"商业类":
– name: business_analysis
agent: report-agent
input: "商业模式分析：${user.query}"

"default":
– name: general_analysis
agent: research-agent
input: "综合分析：${user.query}"

route节点根据category的值选择不同的处理路径。如果都不匹配，走default分支。

条件分支适用于客服系统等场景，根据用户问题类型路由到不同的处理Agent。

五、执行工作流

5.1 查看可用的工作流

# 查看所有工作流
openclaw workflow list

# 输出示例
# NAME DESCRIPTION
# research-report 研究报告生成工作流
# parallel-research 并行研究工作流
# customer-service 智能客服工作流

5.2 执行工作流

通过命令行执行：

openclaw workflow run research-report –input "分析2026年AI Agent市场趋势"

通过API执行：

curl -X POST http://127.0.0.1:18789/api/v1/workflow/run \
  -H "Content-Type: application/json" \
  -d '{
    "workflow": "research-report",
    "input": "分析2026年AI Agent市场趋势"
  }'

执行并行工作流：

openclaw workflow run parallel-research –input "2026年新能源汽车市场分析"

5.3 查看执行状态

# 查看所有运行中的工作流
openclaw workflow status

# 查看指定运行的详细信息
openclaw workflow status <run-id>

状态输出示例：

{
  "runId": "run_abc123",
  "workflow": "research-report",
  "status": "running",
  "currentStep": "analyze",
  "startTime": "2026-05-23T10:00:00Z",
  "steps": {
    "research": "completed",
    "analyze": "running",
    "write": "pending",
    "review": "pending"
  }
}

5.4 查看执行日志

openclaw workflow logs <run-id>

日志包含每个步骤的输入、输出、执行时间等信息，便于调试和问题排查。

六、实战案例：智能客服系统

6.1 需求分析

构建一个多Agent客服系统，处理客户的咨询、投诉和订单问题。这是多Agent协作的经典应用场景。

系统组成：

分类Agent：判断用户问题类型（咨询/投诉/订单）
咨询Agent：处理常见问题解答
投诉Agent：处理投诉和建议
订单Agent：处理订单相关问题
汇总Agent：整合各Agent回复，生成最终答案

用户只需发送问题，系统自动识别问题类型并路由到对应的处理Agent，最后汇总回复。

6.2 创建目录结构

mkdir -p ~/.openclaw/workspace/agents/{classifier-agent,inquiry-agent,complaint-agent,order-agent,summarizer-agent}

每个Agent都有自己的目录，配置和代码隔离。

6.3 配置各Agent

分类Agent classifier-agent/agent.json：

{
  "name": "classifier-agent",
  "description": "分类Agent，判断客户问题类型",
  "model": "minimax-portal/MiniMax-M2.7",
  "timeout": 30
}

分类Agent只需要简短处理，超时时间设置较短。

咨询Agent inquiry-agent/agent.json：

{
  "name": "inquiry-agent",
  "description": "咨询Agent，处理常见问题",
  "model": "minimax-portal/MiniMax-M2.7",
  "skills": ["faq-knowledge"],
  "timeout": 60
}

咨询Agent配备了FAQ知识库技能，可以回答常见问题。

投诉Agent complaint-agent/agent.json：

{
  "name": "complaint-agent",
  "description": "投诉Agent，处理投诉和建议",
  "model": "minimax-portal/MiniMax-M2.7",
  "timeout": 90
}

投诉Agent需要和客户多轮沟通，设置较长的超时时间。

订单Agent order-agent/agent.json：

{
  "name": "order-agent",
  "description": "订单Agent，处理订单问题",
  "model": "minimax-portal/MiniMax-M2.7",
  "skills": ["order-system"],
  "timeout": 60
}

订单Agent配备了订单系统技能，可以查询和处理订单。

汇总Agent summarizer-agent/agent.json：

{
  "name": "summarizer-agent",
  "description": "汇总Agent，整合回复",
  "model": "minimax-portal/MiniMax-M2.7",
  "timeout": 30
}

汇总Agent负责整合各Agent的回复，生成最终输出。

6.4 配置工作流

创建~/.openclaw/workspace/workflows/customer-service.yaml：

steps:
– name: classify
agent: classifier-agent
input: "分析客户问题类型：${user.message}"
output_var: category

– name: route
type: switch
condition: "${category}"
cases:
"咨询":
– name: handle_inquiry
agent: inquiry-agent
input: "${user.message}"
output_var: inquiry_response

"投诉":
– name: handle_complaint
agent: complaint-agent
input: "${user.message}"
output_var: complaint_response

"订单":
– name: handle_order
agent: order-agent
input: "${user.message}"
output_var: order_response

"default":
– name: fallback
agent: inquiry-agent
input: "${user.message}"

– name: summarize
agent: summarizer-agent
input: "整合以下回复：${inquiry_response || complaint_response || order_response}"
output_var: final_response

工作流程说明：

用户发送消息
分类Agent分析问题类型
根据类型路由到对应Agent处理
汇总Agent整合回复并返回用户

6.5 测试工作流

测试咨询问题：

openclaw workflow run customer-service –input "你们的退货政策是怎样的？"

期望流程：分类Agent识别为”咨询”→咨询Agent回答退货政策→汇总Agent整理回复。

测试投诉问题：

openclaw workflow run customer-service –input "我上周买的产品有质量问题，要求退货"

期望流程：分类Agent识别为”投诉”→投诉Agent记录并处理投诉→汇总Agent整理回复。

测试订单问题：

openclaw workflow run customer-service –input "查一下订单号12345的状态"

期望流程：分类Agent识别为”订单”→订单Agent查询订单状态→汇总Agent整理回复。

七、调试与监控

7.1 查看Agent状态

# 查看所有Agent
openclaw agents list

# 输出示例
# NAME STATUS REQUESTS AVG_LATENCY
# supervisor running 1234 50ms
# research-agent running 567 120ms
# report-agent running 432 180ms
# summarizer-agent running 432 60ms

# 查看指定Agent详细信息
openclaw agents status research-agent

7.2 查看Agent间消息

openclaw agents messages research-agent –limit 50

可以查看Agent发送和接收的所有消息，用于调试消息传递问题。

7.3 中断工作流

如果某个工作流执行时间过长或陷入死循环：

openclaw workflow stop <run-id>

7.4 重试失败步骤

如果某个步骤失败，可以单独重试：

openclaw workflow retry <run-id> –step analyze

7.5 监控面板

打开实时监控面板：

openclaw monitoring dashboard

监控面板显示：

各Agent的请求量
平均响应时间
错误率
当前运行的工作流数量

八、最佳实践

8.1 Agent职责单一

每个Agent应该只负责一个明确的职责。不要让一个Agent既处理投诉又处理订单。

好做法：咨询Agent只回答咨询，投诉Agent只处理投诉。

坏做法：一个Agent什么都做，最后什么都做不好。

单一职责的好处：Agent更容易优化和维护；输出质量更稳定；系统更容易扩展。

8.2 清晰的上下文传递

工作流中，子Agent的输入应该清晰明确。

好做法：Supervisor明确告诉子Agent需要做什么，而不是让子Agent自己”猜”。

坏做法：把大量原始数据扔给子Agent，让它自己理解该做什么。

清晰的上下文包括：明确的任务目标、具体的输入内容、期望的输出格式。

8.3 完善的错误处理

每个步骤都应该有错误处理机制：

steps:
  – name: risky_task
    agent: unstable-agent
    input: "${user.input}"
    retry:
      max_attempts: 3
      backoff: exponential
    on_failure:
      action: fallback
      fallback_agent: backup-agent

错误处理配置说明：

retry.max_attempts：最大重试次数
retry.backoff：重试间隔策略，exponential表示指数退避
on_failure.action：失败时的动作，fallback表示降级到其他Agent
on_failure.fallback_agent：降级目标Agent

8.4 资源管理

注意Agent的资源消耗。并行执行的任务数量要控制：

parallel:
  max_parallel: 5
  tasks:
    – …

避免创建过多并行任务导致内存溢出或系统过载。max_parallel参数限制了同时执行的Task数量。

8.5 监控和日志

为每个Agent和步骤配置日志记录：

{
  "logging": {
    "level": "info",
    "includeInput": true,
    "includeOutput": true,
    "retentionDays": 30
  }
}

日志配置说明：

level：日志级别（debug/info/warn/error）
includeInput：是否记录输入内容
includeOutput：是否记录输出内容
retentionDays：日志保留天数

九、总结

9.1 核心要点

多Agent协作突破单Agent限制：并行执行、专业分工、横向扩展。三个臭皮匠顶个诸葛亮，多Agent协作让系统能力远超单个Agent。

三个核心组件：Broker消息代理（传递消息）、Supervisor监督者（任务调度）、Sub-Agent子Agent（具体执行）。理解这三个组件是掌握多Agent协作的基础。

三种协作模式：串行（步骤依赖）、并行（独立任务）、循环（迭代优化）。根据业务场景选择合适的模式。

工作流配置：YAML定义协作顺序和数据流向，变量传递实现Agent间数据共享。工作流是多Agent协作的蓝图。

错误处理：配置重试、降级、回滚机制，确保系统稳定性。线上系统必须考虑各种失败情况。

9.2 下一步

Day5我们会学习企业级Agent部署：如何在企业环境中安全地部署和运维Agent，包括权限管理、数据安全、监控审计等内容。

9.3 课后作业

配置两个Sub-Agent（research-agent和report-agent）
设计一个简单的两Agent串行工作流
测试并观察Agent之间的消息传递和数据流转

有问题在评论区留言！

下期预告：Day5 企业级Agent部署：安全与权限管理——如何在企业环境中安全部署Agent

来源：OpenClaw官方文档（docs.openclaw.ai）