核心用法
agent-orchestrator 是面向 OpenClaw 的多智能体编排框架，实现5种经过验证的协作模式：
1. Work Crew（工作组）：并行化同一任务的多角度执行，适用于验证、研究广度、冗余备份
2. Supervisor（监督者）：动态任务分解与工作者委派，适合复杂规划场景
3. Pipeline（流水线）：明确定义的顺序阶段处理，带验证门控，适合内容创作流程
4. Expert Council（专家委员会）：跨领域专家协同审议，适用于风险评估、政策审查
5. Auto-Routing（自动路由）：智能任务分类，自动路由至 appropriate 专家
显著优点
- 模式成熟：基于 Anthropic、LangGraph、CrewAI、AutoGen 等研究成果
- 灵活覆盖：从简单并行到复杂动态规划的全场景支持
- 智能路由：内置置信度阈值（0.5-0.85+）分级决策机制
- 产出结构化：支持聚合结果、共识建议、路由决策、分阶段输出
潜在局限
- 成本敏感：多智能体模式消耗约15倍于单智能体的 token，仅适合高价值任务
- 异步限制：采用异步 spawn 机制，不支持实时智能体间对话
- 协调开销：简单任务（如"2+2="）使用本技能会造成资源浪费
- 阶段状态：当前 Phase 2 已 100% 完成全部5种模式实现
适合人群
- 需要多视角验证的关键分析任务（如智能合约审计）
- 复杂研究课题的广度优先探索
- 跨领域决策需要专家共识的场景
- 内容创作流水线（研究→草稿→审核→定稿）
- 混合工作负载的自动化分类与分发
常规风险
- 成本失控：未评估任务复杂度即启用多智能体，可能导致 token 费用激增
- 过度工程：固定流程误用 Supervisor、简单任务误用路由分类
- 收敛失败：部分模式（如 consensus）在观点分歧过大时可能无法达成有效结论
- 依赖要求：需 OpenClaw 0.8+ 的 sessions_spawn/list/history 能力支持