核心用法
claw-multi-agent 是一个多智能体并行编排系统，专为 OpenClaw 设计。其核心能力在于将传统单 AI 的串行处理模式，转变为多 Agent 协同的并行处理架构。用户只需用自然语言描述任务（如"并行调研 LangChain、CrewAI、AutoGen"），系统即可自动组建 Agent 小队，分配角色，并行执行，最终整合输出。
技能支持三种运行模式：
- 🎯 Orchestrator 模式：通过
sessions_spawn启动具备完整工具能力的子 Agent，支持联网搜索、文件操作、代码执行，适用于需要实时信息的深度调研 - 🔄 Pipeline 模式：纯文本并行处理，通过 Python CLI 运行，适合写作、翻译、代码生成、多模型对比等场景
- 🔀 Hybrid 模式：先并行搜索获取信息，再并行生成多版本草稿，兼顾时效性与多样性
显著优点
1. 效率提升显著：官方数据称可节省 50-65% 时间，并行 Agent 同时运行 vs 串行逐个执行
2. 角色专业化：内置研究员、分析师、写作者、程序员、审核员等角色，可按任务匹配最优模型（GLM 轻量搜索、Kimi 长文分析、Gemini 创意写作、Sonnet 复杂推理等）
3. 交互体验优化：强制要求"先公告后执行"，避免用户面对长沉默；结果按内容逻辑重组，非简单堆砌子 Agent 输出
4. 灵活扩展：支持动态决定 Agent 数量（2-10+），按任务复杂度自动规划，非硬编码模板
5. 渠道感知交付：自动识别 Feishu/Discord/Telegram 等平台，选择附件、文档链接或直接 Markdown 发送
潜在缺点与局限性
1. 学习成本：模式选择、角色分配、模型映射需要一定理解，虽然提供自动路由，复杂场景仍需人工判断
2. 上下文隔离：并行 Agent 彼此无共享上下文，依赖型任务必须串行执行，设计不当会导致空结果
3. Token 限制：子 Agent 输出上限约 4096 tokens，长报告必须由主 Agent 整合撰写，增加主 Agent 负担
4. 平台依赖：Orchestrator 模式依赖 OpenClaw 的 sessions_spawn 能力，脱离该环境功能受限
5. 成本可控性：多 Agent 并行意味着多倍 API 调用，虽单个 Agent 可选用轻量模型（GLM），大规模并行仍需关注成本
适合人群
- 技术研究者：需要并行调研多个框架、论文、技术方案
- 内容创作者：需要同一主题的多角度、多风格版本对比
- 开发团队：需要代码规划→实现→审核的流水线作业
- 产品经理/分析师：需要竞品多维度对比、批量文档处理
- 对效率敏感、愿意尝试 AI 协作新模式的进阶用户
常规风险
- 输出质量不均：子 Agent 结果依赖模型能力与提示设计，需主 Agent 有效整合
- 并行失败处理：若某子 Agent 超时或失败，需设计降级策略（当前文档未明确说明失败恢复机制）
- 信息过时：Pipeline 模式无联网能力，Orchestrator 模式搜索质量依赖底层搜索工具
- 过度并行：Agent 数量过多可能导致上下文窗口紧张或成本激增，需合理规划
设计亮点
该技能在交互设计上有显著巧思：强制"Step 0 公告"机制解决了多 Agent 系统常见的"黑箱执行"问题；内容逻辑重组（而非按 Agent 顺序输出）体现了以用户阅读体验为中心的设计理念；渠道感知交付则展现了企业级部署的实用性考量。