核心用法
claw-multi-agent 是 OpenClaw 平台的多智能体并行编排技能，通过同时派生多个 AI Agent 实现任务并行化。主要使用场景包括：
三种运行模式：
- 指挥官模式（Orchestrator）：通过
sessions_spawn调用具备完整工具链（联网搜索、文件操作、代码执行）的子 Agent，实现真正的并行调研 - 流水线模式（Pipeline）：纯文本任务的多 Agent 协作，支持并行对比、顺序执行、多草稿生成
- 混合模式（Hybrid）：先并行搜索调研，再生成多版本报告，兼顾时效性与多样性
典型应用场景：
| 场景 | 效果 |
|------|------|
| 并行调研5个框架 | 节省约65%时间 |
| 多模型同时回答同一问题 | 节省约50%时间，便于对比 |
| 代码流水线（规划→编码→审核） | 质量提升 |
| 批量文档处理 | 线性扩展 |
关键交互规范：
1. 触发后立即发送唤醒公告，再进行任何操作
2. 派生前公示任务规划（Agent数量、角色、模型、预计耗时）
3. 子 Agent 仅返回摘要（≤100字/点），主 Agent 负责整合重写
4. 结果按内容逻辑重组，而非按 Agent 顺序罗列
5. 先保存文件，再根据渠道（飞书/Discord等）选择投递方式
模型选择指南：
- GLM（轻量）：搜索、简单调研
- Kimi（长上下文）：深度分析、代码、长文整合
- Gemini（创意）：写作、文案
- Claude Sonnet（均衡）：复杂推理、规划、审核
- Claude Opus（最强）：极复杂分析、架构设计
显著优点
1. 时间效率提升显著：并行执行将串行任务压缩为单个子任务的最大耗时，实测50-65%时间节省
2. 多维度覆盖：可同时从多个角度、多个模型、多个信息源获取输入，避免单一视角盲区
3. 灵活可扩展：Agent 数量动态决定（2-10+均可），角色与模型自由组合
4. 三种模式智能路由：系统根据任务特征自动选择最优执行策略
5. 结构化输出规范：内置统计卡、核心结论优先、内容逻辑重组等最佳实践
6. 成本控制精细：简单任务降级至轻量模型，关键任务升级至最强模型
潜在缺点与局限性
1. 子 Agent 间无共享上下文：同批次派生的 Agent 完全独立，无法实现实时协作或依赖
2. 依赖型任务必须串行：分析师需等待研究员结果，无法完全并行
3. 子 Agent 输出 token 限制：约4096 token，无法直接生成长报告
4. Pipeline 模式无工具链：纯文本执行，无法联网搜索或操作文件
5. 飞书渠道格式限制：Markdown 无法渲染，必须用附件或文档链接投递
6. 上下文压缩风险：前置操作过多可能导致唤醒公告丢失
适合人群
- 技术调研者：需要快速对比多个框架、技术方案
- 内容创作者：需要同一主题的多角度、多风格版本
- 开发团队：需要代码规划、实现、审核的流水线协作
- 产品经理/分析师：需要批量处理文档、翻译、总结
- 研究人员：需要深度调研与多源信息整合
常规风险
| 风险类型 | 说明 | 缓解措施 |
|----------|------|---------|
| 结果碎片化 | 多 Agent 输出格式不一，整合困难 | 强制子 Agent 返回结构化摘要，主 Agent 统一重写 |
| 信息冗余或冲突 | 多源信息可能出现矛盾 | 分析师角色专门负责对比与冲突解决 |
| 成本失控 | 多 Agent 同时运行累积 token 消耗 | 任务分级（fast/smart/best），简单任务降级 |
| 超时失败 | 某个子 Agent 卡住导致整体延迟 | 设置合理 timeout，做好失败降级 |
| 飞书投递失败 | Markdown 直接粘贴显示乱码 | 必须先保存文件，再按渠道选择投递方式 |