核心用法
claw-multi-agent 是一款面向 OpenClaw 的多智能体并行编排技能，通过将串行任务转为并行执行，显著压缩复杂调研和分析的时间成本。用户只需自然语言触发（如"并行调研""多Agent分析"），系统自动组建 Agent 小队。
三大运行模式：
- 指挥官模式 (Orchestrator)：基于
sessions_spawn启动具备完整工具链（联网搜索、文件读写、代码执行）的子 Agent，适合实时信息收集 - 流水线模式 (Pipeline)：纯文本处理，通过 CLI 并行运行多 Agent，适合写作、翻译、代码生成等无需联网的任务
- 混合模式 (Hybrid)：先并行调研收集信息，再生成多版本对比草案
典型场景包括： 5 个框架同时调研（~65% 提速）、Claude/Gemini/Kimi 同题对比（~50% 提速）、Plan→Code→Review 自动交接的代码流水线。
---
显著优点
1. 时间效率质变：官方标称 50-65% 耗时节省，复杂调研从小时级压缩至分钟级
2. 模型灵活调度：内置 GLM（快/便宜）、Kimi（长上下文/代码）、Gemini（创意）、Sonnet（均衡）、Opus（最强推理）的分层策略，按需分配
3. 智能路由：自动识别任务意图，无需手动指定模式
4. 结构化输出：强制要求主 Agent 按"执行统计→核心结论→分主题展开→行动建议"重组内容，避免子 Agent 结果堆砌
5. 渠道感知交付：自动识别 Feishu/Discord/Telegram 等平台，选择附件、文档链接或直发 Markdown
---
局限与风险
- Token 瓶颈：子 Agent 输出上限约 4096 tokens，长报告必须由主 Agent 整合撰写
- 并行隔离：同轮启动的 Agent 无上下文共享，依赖型任务必须分轮次串行执行
- 工具限制：Pipeline 模式无联网能力，需严格匹配模式与任务类型
- 上下文压缩风险：文档未明确说明，但长会话中子 Agent 结果回传可能受上下文窗口挤压
---
适合人群
- 技术调研人员（框架选型、竞品分析）
- 内容创作者（多风格稿件并行生成）
- 开发团队（代码审查流水线、多模型方案对比）
- 需要高频处理批量信息的知识工作者
---
常规风险
| 风险点 | 说明 |
|--------|------|
| 模式误配 | 需联网任务误用 Pipeline 模式导致信息过时 |
| 依赖混乱 | 并行 Agent 错误引用其他 Agent 中间结果 |
| 输出截断 | 子 Agent 生成长内容被截断，主 Agent 整合失真 |
| 成本波动 | 多 Agent 同时调用可能产生意外 API 费用 |