核心用法
claw-multi-agent 是 OpenClaw 的多智能体并行编排框架，通过同时调度多个 AI Agent 实现任务加速。支持三种运行模式：
🎯 Orchestrator Mode（指挥官模式）：通过 sessions_spawn 启动具备完整工具能力的子 Agent，实现真正的并行网络搜索、文件操作和代码执行。适用于需要实时信息的调研任务，多 Agent 在同一轮调用中同时执行，主 Agent 统一汇总结果。
🔄 Pipeline Mode（流水线模式）：基于 Python CLI 的纯文本处理模式，适用于写作、翻译、多版本生成、代码规划-实现-审核等任务。支持并行（多角度同时分析）和串行（任务链式依赖）两种编排方式。
🔀 Hybrid Mode（混合模式）：先执行并行网络调研，再基于研究结果生成多版本草稿，兼顾信息实时性和内容多样性。
显著优点
- 时间效率提升显著：并行执行替代串行处理，实测可节省 50-65% 任务时间
- 模型选择灵活：内置 GLM、Kimi、Gemini、Claude Sonnet/Opus 等模型映射，可按角色智能匹配或用户指定
- 交互规范完善：强制先宣告激活、再展示任务规划、后结构化输出，避免用户长时间等待无反馈
- 输出质量可控：子 Agent 仅返回摘要（≤100词/点），由主 Agent 重写整合，规避 Token 上限导致的截断问题
- 渠道感知交付：自动识别飞书、Discord、Telegram 等平台，选择文档链接、附件或 Markdown 直发等最优方式
潜在缺点与局限性
- 依赖外部工具链：Orchestrator 模式需
sessions_spawn支持，Pipeline 模式依赖本地 Python 环境 - 子 Agent 无共享上下文：并行 Agent 彼此隔离，需主 Agent 显式传递依赖结果，设计不当易导致空返回
- 中文语境模型限制：GLM 虽中文优化但推理能力有限，复杂分析任务需升级到 Sonnet/Opus
- 文件保存路径硬编码：默认写入
/workspace/projects/，在部分隔离环境中可能权限受限
适合人群
- 技术团队需要快速对比多个框架/方案的研发人员
- 内容创作者需要同一主题多版本草稿的写作者
- 需要批量处理文档（翻译、摘要、分析）的运营人员
- 追求 AI 工作流自动化的效率极客和开发者
常规风险
- Token 超限静默失败：子 Agent 输出超过 4096 Token 时工具参数被截断，文件写入可能无提示失败
- 网络搜索成本累积：并行启动大量搜索 Agent 可能导致 API 调用费用快速上升
- 上下文压缩丢失宣告：若未严格遵守「先宣告后执行」顺序，激活通知可能在长任务中被压缩丢弃
- 飞书 Markdown 渲染问题：直接粘贴 Markdown 文本在飞书聊天中显示为原始符号，必须通过附件或文档链接交付