核心用法
Local Coding Orchestrator 是一个专为本地 AI 编程工具设计的监督层编排框架，将 OpenClaw 定位为高于 Codex、Claude Code、OpenCode 等本地 CLI 的协调中枢。其核心工作流分为三层：Intake 层将用户需求结构化；Worker 层隔离运行各工具实例；Supervisor 层负责任务调度、状态转换、输出校验与决策汇报。
使用者通过 JSON 任务记录持久化追踪每个编码单元，经历 draft → queued → running → awaiting-review → completed/failed 等显式状态流转。系统内置五大管道预设（implement_and_review、design_then_build、investigate_then_fix、parallel_compare、pr_hardening），支持按任务意图自动路由工具：Codex 主导实现、Claude Code 负责架构审查与风险分析、OpenCode 用于会话延续或备选方案。
显著优点
1. 严格角色分离：通过 supervisor/implementer/reviewer 三元角色避免"协调者偷做实现"的边界模糊问题，强制客观信号（文件变更、构建结果、测试通过）而非工人自报告作为完成标准。
2. 语义级重试机制：区分机械重试（环境/适配层故障）与语义重试（需求误解、范围偏离），后者要求生成包含失败证据、调整方向、新验收焦点的重试简报，避免盲目重复消耗 token。
3. 资源感知调度：为任务分配权重（审查=1，实现=2，重构建=3），支持并发上限与隔离 worktree，将本地机器资源瓶颈纳入调度考量而非误判为工人失败。
4. 精细化阻塞分类：environment/policy/adapter/implementation/semantic/mixed 六类阻塞标签，使失败归因与修复策略更加精准。
潜在局限
- 环境依赖重：假设本地已配置 codex/claude/opencode CLI 及 PowerShell 执行环境，跨平台（Linux/macOS）适配需自行调整脚本。
- 初期配置成本：需建立 local-orchestrator/ 目录结构、任务记录 schema 及脚本资产，对轻量一次性任务存在 overhead。
- 无自动探针默认关闭：AutoProbe 需显式启用，否则可能因路径漂移、只读运行时等环境问题导致无效执行。
- 输出清洗不完善：承认 wrapper 启动横幅、MCP 警告等噪音仍可能干扰结果解析，需人工介入校验。
适合人群
- 需要持续监督多工具 AI 编码工作流的开发者与团队
- 追求"可审计、可重试、可交接"的严肃工程场景，而非单次对话式生成
- 愿意投入前期搭建成本以换取长期可维护性的技术负责人
常规风险
1. 路径漂移：挂载工作空间可能导致工具实际运行在非预期目录，需前置校验与后置文件落地确认。
2. 伪完成状态：工人进程退出不等于任务完成，必须经 Supervisor 显式状态转换，防止"分析当实现"的误判。
3. 适配层故障混淆：PowerShell/PTY/stdout 捕获问题需与产品任务失败区分，避免掩盖真实问题或伪造进度。
4. 原型偏见：系统可能倾向轻量路径，需在模糊需求场景下显式声明"可维护项目"模式以触发更严格的架构审查前置流程。