02. 多 Agent 架构：让 AI 学会分工

> 一个 AI 不够用，那就来一个团队。

## 单 Agent 的天花板

OpenClaw 装好第一天，我用的是单 agent + Claude Opus。体验很好——Opus 聪明、有主见、能处理复杂任务。但问题很快暴露：

1. **贵**。Opus 每次调用 ~100k token（85% 是对话历史），一天下来账单吓人
2. **上下文爆炸**。聊着聊着上下文就满了，AI 开始"忘事"
3. **任务冲突**。我让它做深度研究的时候，发条消息问个简单问题，它得等研究完才能回我

本质上，一个 agent 就像一个人——再聪明也不能同时干两件事。

## 设计多 Agent 体系

春节第二天（2/15），我开始搭多 agent 架构。思路很简单：**贵的模型做决策，便宜的模型做执行**。

最终的 agent 分工：

| Agent    | 模型   | 职责                   |
| -------- | ------ | ---------------------- |
| main     | Opus   | 调度中心，直接和我对话 |
| explorer | Sonnet | 数据搜集，跑腿查资料   |
| coder    | Sonnet | 编码执行，写脚本跑命令 |
| reviewer | Sonnet | 代码审查，质量把关     |
| analyst  | Opus   | 深度研究，投资分析     |

后来又加了一个：

| quicknote | Gemini 2.5 Flash | 思源笔记速记，独立 Telegram bot |

### 为什么这样分

- **main 用 Opus**：它是调度中心，需要理解复杂意图、做决策、协调其他 agent。这是 Opus 的强项。
- **explorer/coder/reviewer 用 Sonnet**：这些是执行角色。搜索、写代码、审查——Sonnet 完全够用，价格只有 Opus 的 1/5。
- **analyst 用 Opus**：深度研究需要长链推理和综合分析能力，Sonnet 做不好。
- **quicknote 用 Gemini Flash**：速记不需要多聪明，要的是快和便宜。Flash 每百万 token 几毛钱。

### 注册 Agent

在 OpenClaw 里注册 agent，通过 `openclaw agents add` 命令或在配置中添加：

```json
{
  "agents": {
    "list": [
      {
        "id": "explorer",
        "model": "anthropic/claude-sonnet-4-6",
        "description": "数据搜集，为 analyst 跑腿"
      },
      {
        "id": "coder",
        "model": "anthropic/claude-sonnet-4-6",
        "description": "编码执行，脚本自动化"
      },
      {
        "id": "reviewer",
        "model": "anthropic/claude-sonnet-4-6",
        "description": "代码审查，质量把关"
      },
      {
        "id": "analyst",
        "model": "anthropic/claude-opus-4-6",
        "description": "深度研究，投资分析"
      }
    ]
  }
}
```

每个 agent 有自己的 session、自己的上下文、自己的模型。它们共享同一个 workspace（文件系统），但对话历史是隔离的。

### agentToAgent

开启 `agentToAgent` 后，agent 之间可以查看彼此的会话历史。这很重要——main 派任务给 explorer，explorer 完成后 main 能直接看到结果，不需要 explorer 把结果复制粘贴回来。

```json
{
  "tools": {
    "agentToAgent": {
      "enabled": true
    }
  }
}
```

## 实战：A 股深度研究

第一个真正用到多 agent 的任务是 A 股深度研究报告（2/15）。

流程：

1. 我告诉 main："做一份 A 股深度研究，覆盖 AI 应用、有色金属、房地产、半导体、新能源五个板块"
2. main 把数据搜集任务派给 explorer
3. explorer 搜索各板块的基本面数据、政策动态、龙头公司
4. main 把数据交给 analyst 做深度分析
5. analyst 输出研究报告 + 持仓诊断 + 组合建议

结果：报告质量不错，覆盖了五大板块 + 现有持仓诊断 + 推荐组合。但过程中踩了两个坑。

### 踩坑一：config.patch 重启陷阱

我在 analyst 正在跑深度研究的时候，又修改了一次配置（开启 agentToAgent）。Gateway 重启，analyst 的任务直接中断，结果丢失。

同一天这个错误犯了两次。

**教训：有 sub-agent 在跑时，绝不做任何会触发重启的操作。**

这条规则后来被写进了 AGENTS.md，成为铁律。

### 踩坑二：analyst output token 限制

analyst 用 Opus 做深度分析，数据搜集阶段消耗了大量 token。等到要写报告时，output token 已经接近限制，报告被截断了。

最终由 main 整合 analyst 收集的数据，自己完成了报告。

**教训：深度研究任务考虑分阶段执行，或者由 main 做最终整合。**

## quicknote：最轻量的 Agent

假期最后一天（2/23），我加了 quicknote agent。它是一个独立的 Telegram bot，专门做思源笔记速记。

和其他 agent 不同，quicknote：

- 有自己的 Telegram bot（独立的 bot token）
- 用 Gemini 2.5 Flash（最便宜的模型）
- 有独立的 workspace（`~/.openclaw/workspace-quicknote/`）
- 只做一件事：收到内容 → 整理 → 写入思源笔记

这是 OpenClaw 多 agent 的另一种用法——不是内部协作，而是面向不同场景的独立入口。给 main bot 发消息是和 Jarvis 聊天，给 quicknote bot 发消息是速记。

## 模型分配的经济学

跑了一周后的数据：

- main (Opus)：占 input token 的 97%，因为对话历史最长
- explorer/coder/reviewer (Sonnet)：执行任务时 token 消耗可控
- quicknote (Flash)：几乎不花钱

最大的成本优化不是换便宜模型，而是**控制对话历史长度**。后来开了 contextPruning（详见第三篇），token 消耗降了一大截。

## 多 Agent 的局限

说完优点，也说说局限：

1. **调度开销**：main 需要理解任务、决定派给谁、整合结果。简单任务直接做比派活快。
2. **上下文隔离**：agent 之间的对话历史是隔离的。虽然有 agentToAgent，但查历史也消耗 token。
3. **并发**：`sessions_spawn` 可以同时启动多个 sub-agent 实现并行，但需要合理设计任务拆分。
4. **配置复杂度**：每个 agent 的模型、fallback、workspace 都要单独配。

我的建议：**从单 agent 开始，遇到瓶颈再加**。不要为了架构而架构。

## 小结

多 Agent 架构的核心思想：

- 贵的模型做决策，便宜的模型做执行
- 每个 agent 职责单一，做好一件事
- 共享文件系统，隔离对话上下文
- 有 sub-agent 在跑时不要动配置

下一篇聊 Provider 和成本优化——怎么从一天烧几十刀降到几刀。

> 一个 AI 不够用，那就来一个团队。

## 单 Agent 的天花板

OpenClaw 装好第一天，我用的是单 agent + Claude Opus。体验很好——Opus 聪明、有主见、能处理复杂任务。但问题很快暴露：

本质上，一个 agent 就像一个人——再聪明也不能同时干两件事。

## 设计多 Agent 体系

春节第二天（2/15），我开始搭多 agent 架构。思路很简单：**贵的模型做决策，便宜的模型做执行**。

最终的 agent 分工：

后来又加了一个：

| quicknote | Gemini 2.5 Flash | 思源笔记速记，独立 Telegram bot |

### 为什么这样分

### 注册 Agent

在 OpenClaw 里注册 agent，通过 `openclaw agents add` 命令或在配置中添加：

每个 agent 有自己的 session、自己的上下文、自己的模型。它们共享同一个 workspace（文件系统），但对话历史是隔离的。

### agentToAgent

```json
{
  "tools": {
    "agentToAgent": {
      "enabled": true
    }
  }
}
```

## 实战：A 股深度研究

第一个真正用到多 agent 的任务是 A 股深度研究报告（2/15）。

流程：

结果：报告质量不错，覆盖了五大板块 + 现有持仓诊断 + 推荐组合。但过程中踩了两个坑。

### 踩坑一：config.patch 重启陷阱

我在 analyst 正在跑深度研究的时候，又修改了一次配置（开启 agentToAgent）。Gateway 重启，analyst 的任务直接中断，结果丢失。

同一天这个错误犯了两次。

**教训：有 sub-agent 在跑时，绝不做任何会触发重启的操作。**

这条规则后来被写进了 AGENTS.md，成为铁律。

### 踩坑二：analyst output token 限制

analyst 用 Opus 做深度分析，数据搜集阶段消耗了大量 token。等到要写报告时，output token 已经接近限制，报告被截断了。

最终由 main 整合 analyst 收集的数据，自己完成了报告。

**教训：深度研究任务考虑分阶段执行，或者由 main 做最终整合。**

## quicknote：最轻量的 Agent

假期最后一天（2/23），我加了 quicknote agent。它是一个独立的 Telegram bot，专门做思源笔记速记。

和其他 agent 不同，quicknote：

这是 OpenClaw 多 agent 的另一种用法——不是内部协作，而是面向不同场景的独立入口。给 main bot 发消息是和 Jarvis 聊天，给 quicknote bot 发消息是速记。

## 模型分配的经济学

跑了一周后的数据：

- main (Opus)：占 input token 的 97%，因为对话历史最长
- explorer/coder/reviewer (Sonnet)：执行任务时 token 消耗可控
- quicknote (Flash)：几乎不花钱

最大的成本优化不是换便宜模型，而是**控制对话历史长度**。后来开了 contextPruning（详见第三篇），token 消耗降了一大截。

## 多 Agent 的局限

说完优点，也说说局限：

我的建议：**从单 agent 开始，遇到瓶颈再加**。不要为了架构而架构。

## 小结

多 Agent 架构的核心思想：

- 贵的模型做决策，便宜的模型做执行
- 每个 agent 职责单一，做好一件事
- 共享文件系统，隔离对话上下文
- 有 sub-agent 在跑时不要动配置

下一篇聊 Provider 和成本优化——怎么从一天烧几十刀降到几刀。

最后修改：2026 年 02 月 24 日

如果觉得我的文章对你有用，请随意赞赏

02. 多 Agent 架构：让 AI 学会分工

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

基于思源笔记的写作、管理和分发流程

2024年计划与达成情况概览【更新至四月底】

【减脂漫谈】减脂45kg的思考和行动计划

基于Kindle、纸间书摘、思源笔记的全平台同步阅读及闪卡流程

08.老婆生日、半马完结

10.清明假期二三事

01. 岁岁的成长日志--岁岁出生了

云远程对象存储-MinIO服务部署

《超级智能》——当造物主成为濒危物种

04. 记忆系统：让 AI 记住你

02. 多 Agent 架构：让 AI 学会分工

发表评论 取消回复 使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款

02. 多 Agent 架构：让 AI 学会分工

发表评论取消回复
使用cookie技术保留您的个人信息以便您下次快速评论，继续评论表示您已同意该条款