定位

OpenClaw在多智能体领域有一个独特的定位，它不是一个开发者工具库，而是一个即用型智能体产品。这是它与AutoGen、CrewAI、LangGraph等框架的根本定位差异。

对比AutoGen

• 与微软的AutoGen相比，核心分歧在于"对话式协作" 与 ”任务式委派“。AutoGen围绕ConversableAgent构建，支持灵活的双智能体对话，群聊，层级结构 — 智能体通过结构化对话轮次协商解决问题。

• OpenClaw多智能体更像一个带分工的工作队列：主智能体通过Session_spawn分发任务，子智能体完成后通告结果。

AutoGen在复杂推理和协商场景中更强大，但需Python编码，OpenClaw零代码即可运行，且内置15+消息平台集成。

对比LangGraph

• LangGraph代表另一个极端，将智能体建模为有向图中的节点，支持循环图、分支决策、人类审批检查点和持久化状态，本质上是一个智能体状态机引擎。对于需精细控制推理流程的企业级应用，LangGraph几乎是无可替代的，但也意味着陡峭的学习曲线和大量工程投入。

• OpenClaw目标用户无需理解”状态机思维“，通过自然语言和Markdown配置即可实现实用的自动化。

设计剖析

• 本地优先的AI执行框架，强调 让AI真正做事的实用主义导向。
• AI时代，超级个体可驱动现象级开源项目（单枪匹马单日通过AI编程数百次代码提交，快速迭代）。
• OpenClaw爆发，本质是 本地执行+自然交互 的技术路线，契合了用户对AI真正做事的核心需求。

OpenClaw其实是你 AI Agent中不是AI的那部分（龙虾的聪明程度取决于背后接的模型）。

flowchart RL
    subgraph 人
    p["`WhatsApp
    Telegram
    WebUI
    飞书
    QQ
    企业微信`"
    ]
    end
    subgraph OpenClaw
    O["`记忆系统
    任务管理系统
    使用你的电脑`"
    ]
    end
    subgraph 大模型
    L["`Claude
    Gemini
    GPT
    MiniMax
    DeepSeek`"
    ]
    end
    人-->OpenClaw
    OpenClaw-->人
    OpenClaw-->大模型
    大模型-->OpenClaw

作为一个壳，效果依赖你给它接的大模型，也依赖它自身

• 工具调用，是模型和框架间配合演出的双簧
• 其强，强在可以用exec这个工具执行任何shell command
• 另外，与模型合作会自创工具，生成程序解决眼前的问题

龙虾干了哪些活?

模型本身有严重的失忆症，每次处理请求都从零开始。OpenClaw在背后做了大量递纸条的工作

• 每次把你的消息发给模型之前，OpenClaw先在后台默默完成一项大工程，把所有需要模型【知道】的信息拼接城一个巨大的prompt，一股脑塞给模型
• prompt里有什么？
  • AGENT.md、 SOUL.md、USER.md，里面写着小龙虾是谁，性格是什么，主人是谁，主人有什么偏好和习惯
  • 然后是你和它之前的所有对话记录
  • 再加上之前调用过的工具的返回结果，当前的日期时间等环境信息

最棒的部分：技能扩展系统

• 不断学习/注入 新本领，甚至能自己写技能的 插件架构（Skill可以由LLM自行创造）
• Skill就是给AI助手的操作手册，让它在通识之余 了解并具备专项操作能力（Skill就是工作的SOP）

1
2
3
4
5
6
7
8
9
10
11

skill-root/
├── SKILL.md                # 技能描述文件（必需）
├── scripts/                # 可执行脚本目录
│   ├── helper.py
│   └── utils.sh
├── references/             # 参考文档目录
│   ├── api_docs.md
│   └── guidelines.txt
└── assets/                 # 静态资源目录
    ├── logo.png
    └── styles.css

完全兼容AgentSkills开放标准的广阔生态。一次编写，到处运行（无缝迁移至数十个主流AI终端平台）。

---
config:
  flowchart:
    defaultRenderer: "elk"
---
flowchart LR
    发现-->依赖资格检查-->渐进加载-->执行-->文件监听-..->发现
    执行-.250ms debounce热重载。修改Markdown后无需重启，下轮对话直接生效.->文件监听

多智能体协作机制

OpenClaw提供三种多Agent协作机制：SubAgent、AgentTeams、AgentToAgent（跨代理通讯）。各自应对不同复杂度和规模的任务需求

可为不同角色配不同的模型，例如路由选择用轻量模型，推理用高阶模型，降低Token成本

协作模式

SubAgent: 主从委派

主Agent是项目经理，子Agent是干具体活的调研员，通过Spawn指令产生，子Agent完成后将结果回传，适合流水线式工作（子Agent拥有独立的上下文窗口）

AgentTeams

支持多代理以对等或阶层方式协作，可共享上下文和记忆，适合需要即时协调与动态分工的复杂任务

AgentToAgent

实现跨OpenClaw实例的代理间通信

何时启用多Agent？

• 任务可分解为独立子任务，加速效果明显（单一Agent只能依序完成子任务）
• 需不同专业领域：任务需不同技能组合时，专职Agent输出品质优于通用Agent
• 成本敏感：不是每个子任务都需要最贵的模型
• 可靠性要求高：多Agent架构支持子Agent的重试和fallback配置，提高可用性保障

subAgent与AgentTeams可同时使用么？

• 可以
• 配置文件的不同组织，决定工作模式，也支持嵌套
• subAgent配置最实用，另两种对多数用户都有场景复杂化的伪命题感
• AgentTeams适合开发场景，如技术主管（can_delegate:true）、前端开发、后端开发、QA（它们can_delegate:false），辅以workflow设定配置，定义stages，其它设置项定义协调策略与协调者

烧Token的问题

• 一句简单的你好，OpenClaw可能帮你组装了5000Token的Prompt

• 心跳机制会使它定期访问模型

• 每次交互相当于让模型『重新读一遍小说』

参考