多 Agent 协作开发实战

架构设计

一个高效的多 Agent 团队需要明确的角色分工：

执行官（coordinator）
  ├── 编程员（coder）— 写代码
  ├── 研究员（researcher）— 搜索调研
  ├── 编辑（writer）— 总结润色
  └── 运维（operator）— 执行检查

Step 1：配置 Agent 团队

在 openclaw.json 中定义你的 Agent 团队：

{
  "agents": {
    "list": [
      {"id": "coordinator", "model": "nvidia/z-ai/glm5"},
      {"id": "coder", "model": "openai-codex/gpt-5.4"},
      {"id": "researcher", "model": "nvidia/moonshotai/kimi-k2.5"},
      {"id": "writer", "model": "openrouter/qwen/qwen3.6-plus:free"}
    ]
  }
}

Step 2：任务拆解与分发

执行官收到需求后，拆解为子任务并分发：

需求：开发一个 API 端点

拆解：
1. researcher → 调研最佳实践和竞品实现
2. coder → 编写 API 代码和测试
3. writer → 编写 API 文档
4. operator → 部署到测试环境

Step 3：结果整合

所有子任务完成后，执行官负责：

去重：去掉重复内容
纠偏：修正方向偏差
补洞：发现遗漏并补充
定稿：输出最终可交付成果

关键原则

专人专事：不要让 coder 去做搜索
串行 vs 并行：有依赖关系的串行，独立的并行
轻量沟通：子任务结果不要原样转发，先提炼再传递

多 Agent 协作开发实战

架构设计

一个高效的多 Agent 团队需要明确的角色分工：

执行官（coordinator）
  ├── 编程员（coder）— 写代码
  ├── 研究员（researcher）— 搜索调研
  ├── 编辑（writer）— 总结润色
  └── 运维（operator）— 执行检查

Step 1：配置 Agent 团队

在 openclaw.json 中定义你的 Agent 团队：

{
  "agents": {
    "list": [
      {"id": "coordinator", "model": "nvidia/z-ai/glm5"},
      {"id": "coder", "model": "openai-codex/gpt-5.4"},
      {"id": "researcher", "model": "nvidia/moonshotai/kimi-k2.5"},
      {"id": "writer", "model": "openrouter/qwen/qwen3.6-plus:free"}
    ]
  }
}

Step 2：任务拆解与分发

执行官收到需求后，拆解为子任务并分发：

需求：开发一个 API 端点

拆解：
1. researcher → 调研最佳实践和竞品实现
2. coder → 编写 API 代码和测试
3. writer → 编写 API 文档
4. operator → 部署到测试环境

Step 3：结果整合

所有子任务完成后，执行官负责：

去重：去掉重复内容
纠偏：修正方向偏差
补洞：发现遗漏并补充
定稿：输出最终可交付成果

关键原则

专人专事：不要让 coder 去做搜索
串行 vs 并行：有依赖关系的串行，独立的并行
轻量沟通：子任务结果不要原样转发，先提炼再传递