Skip to Content

24d - Agent 间通信

本文是《AI Agent 实战手册》第 24 章第 4 节。 上一节:24c-自定义集成教程 | 下一节:24e-社区插件生态

概述

当一个 OpenClaw Gateway 上运行多个 Agent 时,它们之间如何交换信息、协调任务、达成共识?本节系统讲解 OpenClaw 的四种 Agent 间通信机制——共享内存、消息传递、事件广播和”AI 委员会”圆桌模式——帮助你根据场景选择最合适的协作方案,构建真正高效的多 Agent 团队。


1. 共享内存(MEMORY.md)

工作原理

OpenClaw 的记忆系统基于 Markdown 文件。每个 Agent 拥有独立的工作空间(agentDir),其中包含 MEMORY.md 等文件用于持久化状态。Agent 在每次被触发时读取这些文件,在任务结束时写回更新。

共享内存的核心思路是:让多个 Agent 读写同一组 Markdown 文件,从而实现信息共享。这类似于多线程编程中的”共享内存”模型——不同 Agent 通过读写公共文件来交换数据,而非直接发送消息。

┌─────────────┐ ┌──────────────────┐ ┌─────────────┐ │ Agent A │────▶│ shared/ │◀────│ Agent B │ │ (研究员) │ │ MEMORY.md │ │ (写作者) │ │ │────▶│ FINDINGS.md │◀────│ │ └─────────────┘ │ STATUS.md │ └─────────────┘ └──────────────────┘ ┌──────┴──────┐ │ Agent C │ │ (审核员) │ └─────────────┘

配置与使用

方式一:符号链接共享目录

最简单的方式是通过文件系统符号链接,让多个 Agent 的特定文件指向同一位置:

# 创建共享目录 mkdir -p /path/to/openclaw/shared-memory # 在 Agent A 的工作空间中创建符号链接 ln -s /path/to/openclaw/shared-memory/SHARED_MEMORY.md \ /path/to/openclaw/agents/agent-a/SHARED_MEMORY.md # 在 Agent B 的工作空间中创建同样的符号链接 ln -s /path/to/openclaw/shared-memory/SHARED_MEMORY.md \ /path/to/openclaw/agents/agent-b/SHARED_MEMORY.md

方式二:使用 MemOS 插件(推荐)

MemOS 提供了专门的 OpenClaw 插件,将共享内存抽象为统一的记忆层:

# agents.yaml 中配置 MemOS 插件 agents: research-agent: plugins: - name: memos-memory config: pool: "team-alpha" # 共享内存池名称 access: read-write namespace: research # Agent 专属命名空间 writer-agent: plugins: - name: memos-memory config: pool: "team-alpha" # 同一内存池 access: read-write namespace: writing

方式三:SOUL.md 中声明共享文件

在 Agent 的 SOUL.md 中明确指示它读写共享文件:

<!-- Agent A 的 SOUL.md --> ## 协作规则 - 你是研究团队的一员 - 将研究发现写入 `../shared/FINDINGS.md` - 在开始新任务前,先读取 `../shared/STATUS.md` 了解团队进度 - 完成任务后更新 `../shared/STATUS.md` 中你的状态

共享内存工具推荐

工具用途价格适用场景
MemOS Plugin统一共享内存层,支持命名空间和访问控制免费(开源)多 Agent 团队协作,推荐方案
EnsueAgent 共享记忆网络免费(开源)需要跨 Agent 知识订阅和权限管理
mem0个性化 AI 记忆层免费(开源)/ 云版 $49/月起需要语义搜索和自动记忆提取
supermemory开源记忆管理免费(开源)轻量级记忆共享
符号链接文件系统级共享免费最简单的共享方案,适合 2-3 个 Agent

优缺点

优点:

  • 实现简单,无需额外基础设施
  • 人类可读——直接打开 Markdown 文件即可审查 Agent 共享的内容
  • 持久化天然支持——文件系统即数据库
  • 使用 MemOS 可降低约 60-70% 的 token 消耗(避免重复加载上下文)

缺点:

  • 无实时通知——Agent B 不知道 Agent A 何时更新了文件,需要轮询或定时读取
  • 并发写入风险——两个 Agent 同时写同一文件可能导致数据丢失
  • 缺乏结构化协议——文件格式依赖约定,没有 schema 验证
  • 扩展性有限——Agent 数量增多时,文件冲突概率上升

2. 消息传递(sessions_spawn / sessions_send)

Agent 间直接通信

OpenClaw 的 Gateway 是所有通信的中枢。Agent 之间不直接对话,而是通过 Gateway 的消息队列间接通信。当 Agent A 需要通知 Agent B 时,它向 Gateway 发送一条内部消息,Gateway 将其放入 Agent B 的任务队列,就像处理普通用户消息一样。

┌──────────┐ 内部消息 ┌──────────┐ 路由到队列 ┌──────────┐ │ Agent A │───────────────▶│ Gateway │───────────────▶│ Agent B │ │ (研究员) │ │ (路由器) │ │ (写作者) │ └──────────┘ └──────────┘ └──────────┘ │ 路由到队列 ┌──────────┐ │ Agent C │ │ (审核员) │ └──────────┘

这种设计的关键洞察是:Agent 间的消息和用户消息走同一条路径。Gateway 不区分消息来源,统一排队、按序处理。这保证了系统的简洁性和可预测性。

父子 Agent 模式

sessions_spawn 允许一个 Agent(父)创建子 Agent 会话来处理独立任务。子 Agent 拥有完全隔离的执行环境:

┌─────────────────────────────────────────────────┐ │ 父 Agent(编排者) │ │ │ │ "请分别研究这三个竞品" │ │ │ │ │ │ │ spawn ▼ spawn ▼ spawn ▼ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ │ │ 子Agent1 │ │ 子Agent2 │ │ 子Agent3 │ │ │ │ 竞品A研究 │ │ 竞品B研究 │ │ 竞品C研究 │ │ │ └────┬─────┘ └────┬─────┘ └────┬─────┘ │ │ │ │ │ │ │ └────────────┼────────────┘ │ │ ▼ │ │ 结果汇总到父 Agent │ └─────────────────────────────────────────────────┘

每个子 Agent 获得唯一的会话标识符,格式为 agent:{agentId}:subagent:{uuid}。关键特性:

  • 上下文隔离:子 Agent 有独立的上下文窗口和对话历史,不会看到父 Agent 的对话内容
  • 并行执行:多个子 Agent 可同时运行,将串行任务变为并行
  • 结果回传:子 Agent 完成后自动将结果发送回父 Agent 的会话
  • 无嵌套限制:子 Agent 不能再创建自己的子 Agent(防止递归失控)

使用 /subagents 管理子 Agent

# 查看所有运行中的子 Agent /subagents list # 查看特定子 Agent 的详细信息 /subagents info <subagent-id> # 向运行中的子 Agent 发送补充指令 /subagents send <subagent-id> "请重点关注定价策略" # 查看子 Agent 的完整对话日志 /subagents log <subagent-id> # 终止不再需要的子 Agent /subagents stop <subagent-id>

权限委派

Agent 间消息传递涉及重要的安全边界:

# agents.yaml - 权限隔离配置 agents: orchestrator: model: claude-sonnet-4-20250514 # 高能力模型用于编排 tools: - sessions_spawn - sessions_send auth_profiles: - github-admin - slack-admin research-worker: model: claude-haiku # 低成本模型用于执行 tools: - web_search - file_read auth_profiles: - github-readonly # 只读权限 # 注意:worker 没有 sessions_spawn 权限,不能创建子 Agent

权限设计原则:

  1. 最小权限:Worker Agent 只获得完成任务所需的最少权限
  2. 凭证隔离:每个 Agent 的 API 密钥和 OAuth token 严格隔离
  3. 单向委派:编排者可以创建 Worker,但 Worker 不能反向创建编排者
  4. 模型分层:编排者使用高能力模型(如 Opus/Sonnet),Worker 使用低成本模型(如 Haiku)

3. 事件广播

事件总线机制

OpenClaw 的 Gateway 本质上是一个事件驱动系统。它接受五种输入源:

  1. 用户消息(来自 Telegram/Slack/WhatsApp 等)
  2. 心跳事件(定时器,默认每 30 分钟触发一次)
  3. Cron 任务(定时调度,如每天早上 9 点)
  4. 内部 Hook(系统状态变化事件)
  5. Webhook(外部系统回调)

加上第六种:Agent 间消息

所有这些输入都进入同一个事件队列,由 Gateway 统一路由和调度。这意味着事件广播可以利用现有的 Hook 和 Webhook 机制实现。

┌─────────────────────────────────────────────────────────┐ │ Gateway 事件总线 │ │ │ │ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌────────┐ │ │ │ 用户消息 │ │ 心跳/Cron │ │ Webhook │ │ Hook │ │ │ └────┬─────┘ └────┬─────┘ └────┬─────┘ └───┬────┘ │ │ │ │ │ │ │ │ └─────────────┼─────────────┼─────────────┘ │ │ ▼ │ │ ┌──────────────┐ │ │ │ 事件队列 │ │ │ └──────┬───────┘ │ │ │ │ │ ┌──────────┼──────────┐ │ │ ▼ ▼ ▼ │ │ ┌──────────┐┌──────────┐┌──────────┐ │ │ │ Agent A ││ Agent B ││ Agent C │ │ │ └──────────┘└──────────┘└──────────┘ │ └─────────────────────────────────────────────────────────┘

订阅与发布

使用 Hook 实现事件订阅

Agent 可以通过 Hook 机制订阅特定的系统事件。当事件发生时,Gateway 自动触发对应 Agent 的处理逻辑:

# Agent A 的 hooks 配置 - 发布事件 hooks: on_task_complete: trigger: "agent_action_end" action: | 将任务结果写入 ../shared/EVENTS.md,格式: ## [时间戳] research-complete - agent: research-agent - topic: {{topic}} - status: done - output: ../shared/findings/{{topic}}.md # Agent B 的 hooks 配置 - 订阅事件 hooks: on_startup: trigger: "gateway_start" action: "读取 ../shared/EVENTS.md,检查是否有未处理的 research-complete 事件" on_heartbeat: trigger: "heartbeat" action: "检查 ../shared/EVENTS.md 是否有新的 research-complete 事件,如有则开始写作任务"

使用 Webhook 实现跨系统事件

// 外部系统通过 Webhook 触发 Agent // POST /webhook/agent-b { "event": "research_complete", "source": "agent-a", "payload": { "topic": "竞品分析", "findings_path": "/shared/findings/competitor-analysis.md" } }

跨 Agent 事件流

一个典型的跨 Agent 事件流示例——产品调研到文档生成:

时间线 ──────────────────────────────────────────────────▶ [Cron 触发] [Hook 触发] [Hook 触发] │ │ │ ▼ ▼ ▼ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ 调研Agent │─────▶│ 写作Agent │─────────▶│ 审核Agent │ │ │ 写入 │ │ 写入 │ │ │ 每日9am │ 共享 │ 检测到新 │ 共享 │ 检测到新 │ │ 执行调研 │ 内存 │ 调研结果 │ 内存 │ 草稿完成 │ └──────────┘ └──────────┘ └──────────┘ │ │ │ ▼ ▼ ▼ FINDINGS.md DRAFT.md REVIEW.md

4. “AI 委员会”圆桌模式

设计理念

“AI 委员会”(AI Committee)或”圆桌模式”(Roundtable Pattern)是一种高级多 Agent 协作模式,灵感来自人类的委员会决策机制。多个具有不同专业背景和视角的 Agent 围绕同一议题展开结构化讨论,通过多轮辩论和投票达成共识。

这种模式的核心价值在于:单个 AI 的判断可能有偏差,但多个不同视角的 AI 交叉验证可以显著提高决策质量。学术研究(如 ReConcile 框架)已证明,多 Agent 圆桌讨论在复杂推理任务上的表现优于单 Agent。

┌──────────────┐ │ 主持人Agent │ │ (Moderator) │ └──────┬───────┘ ┌────────────┼────────────┐ │ │ │ ▼ ▼ ▼ ┌──────────┐ ┌──────────┐ ┌──────────┐ │ 安全专家 │ │ 架构师 │ │ 产品经理 │ │ Agent │ │ Agent │ │ Agent │ └────┬─────┘ └────┬─────┘ └────┬─────┘ │ │ │ └────────────┼────────────┘ ┌──────────────┐ │ 共识决策输出 │ └──────────────┘

配置方法

在 OpenClaw 中实现圆桌模式,需要配置一个编排者 Agent 和多个专家 Agent:

步骤 1:定义专家 Agent

# agents.yaml agents: moderator: model: claude-sonnet-4-20250514 soul: | 你是圆桌讨论的主持人。你的职责是: 1. 将议题分发给所有专家 2. 收集每位专家的独立意见 3. 识别分歧点并引导深入讨论 4. 在 3 轮讨论后发起投票 5. 综合所有意见形成最终决策 tools: - sessions_spawn - sessions_send - file_write security-expert: model: claude-sonnet-4-20250514 soul: | 你是一位资深安全工程师。在圆桌讨论中,你从安全角度评估方案: - 攻击面分析 - 数据泄露风险 - 合规性要求 - 安全最佳实践 始终优先考虑安全性,即使这意味着增加复杂度。 architect: model: claude-sonnet-4-20250514 soul: | 你是一位系统架构师。在圆桌讨论中,你从架构角度评估方案: - 可扩展性 - 性能影响 - 技术债务 - 维护成本 追求简洁优雅的设计,避免过度工程。 product-manager: model: claude-sonnet-4-20250514 soul: | 你是一位产品经理。在圆桌讨论中,你从产品角度评估方案: - 用户体验影响 - 上线时间 - 商业价值 - 竞品对比 始终以用户价值为导向。

步骤 2:编写圆桌讨论 Skill

<!-- skills/roundtable-discussion.md --> # 圆桌讨论 Skill ## 触发条件 当用户说"发起圆桌讨论"或"让团队讨论一下"时激活。 ## 执行流程 ### 第一轮:独立分析 1. 将议题同时发送给所有专家 Agent(使用 sessions_spawn 并行) 2. 每位专家独立分析,输出结构化意见: - 立场(支持/反对/有条件支持) - 关键论点(3-5 条) - 风险评估(高/中/低) - 建议行动 ### 第二轮:交叉审查 3. 收集所有专家意见后,将汇总发送给每位专家 4. 每位专家针对其他人的意见提出质疑或补充 ### 第三轮:共识形成 5. 收集第二轮反馈,识别共识点和分歧点 6. 对分歧点发起加权投票 7. 生成最终决策报告 ## 输出格式 将讨论结果写入 `ROUNDTABLE_RESULT.md`,包含: - 议题摘要 - 各专家立场汇总 - 共识点 - 分歧点及投票结果 - 最终建议 - 风险提示

决策聚合策略

圆桌模式的核心挑战是如何从多个 Agent 的意见中提取最终决策。以下是四种常用策略:

策略 1:多数投票(Majority Voting)

专家A: 方案1 ✓ 专家B: 方案2 ✓ 专家C: 方案1 ✓ 最终决策: 方案1(2:1)

最简单的策略。每个 Agent 投一票,多数胜出。适合二选一的决策场景。

策略 2:置信度加权投票(Confidence-Weighted Voting)

# 伪代码:置信度加权投票 votes = { "security_expert": {"choice": "方案A", "confidence": 0.9}, "architect": {"choice": "方案B", "confidence": 0.6}, "product_manager": {"choice": "方案A", "confidence": 0.8}, } # 加权计算 scores = {} for agent, vote in votes.items(): choice = vote["choice"] scores[choice] = scores.get(choice, 0) + vote["confidence"] # 结果: 方案A = 1.7, 方案B = 0.6 → 选择方案A

策略 3:否决权机制(Veto Power)

特定领域的专家对其领域内的决策拥有否决权:

  • 安全专家可以否决任何存在严重安全风险的方案
  • 架构师可以否决违反核心架构原则的方案
  • 产品经理可以否决严重损害用户体验的方案

策略 4:辩论收敛(Debate Convergence)

多轮辩论直到所有 Agent 达成一致或分歧缩小到可接受范围:

第1轮: A=方案1, B=方案2, C=方案2 (分歧度: 高) 第2轮: A=方案2(修改版), B=方案2, C=方案2(修改版) (分歧度: 低) 第3轮: 所有人同意方案2(修改版) (达成共识)

5. 通信模式对比与选择

工具推荐表(含价格列)

工具/框架用途价格适用场景
OpenClaw Gateway内置 Agent 间消息路由和事件队列免费(开源)所有 OpenClaw 多 Agent 场景
MemOS Plugin共享内存层,降低 token 消耗免费(开源)需要共享知识库的团队
EnsueAgent 共享记忆网络,支持订阅免费(开源)需要实时记忆同步
LangGraph状态图驱动的多 Agent 编排免费(开源)/ LangSmith $39/月起复杂工作流编排,需要精确状态控制
CrewAI角色制多 Agent 协作框架免费(开源)/ Enterprise 定制角色明确的团队协作
AutoGen多 Agent 对话框架免费(开源)需要 Agent 间自由对话的场景
HookdeckWebhook 事件网关免费(5,000 事件/月)/ $49/月起需要可靠 Webhook 投递和重试
QuorumAI多模型审议平台免费试用 / 按量计费需要多模型交叉验证的决策场景

模式对比表

维度共享内存消息传递事件广播圆桌模式
通信方式读写共享文件Gateway 路由消息Hook/Webhook 触发多轮结构化对话
耦合度低(文件约定)中(需知道目标 Agent)低(发布-订阅)高(需要编排者)
实时性低(轮询)高(即时投递)中(事件驱动)中(多轮等待)
复杂度⭐⭐⭐⭐⭐⭐⭐⭐⭐
适合 Agent 数2-52-105-203-7
Token 消耗高(多轮对话)
典型场景知识共享、状态同步任务委派、结果回传工作流触发、通知复杂决策、方案评审
持久化天然支持需额外配置需额外配置需写入结果文件

选择决策树

你需要 Agent 间通信吗? ├─ 只需要共享数据/知识 ──────────▶ 共享内存(MEMORY.md) ├─ 需要任务委派和结果回传 │ │ │ ├─ 任务可并行 ──────────────▶ sessions_spawn(父子模式) │ │ │ └─ 任务需顺序执行 ──────────▶ sessions_send(直接消息) ├─ 需要松耦合的工作流触发 │ │ │ ├─ 仅限 OpenClaw 内部 ──────▶ Hook 事件 │ │ │ └─ 涉及外部系统 ────────────▶ Webhook 事件 └─ 需要多视角决策/评审 ──────────▶ 圆桌模式 ├─ 简单投票 ────────────────▶ 多数投票策略 ├─ 领域专家权重不同 ─────────▶ 置信度加权投票 └─ 安全/合规一票否决 ────────▶ 否决权机制

实战案例:构建多 Agent 协作的产品开发团队

以下是一个完整的多 Agent 产品开发团队配置,综合运用四种通信模式:

团队架构

┌─────────────────────────────────────────────────────────────┐ │ 产品开发 Agent 团队 │ │ │ │ ┌──────────┐ 消息传递 ┌──────────┐ │ │ │ PM Agent │──────────────▶│ 开发Agent │ │ │ │ (产品经理) │ │ (全栈开发) │ │ │ └────┬─────┘ └────┬─────┘ │ │ │ │ │ │ │ 共享内存 │ spawn │ │ ▼ ▼ │ │ ┌──────────┐ ┌──────────┐ │ │ │ shared/ │ │ 测试Agent │ │ │ │ PRD.md │◀─────────────│ (QA工程师) │ │ │ │ SPEC.md │ └──────────┘ │ │ │ STATUS.md│ │ │ └──────────┘ 事件广播 │ │ ▲ ┌──────────┐ │ │ └──────────│ 审核Agent │ ◀── 圆桌模式(代码审查) │ │ │ (Tech Lead)│ │ │ └──────────┘ │ └─────────────────────────────────────────────────────────────┘

完整配置

# agents.yaml - 产品开发团队 agents: pm-agent: model: claude-sonnet-4-20250514 agentDir: ./agents/pm soul: | 你是产品经理。职责: 1. 将用户需求转化为 PRD,写入 ../shared/PRD.md 2. 更新 ../shared/STATUS.md 中的项目进度 3. 需求确认后通知开发 Agent 开始工作 tools: - sessions_send - file_read - file_write hooks: morning_standup: trigger: "cron" schedule: "0 9 * * 1-5" # 工作日早上 9 点 action: "读取 STATUS.md,生成每日站会摘要" dev-agent: model: claude-sonnet-4-20250514 agentDir: ./agents/dev soul: | 你是全栈开发者。职责: 1. 读取 ../shared/PRD.md 了解需求 2. 编写代码并提交 3. 完成后 spawn 测试 Agent 进行验证 4. 代码审查通过后更新 ../shared/STATUS.md tools: - sessions_spawn - file_read - file_write - shell_exec auth_profiles: - github-push test-agent: model: claude-haiku agentDir: ./agents/test soul: | 你是 QA 工程师。职责: 1. 接收开发 Agent 的测试请求 2. 运行测试套件 3. 将测试结果写入 ../shared/TEST_RESULTS.md 4. 如有失败,通知开发 Agent tools: - file_read - shell_exec review-agent: model: claude-sonnet-4-20250514 agentDir: ./agents/review soul: | 你是 Tech Lead。职责: 1. 监控 ../shared/STATUS.md 中的"待审查"状态 2. 发起圆桌讨论进行代码审查(安全、性能、可维护性) 3. 审查通过后更新状态为"已完成" tools: - sessions_spawn - sessions_send - file_read - file_write hooks: check_reviews: trigger: "heartbeat" action: "检查 STATUS.md 是否有待审查的任务"

工作流程

1. 用户向 PM Agent 描述需求 2. PM Agent 编写 PRD → 写入 shared/PRD.md │ 更新 shared/STATUS.md = "需求已确认" 3. PM Agent 通过 sessions_send 通知 Dev Agent 4. Dev Agent 读取 PRD.md → 编写代码 → 提交 5. Dev Agent 通过 sessions_spawn 创建 Test Agent │ (并行:Dev Agent 继续下一个任务) 6. Test Agent 运行测试 → 结果写入 shared/TEST_RESULTS.md │ 更新 STATUS.md = "待审查" 7. Review Agent 心跳检测到"待审查" → 发起圆桌讨论 │ - 安全视角审查 │ - 性能视角审查 │ - 可维护性视角审查 8. 圆桌讨论结果写入 shared/REVIEW.md │ 更新 STATUS.md = "已完成" 或 "需修改" 9. 如需修改 → 通知 Dev Agent → 回到步骤 4

避坑指南

❌ 常见错误

  1. 过早引入多 Agent 架构

    • 问题:很多开发者一开始就设计 14 个 Agent 的”梦之队”,结果配置复杂度爆炸,调试困难
    • 正确做法:从单 Agent 开始,只在遇到明确的隔离需求时才添加新 Agent。每次只加一个,验证稳定后再加下一个
  2. 忽略并发写入冲突

    • 问题:多个 Agent 同时写入同一个共享 Markdown 文件,导致内容丢失或格式损坏
    • 正确做法:为每个 Agent 分配独立的写入区域(如不同的文件或文件中的不同 section),或使用 MemOS 等工具管理并发访问
  3. 子 Agent 上下文缺失

    • 问题:spawn 子 Agent 时没有提供足够的上下文,子 Agent 像”新入职员工”一样一无所知
    • 正确做法:在 spawn 指令中明确提供所有必要的背景信息、目标和约束条件,就像给新同事写详细的任务简报
  4. 圆桌讨论 Token 失控

    • 问题:圆桌模式中多个 Agent 多轮对话,Token 消耗呈指数增长
    • 正确做法:限制讨论轮数(通常 2-3 轮足够),使用结构化输出格式减少冗余,对 Worker Agent 使用低成本模型
  5. 缺乏通信审计

    • 问题:Agent 间消息没有日志,出问题时无法追溯是哪个 Agent 发了什么消息
    • 正确做法:所有 Agent 间通信都写入共享的 COMMUNICATION_LOG.md,包含时间戳、发送者、接收者和消息摘要

✅ 最佳实践

  1. 从单 Agent 开始,按需扩展:大多数场景下,一个配置良好的单 Agent 就够了。只在需要安全隔离、专业分工或资源管理时才引入多 Agent
  2. 明确定义通信协议:在 SOUL.md 中明确规定 Agent 间通信的格式、频率和内容,避免”自由发挥”导致的混乱
  3. 模型分层降低成本:编排者用高能力模型(Sonnet/Opus),Worker 用低成本模型(Haiku),可节省 50-70% 的 Token 费用
  4. 使用 /subagents 命令监控:定期检查子 Agent 状态,及时终止不需要的 Worker,避免资源浪费
  5. 共享内存 + 消息传递组合使用:用共享内存传递大量数据(文档、代码),用消息传递发送轻量级通知和指令
  6. 圆桌模式限定场景:只在高风险决策(架构选型、安全评审、上线审批)时使用圆桌模式,日常任务用简单的消息传递即可

相关资源与延伸阅读

  1. OpenClaw 官方文档 - Multi-Agent Configuration ——官方多 Agent 配置指南,包含完整的 API 参考
  2. MemOS OpenClaw Plugin ——共享内存插件,可降低 60-70% Token 消耗
  3. OpenClaw Sub-agents and Parallel Task Execution Guide ——子 Agent 并行执行的实战指南(2026 年 2 月)
  4. OpenClaw Multi-Agent Orchestration Advanced Guide ——高级多 Agent 编排模式详解(2026 年 2 月)
  5. ReConcile: Round-Table Conference Improves Reasoning via Consensus ——多 Agent 圆桌讨论提升推理质量的学术论文
  6. Building a Multi-Agent Debate System with LangGraph ——使用 LangGraph 构建辩论系统的教程
  7. Collaborative Memory: Multi-User Memory Sharing in LLM Agents ——多 Agent 协作记忆的学术研究(2025 年)
  8. AI Agent Coordination: 8 Patterns That Actually Work ——2026 年 Agent 协调模式实战总结
  9. Ensue - Shared Memory Network for Agents ——OpenClaw 共享内存 Skill,支持权限管理和订阅
  10. Hookdeck - Reliable Webhooks for AI Agents ——为 OpenClaw 提供可靠 Webhook 投递的事件网关

参考来源


📖 返回 总览与导航 | 上一节:24c-自定义集成教程 | 下一节:24e-社区插件生态

Last updated on