【OpenClaw：应用与协同】20、OpenClaw Supervisor-Worker架构——搭建多智能体团队化作战系统

【多Agent协同】OpenClaw Supervisor-Worker架构------搭建多智能体团队化作战系统

一句话导读：当单一AI Agent面对复杂任务时，往往顾此失彼------让Supervisor-Worker架构帮你组建一支各司其职的AI团队，让"老板"负责拆解调度，"员工"专注执行，协同攻克复杂工作流。

引言：单一Agent的能力瓶颈

2026年，AI Agent已深度融入开发者的日常工作------从自动搭建环境、管理文件，到跨平台消息响应。但随着任务复杂度提升，单一Agent的局限性日益凸显：

上下文窗口限制：处理长文档时，Agent会"遗忘"早期信息。一个负责会议纪要的Agent，既要听懂录音，又要整理要点，还要同步日程，很容易顾此失彼。

工具冲突：让同一个Agent同时管理文件系统、调用API、执行代码，权限边界难以把控，安全风险陡增。

专业分工缺失：就像你不能让一个程序员同时做UI设计和文案撰写，AI也需要专业分工------有的擅长代码，有的精通文档，有的专攻数据。

多Agent协同作业（Multi-Agent） 正是解决这些问题的关键------让负责调度的"老板"、负责写代码的"技术专家"和负责搜集信息的"情报员"各司其职，通过标准协议进行串联、并联，组成一支高效的"数字团队"。

本文将深入OpenClaw的Supervisor-Worker架构，从设计原理到实战案例，从核心实现到部署方案，带你搭建第一个多智能体团队。

一、多Agent架构设计

1.1 Supervisor-Worker模型

OpenClaw的多Agent架构采用经典的Supervisor-Worker（主从）模式，这与点对点平级Agent有本质区别：
存储层
执行层
调度层
用户层
拆解任务1
拆解任务2
拆解任务3
返回结果
返回结果
返回结果
汇总输出
读写
读写
读写
读写
用户输入
Supervisor Agent

任务拆解与调度
Worker A

语音转文字
Worker B

纪要整理
Worker C

日程同步
共享记忆库

MEMORY.md + 向量库

各角色职责清晰：

角色	职责	对应人类团队
Supervisor Agent	接收原始需求、拆解子任务、调度Worker、汇总结果	项目经理/团队领导
Worker Agent	专注执行特定领域任务（如语音识别、文本处理、API调用）	专业执行者
共享记忆库	存储任务上下文、中间结果、长期记忆	团队共享文档

1.2 通信机制：JSON-RPC + 事件总线

Agent之间的通信是协作的基础。OpenClaw设计了双层通信机制：

核心工具：`sessions_send`

Supervisor通过内置工具sessions_send唤起Worker Agent：

typescript 复制代码

// Supervisor调用Worker的示例
await sessions_send({
  agentId: "speech-to-text-worker",  // 目标Worker
  task: "将录音文件转换为文字",        // 任务描述
  params: {
    filePath: "/tmp/meeting.mp3",
    language: "zh"
  }
});

Worker执行完毕后，通过相同机制返回结果：

typescript 复制代码

// Worker返回结果
await sessions_send({
  agentId: "supervisor",  // 返回给Supervisor
  result: {
    text: "会议录音转写结果...",
    confidence: 0.98
  }
});

底层通信：事件总线（EventEmitter）

OpenClaw使用基于Redis的事件总线实现Agent间通信：
Worker Redis事件总线 Supervisor Worker Redis事件总线 Supervisor 发布任务事件 (task:speech-to-text) 订阅事件推送执行任务发布结果事件 (result:speech-to-text) 订阅结果推送汇总处理

事件格式示例：

json 复制代码

{
  "eventId": "evt_abc123",
  "type": "task:speech-to-text",
  "source": "supervisor",
  "target": "speech-to-text-worker",
  "payload": {
    "taskId": "task_456",
    "params": { "filePath": "/tmp/meeting.mp3" }
  },
  "timestamp": 1741680000000
}

1.3 会话隔离与权限控制

多Agent架构中，安全隔离至关重要。OpenClaw提供了三层隔离机制：

1.3.1 身份层隔离

每个Agent拥有独立的agentId（必须小写），系统基于此精准路由请求、建立独立上下文队列。

1.3.2 会话层隔离

默认情况下，每个Agent处于绝对的上下文隔离中，只关注自己的目标。如果调度者需要跨Agent查看历史会话，必须通过sessions_history工具显式调用。

1.3.3 工具权限隔离

在OpenClaw中，deny的优先级永远高于allow。可以为每个Worker配置细粒度权限：

json 复制代码

{
  "id": "speech-to-text-worker",
  "name": "语音转文字专员",
  "tools": {
    "allow": ["read", "sessions_send"],  // 仅允许读文件和通信
    "deny": ["exec", "write", "edit", "apply_patch", "bash"]  // 拒绝执行任何系统命令
  },
  "sandbox": {
    "mode": "all",      // 始终沙箱隔离
    "scope": "agent",    // 每个Agent独立容器
    "resources": {
      "cpu": 0.5,
      "memory": "1GB"
    }
  }
}

二、实战案例：会议秘书Agent团队

理论说再多，不如看一次真实的多Agent协同。我们将搭建一个会议秘书团队，处理完整流程：录音转文字 → 纪要整理 → 日程同步。

2.1 团队角色定义

外部系统
会议秘书团队

转写任务调用
返回文字稿
整理任务返回纪要和待办
同步任务调用
返回同步结果
汇总报告
Supervisor

会议秘书调度员
Worker A

语音转写员
Worker B

纪要整理员
Worker C

日程同步员
Whisper API
飞书日历
用户上传录音

2.2 步骤1：创建Agent工作区

首先为三个Agent分别创建工作区：

bash 复制代码

# 创建Supervisor（会议秘书调度员）
openclaw agents add meeting-supervisor --workspace ~/.openclaw/workspace-meeting-supervisor

# 创建Worker A（语音转写员）
openclaw agents add speech-worker --workspace ~/.openclaw/workspace-speech

# 创建Worker B（纪要整理员）
openclaw agents add summary-worker --workspace ~/.openclaw/workspace-summary

# 创建Worker C（日程同步员）
openclaw agents add calendar-worker --workspace ~/.openclaw/workspace-calendar

# 验证创建结果
openclaw agents list

2.3 步骤2：配置Supervisor（调度中枢）

Supervisor的职责是接收用户指令、拆解任务、调度Worker、汇总结果。

SOUL.md（核心人格）：

markdown 复制代码

# SOUL.md - 会议秘书调度员

我是会议秘书团队的调度中枢，负责协调整个会议处理流程。

## 核心职责
- 接收用户上传的会议录音或文字稿
- 拆解任务：语音转文字、纪要整理、日程同步
- 调用专业Worker执行子任务
- 汇总结果生成完整会议报告

## 性格特点
- 高效：并行调度多个Worker
- 严谨：确保每个子任务完成才汇总
- 透明：向用户汇报进度

## 工作流程
1. 收到会议录音 → 调用 speech-worker 转文字
2. 收到文字稿 → 调用 summary-worker 整理纪要
3. 收到纪要和待办 → 调用 calendar-worker 同步日程
4. 汇总所有结果 → 返回用户

AGENTS.md（团队通讯录）：

markdown 复制代码

# AGENTS.md - 团队通讯录与调度规则

## 团队成员
- **speech-worker** (agentId: speech-worker) - 职责：语音转文字（调用Whisper API）
- **summary-worker** (agentId: summary-worker) - 职责：纪要整理、观点提取、待办识别
- **calendar-worker** (agentId: calendar-worker) - 职责：日程同步（飞书日历）

## 任务调度规则
| 任务类型 | 目标Agent | 调用语法 |
|---------|-----------|---------|
| 语音转文字 | speech-worker | `sessions_send(agentId="speech-worker", task="转写录音", params={filePath})` |
| 纪要整理 | summary-worker | `sessions_send(agentId="summary-worker", task="整理纪要", params={text})` |
| 日程同步 | calendar-worker | `sessions_send(agentId="calendar-worker", task="同步待办", params={tasks})` |

## 工作流约束
- 必须按顺序执行：先转写，再整理，最后同步
- 每个步骤完成后再进入下一步
- 出现错误时记录日志并通知用户

2.4 步骤3：配置Worker A（语音转写员）

SOUL.md：

markdown 复制代码

# SOUL.md - 语音转写专员

我是团队的语音转写专家，负责将录音文件转换为文字。

## 核心职责
- 接收音频文件（MP3、WAV、M4A格式）
- 调用Whisper API进行语音识别
- 返回带时间戳的文字稿

## 能力边界
✅ 可以做：
- 音频格式转换
- 多语种识别（中/英/日/韩）
- 说话人分离

❌ 不做：
- 文本总结和分析
- 日程安排

## 工作流程
1. 验证音频文件存在且格式支持
2. 调用Whisper API转写
3. 返回文字稿（含时间戳）

权限配置：

json 复制代码

{
  "id": "speech-worker",
  "tools": {
    "allow": ["read", "sessions_send"],
    "deny": ["exec", "write", "edit", "bash"]
  },
  "sandbox": {
    "mode": "all",
    "resources": {
      "cpu": 1.0,
      "memory": "2GB"  // 语音转写需要较多内存
    }
  }
}

2.5 步骤4：配置Worker B（纪要整理员）

SOUL.md：

markdown 复制代码

# SOUL.md - 纪要整理专员

我是团队的内容分析专家，负责将会议文字稿提炼为结构化纪要。

## 核心职责
- 提取会议核心观点和结论
- 识别待办事项（任务、负责人、截止时间）
- 按模板生成结构化纪要

## 输出格式
```markdown
# 会议纪要 - {日期}

## 参会人员
- 

## 核心观点
1. 

## 待办事项
| 任务 | 负责人 | 截止时间 |
|-----|-------|---------|
|     |       |         |

## 下一步安排
-

工作原则

客观提取，不添加主观判断

待办事项必须明确负责人和时间

2.6 步骤5：配置Worker C（日程同步员）

SOUL.md：

markdown 复制代码

# SOUL.md - 日程同步专员

我是团队的日历管家，负责将待办事项同步到飞书日历。

## 核心职责
- 解析待办事项列表
- 调用飞书API创建日程
- 返回同步结果和链接

## 能力边界
✅ 可以做：
- 创建飞书日程
- 设置提醒
- 邀请参会人

❌ 不做：
- 修改已有日程
- 删除日历事件

## 工作流程
1. 接收待办事项列表
2. 为每个任务创建日历事件
3. 返回成功/失败统计

2.7 步骤6：配置通信白名单

在~/.openclaw/openclaw.json中配置Agent间通信权限：

json 复制代码

{
  "agents": {
    "list": [
      {
        "id": "meeting-supervisor",
        "workspace": "~/.openclaw/workspace-meeting-supervisor"
      },
      {
        "id": "speech-worker",
        "workspace": "~/.openclaw/workspace-speech"
      },
      {
        "id": "summary-worker",
        "workspace": "~/.openclaw/workspace-summary"
      },
      {
        "id": "calendar-worker",
        "workspace": "~/.openclaw/workspace-calendar"
      }
    ]
  },
  "tools": {
    "agentToAgent": {
      "enabled": true,
      "allow": ["meeting-supervisor", "speech-worker", "summary-worker", "calendar-worker"]
    },
    "sessions": {
      "visibility": "all"  // 允许跨Agent查看会话
    }
  }
}

2.8 步骤7：绑定通信渠道

如果希望在不同渠道与不同Agent对话，可以配置bindings：

json 复制代码

{
  "bindings": [
    { 
      "agentId": "meeting-supervisor", 
      "match": { 
        "channel": "discord", 
        "peer": { "kind": "channel", "id": "123456789" }  // 会议专用频道
      } 
    },
    { 
      "agentId": "calendar-worker", 
      "match": { 
        "channel": "feishu", 
        "peer": { "kind": "user", "id": "user_abc" }  // 个人飞书账号
      } 
    }
  ]
}

重启网关使配置生效：

bash 复制代码

openclaw gateway restart

三、核心实现：Supervisor-Worker底层机制

3.1 任务拆解算法

Supervisor如何将用户原始需求拆解为子任务？OpenClaw基于LLM的意图识别和规划能力实现。

任务拆解流程：
渲染错误: Mermaid 渲染失败: Parse error on line 2: ...hart TD A[用户输入："处理今天下午的会议录音"] --> B[ ----------------------^ Expecting 'SQE', 'DOUBLECIRCLEEND', 'PE', '-)', 'STADIUMEND', 'SUBROUTINEEND', 'PIPE', 'CYLINDEREND', 'DIAMOND_STOP', 'TAGEND', 'TRAPEND', 'INVTRAPEND', 'UNICODE_TEXT', 'TEXT', 'TAGSTART', got 'STR'

核心代码示例（简化版）：

typescript 复制代码

async function decomposeTask(userInput: string): Promise<TaskGraph> {
  // 调用LLM分析任务需求
  const analysis = await callLLM(`
    分析以下用户请求，拆解为子任务列表，并标明依赖关系：
    请求：${userInput}
    
    输出JSON格式：
    {
      "tasks": [
        {"id": "task1", "type": "speech-to-text", "dependsOn": []},
        {"id": "task2", "type": "summarize", "dependsOn": ["task1"]},
        {"id": "task3", "type": "calendar-sync", "dependsOn": ["task2"]}
      ]
    }
  `);
  
  return JSON.parse(analysis);
}

3.2 状态同步：共享记忆库

为避免信息孤岛，OpenClaw通过共享记忆库实现Agent间状态同步。核心机制：

MEMORY.md：所有Agent可读写的长期记忆文件
向量库：语义化存储和检索历史信息
工作区文件：临时传递中间结果

状态同步流程：

typescript 复制代码

// Supervisor写入任务状态
await fs.writeFile(
  '~/.openclaw/shared/meeting-task.json',
  JSON.stringify({
    taskId: 'meeting_001',
    status: 'speech_completed',
    transcript: '...',
    nextTask: 'summarize'
  })
);

// Worker读取状态
const state = JSON.parse(
  await fs.readFile('~/.openclaw/shared/meeting-task.json')
);
if (state.nextTask === 'summarize') {
  // 执行纪要整理
}

3.3 异常处理与重试机制

生产环境中，Worker可能失败（API超时、网络波动）。OpenClaw设计了多层异常处理：
是
否
是
否
Worker执行失败
重试次数<3?
等待2^retry秒

指数退避
重试
通知Supervisor
有备用Worker?
切换到备用Worker
重新执行
记录错误
返回部分结果

核心代码：

typescript 复制代码

async function executeWithRetry(
  workerId: string, 
  task: Task, 
  retryCount = 0
): Promise<Result> {
  try {
    return await callWorker(workerId, task);
  } catch (error) {
    if (retryCount >= 3) {
      // 通知Supervisor切换备用Worker
      await notifySupervisor({
        type: 'WORKER_FAILED',
        workerId,
        task,
        error: error.message
      });
      throw error;
    }
    
    // 指数退避
    const waitTime = Math.pow(2, retryCount) * 1000;
    await sleep(waitTime);
    
    return executeWithRetry(workerId, task, retryCount + 1);
  }
}

四、部署方案：从单机到分布式

4.1 单机多Agent：进程隔离

对于个人使用或小团队，单机部署足够。OpenClaw通过进程隔离确保Agent间互不干扰：
单机部署
进程3
进程2
进程1
Worker C
Gateway网关
Supervisor Agent
Worker A
Worker B

资源分配：

bash 复制代码

# 为不同Agent分配不同CPU核心
taskset -c 0-1 openclaw agent start meeting-supervisor  # 使用核心0-1
taskset -c 2 openclaw agent start speech-worker          # 使用核心2
taskset -c 3 openclaw agent start summary-worker         # 使用核心3

4.2 分布式多Agent：K8s部署

当Agent规模扩大，需要分布式部署。OpenClaw支持Kubernetes原生部署：

yaml 复制代码

# k8s部署示例
apiVersion: apps/v1
kind: Deployment
metadata:
  name: meeting-supervisor
spec:
  replicas: 1
  selector:
    matchLabels:
      app: openclaw
      agent: supervisor
  template:
    metadata:
      labels:
        app: openclaw
        agent: supervisor
    spec:
      containers:
      - name: openclaw
        image: openclaw/agent:latest
        env:
        - name: AGENT_ID
          value: "meeting-supervisor"
        - name: WORKSPACE
          value: "/workspace"
        volumeMounts:
        - name: workspace
          mountPath: /workspace
      volumes:
      - name: workspace
        persistentVolumeClaim:
          claimName: openclaw-workspace-supervisor
---
apiVersion: v1
kind: Service
metadata:
  name: supervisor-service
spec:
  selector:
    app: openclaw
    agent: supervisor
  ports:
  - port: 18789
    targetPort: 18789

服务发现：通过K8s Service实现Agent间通信：

typescript 复制代码

// Worker通过服务名访问Supervisor
const supervisorUrl = 'http://supervisor-service:18789';
await fetch(`${supervisorUrl}/api/message`, {
  method: 'POST',
  body: JSON.stringify({ result })
});

4.3 弹性扩缩容

根据Worker负载动态调整实例数，避免资源浪费：

yaml 复制代码

# HorizontalPodAutoscaler配置
apiVersion: autoscaling/v2
kind: HorizontalPodAutoscaler
metadata:
  name: speech-worker-hpa
spec:
  scaleTargetRef:
    apiVersion: apps/v1
    kind: Deployment
    name: speech-worker
  minReplicas: 1
  maxReplicas: 5
  metrics:
  - type: Resource
    resource:
      name: cpu
      target:
        type: Utilization
        averageUtilization: 70  # CPU使用率超过70%时扩容

扩容触发场景：

同时处理多个会议录音 → speech-worker自动扩容
深夜无任务 → 缩容到1个实例
大型会议（多人同时使用）→ 按需扩容

五、成本优化：动态资源管理

5.1 按Worker负载动态扩缩容

OpenClaw内置资源监控，可根据实时负载调整资源分配：
执行
决策
监控
是
否
实时监控CPU/内存
负载 > 阈值?
启动新Worker
停止空闲Worker

配置示例：

json 复制代码

{
  "autoscaling": {
    "speech-worker": {
      "minReplicas": 1,
      "maxReplicas": 5,
      "metrics": [
        {
          "type": "cpu",
          "targetAverageValue": 70  // CPU使用率70%
        },
        {
          "type": "queue",
          "targetAverageValue": 10   // 队列深度10
        }
      ]
    }
  }
}

5.2 模型成本优化

为不同Worker配置不同模型，平衡成本与效果：

Worker类型	推荐模型	成本策略
语音转写	Whisper API	按需付费，但低频使用
纪要整理	本地Llama3	零成本，足够胜任
日程同步	GPT-4o-mini	低配模型，仅需简单API调用
Supervisor调度	Qwen-Max	中等成本，需要较好推理能力

配置示例：

json 复制代码

{
  "models": {
    "speech-worker": {
      "provider": "openai",
      "model": "whisper-1"
    },
    "summary-worker": {
      "provider": "ollama",
      "model": "llama3:8b"
    },
    "calendar-worker": {
      "provider": "openai",
      "model": "gpt-4o-mini"
    },
    "meeting-supervisor": {
      "provider": "aliyun_bailian",
      "model": "qwen-max"
    }
  }
}

5.3 闲置资源回收

长时间无任务的Worker自动释放资源：

bash 复制代码

# 设置闲置超时
openclaw config set agent.idleTimeout 300  # 5分钟无任务则停止

# 查看当前活跃Agent
openclaw agent list --active

# 手动回收闲置
openclaw agent prune --idle 10m

六、面试考点：Supervisor-Worker架构核心设计

在技术面试中，关于多Agent协同，面试官通常会考察以下深度问题：

6.1 为什么选择Supervisor-Worker而不是点对点架构？

核心答案：解耦控制逻辑与执行逻辑。

维度	Supervisor-Worker	点对点平级
控制复杂度	中心化，易于管理	分散化，协调困难
任务依赖	天然支持DAG	需额外实现编排
故障处理	统一由Supervisor处理	每个Agent自处理，易混乱
可扩展性	新增Worker不影响现有	新增Agent需修改多个配置

适用场景：有明确业务流程、需要顺序执行的任务（如会议处理），适合Supervisor-Worker；简单并行任务（如同时搜索多个关键词），适合点对点。

6.2 如何防止Agent间通信的死锁？

设计思路：超时 + 超时 + 超时

请求超时 ：每个sessions_send调用设置超时（默认30秒）
队列超时：任务在Worker队列中等待超时（可配置）
全局超时：整个工作流最大执行时间

代码示例：

typescript 复制代码

// 带超时的Agent调用
const result = await Promise.race([
  sessions_send({ agentId: "speech-worker", task }),
  new Promise((_, reject) => 
    setTimeout(() => reject(new Error("Worker timeout")), 30000)
  )
]);

6.3 如何保证多Agent下的数据一致性？

核心机制：共享记忆 + 版本控制

共享文件：所有Agent读写同一份MEMORY.md，通过文件锁避免并发
版本向量：每个写入操作附带版本号，冲突时自动合并
事务日志：所有状态变更写入WAL，故障后可恢复

6.4 分布式部署下如何保证会话一致性？

答案：将状态外置到共享存储
共享存储
K8s集群
Supervisor Pod 1
Supervisor Pod 2
Worker Pod 1
Worker Pod 2
Redis
持久卷

会话数据：存Redis（快速访问）
文件数据：存持久卷（PV）
任何Pod重启：从共享存储恢复状态

结语：从单兵作战到团队协作

OpenClaw的Supervisor-Worker架构，让我们看到了AI从"单兵作战"向"团队协作"演进的清晰路径。通过合理的角色分工、标准化的通信协议、完善的异常处理和弹性部署，我们可以构建出真正生产可用的多智能体系统。

会议秘书Agent团队只是起点。同样的架构，可以扩展到：

代码开发团队：Supervisor拆解需求，Worker分别负责前端、后端、数据库
数据分析团队：Worker分别负责数据抓取、清洗、建模、可视化
客服团队：Worker分别处理订单、售后、技术咨询

多Agent的魅力就在于此：将复杂的长逻辑链条，拆解为多个高内聚、低耦合的专业节点异步协作。当你的AI从"一个人"变成"一支队伍"，它能创造的价值将呈指数级增长。

【OpenClaw：应用与协同】20、OpenClaw Supervisor-Worker架构——搭建多智能体团队化作战系统

【多Agent协同】OpenClaw Supervisor-Worker架构------搭建多智能体团队化作战系统

引言：单一Agent的能力瓶颈

一、多Agent架构设计

1.1 Supervisor-Worker模型

1.2 通信机制：JSON-RPC + 事件总线

核心工具：sessions_send

底层通信：事件总线（EventEmitter）

1.3 会话隔离与权限控制

1.3.1 身份层隔离

1.3.2 会话层隔离

1.3.3 工具权限隔离

二、实战案例：会议秘书Agent团队

2.1 团队角色定义

2.2 步骤1：创建Agent工作区

2.3 步骤2：配置Supervisor（调度中枢）

2.4 步骤3：配置Worker A（语音转写员）

2.5 步骤4：配置Worker B（纪要整理员）

工作原则

2.6 步骤5：配置Worker C（日程同步员）

2.7 步骤6：配置通信白名单

2.8 步骤7：绑定通信渠道

三、核心实现：Supervisor-Worker底层机制

3.1 任务拆解算法

3.2 状态同步：共享记忆库

3.3 异常处理与重试机制

四、部署方案：从单机到分布式

4.1 单机多Agent：进程隔离

4.2 分布式多Agent：K8s部署

4.3 弹性扩缩容

五、成本优化：动态资源管理

5.1 按Worker负载动态扩缩容

5.2 模型成本优化

5.3 闲置资源回收

六、面试考点：Supervisor-Worker架构核心设计

6.1 为什么选择Supervisor-Worker而不是点对点架构？

6.2 如何防止Agent间通信的死锁？

6.3 如何保证多Agent下的数据一致性？

6.4 分布式部署下如何保证会话一致性？

结语：从单兵作战到团队协作

核心工具：`sessions_send`