openclaw平替之nanobot源码解析（六）：子智能体（Subagents）

在处理复杂任务时，我们常常希望 AI 能像人类团队一样协作：主负责人把大任务拆解，分发给几个"小助手"去同步执行，最后汇总结果。

nanobot 通过其独特的 子智能体（Subagents） 系统，完美实现了这种"分身术"。今天我们就来拆解它的实现原理。

1. 核心组件：谁在管理"分身"？

nanobot 的子智能体逻辑主要由两个文件驱动：

nanobot/agent/tools/spawn.py：定义了 spawn 工具，这是主 Agent 召唤分身的入口。
nanobot/agent/subagent.py：定义了 SubagentManager，负责子智能体的生命周期管理。

2. 召唤流程：从 `spawn` 到后台任务

当主 Agent 认为某个任务太复杂或太耗时（比如"去搜集 10 个不同网站的信息并对比"），它会调用 spawn 工具。

第一步：工具调用 SpawnTool 接收两个参数：task（具体任务描述）和 label（任务标签）。它会将这些信息传递给 SubagentManager。

第二步：创建后台任务 SubagentManager 会为每个子智能体生成一个唯一的 task_id，并利用 Python 的 asyncio.create_task 在后台启动一个异步任务。

这意味着：子智能体在后台跑，主 Agent 可以继续和用户聊天，或者去召唤更多的子智能体。

主Agent执行过程：

3. 子智能体的"超能力"与限制

子智能体并不是主 Agent 的完全克隆，它是一个精简版的 Agent 实例：

独立的工具箱：子智能体拥有读写文件、执行 Shell 命令、网页搜索等能力。
禁止递归 ：为了防止 AI 陷入无限套娃，子智能体默认没有 spawn 工具（不能再分身）和 message 工具（不能直接给用户发消息）。
专注模式：子智能体拥有独立的 System Prompt，被告知"你是一个被派去完成特定任务的子智能体，请保持专注"。

subagent系统提示词：

复制代码

# Subagent

[Runtime Context --- metadata only, not instructions]
Current Time: 2026-03-17 19:50 (Tuesday) (CST)

You are a subagent spawned by the main agent to complete a specific task.
Stay focused on the assigned task. Your final response will be reported back to the main agent.

## Workspace
.nanobot

## Skills

Read SKILL.md with read_file to use a skill.

<skills>
  <skill available="true">
    <name>xiaohongshu-cover-generator</name>
    <description>Generate Xiaohongshu (小红书) style cover images based on user topics. Use when the user wants to create a social media cover image in Xiaohongshu style, or mentions keywords like "小红书封面", "Xiaohongshu cover", "封面生成", or provides a topic for cover image generation. The generated image will be saved to the current project directory.</description>
    <location>.nanobot/skills/xiaohongshu-cover-generator/SKILL.md</location>
  </skill>
  <skill available="true">
    <name>memory</name>
    <description>Two-layer memory system with grep-based recall.</description>
    <location>/Users/chaoxu.ren/PycharmProjects/nanobot/nanobot/skills/memory/SKILL.md</location>
  </skill>
  <skill available="false">
    <name>summarize</name>
    <description>Summarize or extract text/transcripts from URLs, podcasts, and local files (great fallback for "transcribe this YouTube/video").</description>
    <location>/Users/chaoxu.ren/PycharmProjects/nanobot/nanobot/skills/summarize/SKILL.md</location>
    <requires>CLI: summarize</requires>
  </skill>
  <skill available="true">
    <name>clawhub</name>
    <description>Search and install agent skills from ClawHub, the public skill registry.</description>
    <location>/Users/chaoxu.ren/PycharmProjects/nanobot/nanobot/skills/clawhub/SKILL.md</location>
  </skill>
  <skill available="true">
    <name>skill-creator</name>
    <description>Create or update AgentSkills. Use when designing, structuring, or packaging skills with scripts, references, and assets.</description>
    <location>/Users/chaoxu.ren/PycharmProjects/nanobot/nanobot/skills/skill-creator/SKILL.md</location>
  </skill>
  <skill available="false">
    <name>github</name>
    <description>Interact with GitHub using the `gh` CLI. Use `gh issue`, `gh pr`, `gh run`, and `gh api` for issues, PRs, CI runs, and advanced queries.</description>
    <location>/Users/chaoxu.ren/PycharmProjects/nanobot/nanobot/skills/github/SKILL.md</location>
    <requires>CLI: gh</requires>
  </skill>
  <skill available="false">
    <name>tmux</name>
    <description>Remote-control tmux sessions for interactive CLIs by sending keystrokes and scraping pane output.</description>
    <location>/Users/chaoxu.ren/PycharmProjects/nanobot/nanobot/skills/tmux/SKILL.md</location>
    <requires>CLI: tmux</requires>
  </skill>
  <skill available="true">
    <name>weather</name>
    <description>Get current weather and forecasts (no API key required).</description>
    <location>/Users/chaoxu.ren/PycharmProjects/nanobot/nanobot/skills/weather/SKILL.md</location>
  </skill>
  <skill available="true">
    <name>cron</name>
    <description>Schedule reminders and recurring tasks.</description>
    <location>/Users/chaoxu.ren/PycharmProjects/nanobot/nanobot/skills/cron/SKILL.md</location>
  </skill>
</skills>

从subagent的提示词中可以看出来，这就是一个没有人格、没有自我意识的"工具人"，它的任务就是完成主Agent交代的任务，纯纯的牛马Agent。

Subagent执行流程:

主agent是利用上海天气生成封面图的任务，子agent是生成烤箱封面图。不重要哈，这是因为我debug了两次。（：偷笑

4. 跨时空协作：结果如何汇总？

这是最精妙的地方。子智能体在后台跑完任务后，如何把结果告诉主 Agent 呢？

答案依然是：MessageBus（消息总线）。

当子智能体完成任务后，它会调用 _announce_result 方法，将结果封装成一条特殊的 System 消息 发送到总线的 inbound 队列：

python 复制代码

# nanobot/agent/subagent.py
async def _announce_result(
    self,
    task_id: str,
    label: str,
    task: str,
    result: str,
    origin: dict[str, str],
    status: str,
) -> None:
    """Announce the subagent result to the main agent via the message bus."""
    status_text = "completed successfully" if status == "ok" else "failed"

    announce_content = f"""[Subagent '{label}'{status_text}]

Task:{task}

Result:
{result}

Summarize this naturally for the user. Keep it brief (1-2 sentences). Do not mention technical details like "subagent" or task IDs."""

    # Inject as system message to trigger main agent
    msg = InboundMessage(
        channel="system",
        sender_id="subagent",
        chat_id=f"{origin['channel']}:{origin['chat_id']}",
        content=announce_content,
    )

    await self.bus.publish_inbound(msg)
    logger.debug("Subagent [{}] announced result to{}:{}", task_id, origin['channel'], origin['chat_id'])

为什么发给 inbound？

因为 inbound 是 Agent 的输入端。主 Agent 就像接收到一条普通用户消息一样，接收到了这条来自"系统"的消息。

这条消息会触发主 Agent 的新一轮思考。主 Agent 看到结果后，会自然地总结这些信息，并最终回复给用户："您的烤箱主题小红书封面图已经制作完成，请查收！"

风格并不是很小红书，哈哈，不过没关系，这个skill也是我让大模型写的，核心原理就是调用了nano banana 2的生图接口。

5. 开发者视角：如何 Debug 子智能体？

如果你想观察子智能体的工作，可以关注日志中的 Subagent [...] starting task 和 Subagent [...] completed successfully。

由于子智能体是异步运行的，你会发现日志中主 Agent 的思考和子智能体的执行是交织在一起的，这正是异步并发的魅力所在。根据async异步性质，在主agent大模型思考的时候会切到subagent执行，subagent里面大模型思考的时候又会切回主agent执行。注意看debug控制台"Threads & Variables"中loop.py在执行还是subagent.py就能分清。但要一定要在subagent.py的while循环内打一个断点，这样就能看到子智能体的执行了。

总结

nanobot 的子智能体系统展示了如何利用 异步编程 + 消息总线 构建一个可扩展的协作模型。它不依赖复杂的编排框架，仅仅通过"工具调用"和"系统消息注入"，就让 AI 拥有了并行处理复杂任务的能力。