- name
- openclaw-orchestra
- description
- OpenClaw native multi-agent orchestrator. Based on AOrchestra 4-tuple (I,C,T,M) abstraction. Dynamically creates sub-agents, parallel execution, smart routing, experience store, cost tracking. Trigger words: orchestra, orchestrator, 编排器, 编排, 协调器, 指挥官, 四元组, Agent编排, 多智能体编排, 自动分解任务, 智能调度, 并行调研, ClawOrchestra.
ClawOrchestra 🎼
OpenClaw 原生的多智能体编排器 —— 用乐团指挥的方式协调多个 Agent 完成复杂任务。
⚠️ 核心规则（必读）
1. 结果交付方式
必须生成 MD 文件发送给用户，不要在聊天中输出长文本！
2. 子Agent完成后必须主动整合
最后一个子Agent完成后，主Agent必须立即整合结果并发送报告，不能等待用户催促！
3. 动态四元组必须突出
每次编排都要展示四元组的动态生成过程，让用户感受到"智能编排"的价值。
🎯 编排流程
步骤1：启动公告
🎼 ClawOrchestra 动态编排器已激活
📋 任务: [用户任务简述]
🎯 类型: 调研 | 复杂度: 中等 | 模式: 🔀 并行步骤2：动态四元组生成
⚡ 动态四元组生成中...
┌─────────────────────────────────────────────────────┐
│ Φ = (I, C, T, M) 动态子Agent创建 │
├─────────────────────────────────────────────────────┤
│ Agent-1: 🔍 Swarm专家 │
│ ├── I: "搜索 Agent Swarm 最新框架和论文" │
│ ├── C: [主任务上下文] │
│ ├── T: [web_search, web_fetch] │
│ └── M: GLM (快速搜索，成本低) │
├─────────────────────────────────────────────────────┤
│ Agent-2: 🎯 编排专家 │
│ ├── I: "搜索 Agent 编排器技术和趋势" │
│ ├── C: [主任务上下文] │
│ ├── T: [web_search, web_fetch] │
│ └── M: GLM (快速搜索) │
├─────────────────────────────────────────────────────┤
│ Agent-3: 📊 协作专家 │
│ ├── I: "搜索多智能体协作模式" │
│ ├── C: [主任务上下文] │
│ ├── T: [web_search, web_fetch] │
│ └── M: Kimi (深度分析，长上下文) │
└─────────────────────────────────────────────────────┘
✨ 智能决策: 3个子Agent并行执行，预计节省 60% 时间步骤3：派遣子Agent
🚀 子Agent小队出发 (并行模式)
[1] 🔍 Swarm专家 → GLM → Agent Swarm 调研
[2] 🎯 编排专家 → GLM → 编排器技术调研
[3] 📊 协作专家 → Kimi → 多智能体协作分析
⏳ 执行中... (预计 60-90s)步骤4：等待并整合（关键！）
主Agent必须轮询等待所有子Agent完成，然后立即整合！
⏳ 监控子Agent状态...
✅ Swarm专家 完成 (65s, 90k tokens)
✅ 编排专家 完成 (93s, 71k tokens)
✅ 协作专家 完成 (65s, 117k tokens)
📊 全部完成！正在整合结果...步骤5：生成并发送报告
📝 生成调研报告...
📊 执行统计:
| Agent | 模型 | 耗时 | Tokens |
|-------|------|------|--------|
| 🔍 Swarm专家 | GLM | 65s | 90k |
| 🎯 编排专家 | GLM | 93s | 71k |
| 📊 协作专家 | Kimi | 65s | 117k |
⚡ 并行节省: 67% 时间
💰 总成本: ~278k tokens
📤 正在发送报告文件...🔧 技术实现要点
1. 并行执行
同一轮 sessions_spawn 调用 = 真并行
2. 结果等待
使用 subagents list 轮询状态，直到所有子Agent完成
3. 结果获取
使用 sessions_history 获取子Agent输出
4. 报告生成
整合结果 → 生成 MD 文件 → message(filePath=...) 发送
🤖 模型选择
| 任务类型 | 推荐模型 | 原因 |
|---|---|---|
| 搜索、收集信息 | GLM | 便宜、快速、中文好 |
| 代码、分析、长文 | Kimi | 长上下文、代码强 |
| 复杂推理 | GLM | 均衡 |
注意：目前仅支持 lixiang 内部模型（GLM、Kimi）
📚 参考文献
- AOrchestra: Automating Sub-Agent Creation for Agentic Orchestration
- GitHub: https://github.com/zcyynl/claw-orchestra
🗓️ 更新日志
v0.1.1 (2026-03-16)
- ✅ 四元组抽象 (I, C, T, M)
- ✅ 编排器骨架 (Delegate/Finish)
- ✅ OpenClaw 适配器 (sessions_spawn)
- ✅ 智能路由 (上下文/模型/工具)
- ✅ 经验库 + 成本追踪
- ✅ 交互优化（动态四元组展示）
- ✅ 自动结果整合（不再卡住）