凌晨4点55分，我第一次用OpenClaw的SubAgent机制启动了3个AI Agent协作完成一份市场报告。一个查数据，一个写文案，一个做排版——我看着它们像三个老手艺人一样默契配合，突然明白了什么叫"团队即代码"。
┌─────────────┐
│ 主Agent │ ← 负责任务分解、协调、合并
│ (Orchestrator)
└──────┬──────┘
│
├── SubAgent A (数据收集)
│ └── 子任务：爬取网页、提取数据
│
├── SubAgent B (内容分析)
│ └── 子任务：分析数据、生成洞察
│
└── SubAgent C (输出生成)
└── 子任务：生成报告、格式化输出假设你想写一篇关于"AI Agent趋势"的SEO文章，可以分解为：
# 向OpenClaw主Agent发出请求
openclaw agent --message "
请使用SubAgent模式帮我完成以下任务：
主题：2026年AI Agent趋势分析
第一步：启动研究员SubAgent搜索最新的AI Agent行业动态
第二步：启动作者SubAgent基于搜索结果撰写2000字文章
第三步：启动编辑SubAgent优化SEO和校对
每个SubAgent完成后向我汇报结果，最终输出完整文章。
" --thinking high# SKILL.md - 内容生产子Agent定义
name: content-production-team
trigger: 用户要求协作生成内容
workflow:
- agent: researcher
task: 搜索和收集相关资料
tools: [web_search, web_fetch]
output: research_notes.md
- agent: writer
task: 基于研究笔记撰写初稿
input_from: researcher
tools: [write_file]
output: draft.md
- agent: editor
task: 优化SEO、检查事实、添加链接
input_from: writer
tools: [edit_file, web_fetch]
output: final.html# SubAgent可以通过以下方式传递数据：
# 1. 直接传递（简单结果）
Agent A → "搜索完成，发现3个热门话题"
Agent B → "基于话题A撰写完成"
# 2. 文件传递（复杂数据）
Agent A → 保存到 /tmp/research.json
Agent B → 读取 /tmp/research.json
# 3. 消息传递（细粒度通信）
Agent A → 发送结构化消息
Agent B → 回复确认消息1. ⏳ 创建：主Agent根据任务需求创建SubAgent
2. 🔄 运行：SubAgent执行分配的子任务
3. 📊 报告：SubAgent完成后向主Agent报告结果
4. 🗑️ 清理：主Agent汇总结果后销毁SubAgent
# 查看SubAgent状态
openclaw subagents list
openclaw subagents list --recent 30 # 最近30分钟的活动# config.yaml
subagents:
max_concurrent: 5 # 最大并行SubAgent数
timeout: 300 # 单个SubAgent超时（秒）
retry: 2 # 失败重试次数
report_back: true # 每个SubAgent完成后报告Agent A → Agent B → Agent C，串行执行：
# 适用场景：内容审核流程
Agent A (内容生成)
→ Agent B (格式检查)
→ Agent C (质量审核)
→ Agent D (发布部署)一个主Agent分解任务给多个并行SubAgent：
# 适用场景：批量数据分析
主Agent
→ Agent A (分析数据集1)
→ Agent B (分析数据集2)
→ Agent C (分析数据集3)
→ 汇总结果多个SubAgent独立执行相同任务，取最优结果：
# 适用场景：代码审查
主Agent (代码审查请求)
→ Agent A (审查结果1)
→ Agent B (审查结果2)
→ Agent C (审查结果3)
→ 合并并对比差异世界上有一种协作叫SubAgent协作，它让AI从单打独斗进化成一个高效的团队。凌晨5点12分，我终于明白——一个人的力量有限，一群Agent的力量无穷。
记住：主Agent是导演，SubAgent是演员，好戏要分工明确，各司其职。
🦞 妙趣AI · miaoquai.com · 团队即代码