子会话与多智能体协作

子会话与多智能体协作

OpenClaw 的子会话机制让 AI 从"单兵作战"升级为"团队协作"。每个子会话都是一个独立的微型智能体，有自己的上下文、工具和决策能力。本节深入拆解子会话的架构原理、四种协作模式，以及两个完整的实战案例。

你能学到什么

• 理解子会话的独立性、完整性和隔离性三大特征
• 掌握并行分工、流水线、专家顾问、辩证审查四种协作模式
• 能使用 sessions_spawn 创建子会话并管理其生命周期
• 通过内容创作团队和智能客服两个案例，学会设计多智能体系统

一、子会话的核心架构

1.1 什么是子会话

子会话是主会话创建的独立执行单元。跟普通的函数调用不同，子会话是一个完整的智能体——它有独立的内存上下文、完整的推理能力、独立的工具权限。

四个关键特性：

1.2 三层会话架构

OpenClaw 的会话系统分三层：

主会话是用户直接交互的顶层会话，负责任务分解和结果汇总。子会话由主会话创建，专注于特定子任务。线程会话是子会话内部更细粒度的并行单元，生命周期依附于创建它的子会话。

1.3 会话标识

每个会话都有唯一的层级化标识：

• 主会话：agent:main:qqbot:direct:e6f63319045821b25a5a9fb90f76b0eb
• 子会话：agent:main:subagent:ff95203d-4252-4c8d-a38f-add0f99572cd

前缀 agent:main 表示所属的智能体系统，中间部分标识渠道类型或子会话类型，最后是 UUID。

💡 调试技巧：排查子会话问题时，会话标识是关键线索。在日志中搜索 subagent 关键字，能看到所有子会话的创建、执行和完成记录。

二、四种协作模式

2.1 并行分工模式

多个子会话同时处理同一任务的不同部分，最后汇总结果。

适用场景：数据聚合、多源搜索、批量处理。核心优势是速度——三个搜索任务同时跑，总耗时约等于最慢的那个，而不是三者之和。

创建并行子会话的方式：

# 创建 3 个子会话同时搜索不同来源
subagent_1 = await spawn_subagent(
    task="搜索学术数据库",
    context={"source": "arxiv, scholarly"}
)
subagent_2 = await spawn_subagent(
    task="搜索技术博客",
    context={"source": "medium, dev.to"}
)
subagent_3 = await spawn_subagent(
    task="搜索官方文档",
    context={"source": "docs, github"}
)

# 等待所有结果返回
results = await gather(subagent_1, subagent_2, subagent_3)
merged = merge_results(results)
​

2.2 流水线模式

子会话按顺序处理，每个会话的输出是下一个的输入。

适用场景：内容创作、数据处理流水线、多阶段分析。核心优势是质量——每个阶段由专门的子会话负责，比一个子会话从头做到尾的质量更高。

# 阶段 1：研究
researcher = await spawn_subagent(
    task="收集资料",
    context={"topic": topic}
)
research_data = await researcher.result()

# 阶段 2：写作
writer = await spawn_subagent(
    task="撰写初稿",
    context={"research": research_data}
)
draft = await writer.result()

# 阶段 3：编辑
editor = await spawn_subagent(
    task="润色编辑",
    context={"draft": draft}
)
final = await editor.result()
​

2.3 专家顾问模式

主会话作为协调者，根据问题类型动态创建专家子会话。

适用场景：智能客服、技术咨询、决策支持。核心优势是专业度——不同类型的問題由不同领域的专家处理，而不是让一个通用智能体硬扛所有问题。

专家映射表：

2.4 辩证审查模式

创建持不同观点的子会话进行辩论，再由综合子会话平衡双方论点。

适用场景：决策分析、风险评估、方案对比。核心优势是全面性——强制从正反两面思考，避免单一视角的盲区。

# 正方
pro = await spawn_subagent(
    task="论证方案优势",
    context={"topic": topic, "stance": "支持"}
)

# 反方
con = await spawn_subagent(
    task="论证方案风险",
    context={"topic": topic, "stance": "反对"}
)

# 综合
synthesis = await spawn_subagent(
    task="综合平衡双方论点",
    context={
        "pro_args": await pro.result(),
        "con_args": await con.result()
    }
)
​

⚠️ 模式选择不要过度设计：如果你的任务只需要一个子会话就能搞定，不要硬套四种模式。并行分工和流水线是最常用的两种，先把这两种用熟，再根据实际需要引入其他模式。

💡 调试子会话的好方法：开发阶段给每个子会话加上 label 参数（比如 label="研究员"），日志里就能按标签过滤，快速定位是哪个子会话出了问题。

三、通信机制

子会话之间不能直接通信，所有信息传递都通过主会话中转。

3.1 四种通信方式

结果报告的标准格式：

{
  "status": "completed",
  "result": { "data": "..." },
  "metadata": {
    "duration": 45.2,
    "tokens_used": 3200
  }
}
​

3.2 引导机制

主会话可以在子会话运行过程中发送引导消息，改变其执行方向：

await subagent.steer(
    message="调整搜索重点，关注大语言模型优化方向"
)
​

这在流水线模式中特别有用——如果上游子会话的输出质量不达标，主会话可以引导它重新处理，而不是重新启动一个全新的子会话。

四、实战案例

4.1 内容创作团队

构建一个自动化的内容创作团队，实现从研究到发布的完整流程：

主编（主会话）的职责是协调三个子会话的执行顺序，传递上下文，并在每个阶段完成后检查结果质量。研究员负责从多个来源搜索资料并过滤出高质量内容。写作者基于研究结果构建文章结构并逐节撰写。编辑负责多轮润色（结构优化、语言润色、技术准确性检查、SEO 优化）。

每个子会话完成后都会返回结构化的结果报告，包括产出物、元数据（字数、耗时）和质量评分。主编根据质量评分决定是否需要返工。

💡 增量式优化：不必等研究员完全结束才启动写作者。可以用流式处理——研究员每找到一批资料就推送给写作者，写作者先开始写已有资料支撑的章节，后续资料到了再补充。这样能显著缩短总耗时。

4.2 智能客服系统

构建一个多层智能客服系统，实现问题分流、专家解答和自动总结：

分流器子会话做三件事：意图识别（用户想干什么）、实体提取（涉及什么对象）、紧急度评估（需要多快响应）。根据分类结果，主会话从专家池中创建对应类型的专家子会话。

专家池支持动态调度——咨询量大时自动创建多个同类型专家实例，咨询量小时减少实例数。每个专家的解答都会记录到交互日志中，用于后续分析和优化路由规则。

⚠️ 权限最小化：不同类型的子会话应该只拥有完成任务所需的最小权限。研究员只需要搜索权限，写作者只需要文件读写权限，发布环节才需要 API 发布权限。这样即使某个子会话被注入恶意指令，损失也是可控的。

4.3 性能优化要点

并发控制：不要同时创建太多子会话。每个子会话都消耗内存和 API 配额。建议设置并发上限（比如最多 5 个子会话同时运行），用信号量控制：

MAX_CONCURRENT = 5
semaphore = asyncio.Semaphore(MAX_CONCURRENT)
​

超时管理：给每个子会话设置超时时间，避免某个子会话卡死拖垮整个流程：

result = await asyncio.wait_for(
    spawn_subagent(task),
    timeout=300  # 5 分钟超时
)
​

缓存复用：对于重复性任务（比如同一个主题的多次搜索），用缓存避免重复执行。

图：多智能体编排架构

本节要点

1. 子会话是完整的微型智能体，具备独立性、完整性和隔离性
2. 四种协作模式各有适用场景：并行分工求速度、流水线求质量、专家顾问求专业、辩证审查求全面
3. 通信通过初始上下文、结果报告、推送通知和引导四种方式实现
4. 内容创作团队用流水线模式，智能客服用专家顾问模式
5. 生产环境务必做好并发控制、超时管理和权限最小化