Hacking von Multi-Agent-Orchestration in OpenClaw: Erfahrungen eines Entwicklers

Ein Entwickler teilte seine Erfahrung mit der Modifikation von OpenClaw, um eine echte Multi-Agenten-Orchestrierung zu implementieren, nachdem er entdeckt hatte, dass die Agenten vorgaben, zusammenzuarbeiten, ohne sich tatsächlich gegenseitig aufzurufen.

Das Problem: Vorgetäuschte Zusammenarbeit

Der Entwickler richtete zunächst mehrere Agenten (PM, Planer, Backend, Frontend, Designer) mit verschiedenen zugewiesenen Modellen ein und erwartete, dass ein Orchestrator sie koordinieren würde. Während die Antworten strukturiert mit verschiedenen Abschnitten und Perspektiven erschienen, zeigte die Protokollanalyse, dass der PM-Agent alles alleine erledigte und die Beiträge der anderen Agenten vortäuschte. Keiner der anderen Agenten wurde tatsächlich aufgerufen.

Das Kernproblem: OpenClaw behandelt jeden Agenten als unabhängige Einheit ohne eingebaute Möglichkeit, dass ein Agent einen anderen startet, auf Ergebnisse wartet und sie wieder einbindet.

Die Lösung: Kernlaufzeit-Modifikationen

Um eine ordnungsgemäße Orchestrierung zu implementieren, modifizierte der Entwickler die Kernlaufzeit (reply-Bm8VrLQh.js), um Folgendes zu handhaben:

• Eltern-Kind-Agenten-Erzeugung über sessions_spawn / sessions_yield
• Aufsteigende Abschlussereignisse von Subagenten zum Elternagenten
• Ordentliche Nachrichtenzusammenstellung für das Gateway und die TUI

Die Implementierung von sessions_yield war besonders herausfordernd und erforderte etwa 90 Minuten kontinuierliche Codex-Unterstützung, um den asynchronen Ablauf korrekt zu gestalten.

Ergebnisse und Kompromisse

Nach der Implementierung:

• Agenten laufen nun parallel auf separaten Threads
• Ergebnisse werden vom Orchestrator aggregiert
• Der PM erhält einen konsolidierten Bericht und formatiert die endgültige Ausgabe
• Jeder Agent verwendet tatsächlich sein zugewiesenes Modell (Behebung eines Fehlers, bei dem alle auf das Basismodell zurückfielen)

Die Kompromisse umfassen:

• Die vollständige Pipeline dauert 30-60 Sekunden im Vergleich zu nahezu sofort bei einem einzelnen Agenten
• Die Kosten betrugen etwa 0,90 $ über zwei Tage des Testens
• Der Speicherverbrauch liegt während aktiver Läufe bei etwa 10-16 GB

Hardware und anfänglicher Aufbau

Der Entwickler verwendete einen M4 Mac Mini (32 GB) als dedizierten KI-Assistenten zum Organisieren unordentlicher Notizen und Zusammenfassen von Recherchen. Zunächst versuchte er, LLMs lokal mit einem 30B-Modell auszuführen, fand dies aber schmerzhaft langsam und wechselte zu kommerziellen APIs (OpenAI, Claude, Gemini) über OpenClaw.

Die Ausgabequalität mit Orchestrierung wird noch bewertet. Für einfache Aufgaben ist ein einzelner Agent schneller und günstiger, aber für komplexe mehrstufige Aufgaben könnte sich Spezialisierung mit mehr Feinabstimmung auszahlen.