Внедрение многоагентной оркестровки в OpenClaw: опыт разработчика

Разработчик поделился своим опытом модификации OpenClaw для реализации истинной оркестрации нескольких агентов после того, как обнаружил, что агенты притворялись, что сотрудничают, не вызывая друг друга на самом деле.

Проблема: Фальшивое сотрудничество

Разработчик изначально настроил несколько агентов (PM, планировщик, бэкенд, фронтенд, дизайнер) с разными назначенными моделями, ожидая, что оркестратор будет координировать их. Хотя ответы выглядели структурированными с разными разделами и перспективами, анализ логов показал, что агент PM делал всё в одиночку и имитировал вклад других агентов. Ни один из других агентов фактически не вызывался.

Основная проблема: OpenClaw рассматривает каждого агента как независимую единицу без встроенного способа для одного агента порождать другого, ждать результатов и включать их обратно.

Решение: Модификации основной среды выполнения

Для реализации правильной оркестрации разработчик модифицировал основную среду выполнения (reply-Bm8VrLQh.js), чтобы обрабатывать:

• Порождение родительских и дочерних агентов через sessions_spawn / sessions_yield
• События завершения подчинённых агентов, всплывающие к родителю
• Правильную сборку сообщений для шлюза и TUI

Реализация sessions_yield была особенно сложной, потребовав около 90 минут непрерывной помощи Codex для правильной настройки асинхронного потока.

Результаты и компромиссы

После реализации:

• Агенты теперь работают в параллельных отдельных потоках
• Результаты агрегируются оркестратором
• PM получает сводный отчёт и форматирует окончательный вывод
• Каждый агент фактически использует свою назначенную модель (исправляя ошибку, когда все они использовали базовую модель по умолчанию)

Компромиссы включают:

• Полный конвейер занимает 30-60 секунд против почти мгновенного выполнения одним агентом
• Стоимость составила около $0,90 за два дня тестирования
• Память составляет около 10-16 ГБ во время активных запусков

Аппаратное обеспечение и начальная настройка

Разработчик использовал M4 Mac Mini (32 ГБ) в качестве выделенного ИИ-помощника для организации беспорядочных заметок и обобщения исследований. Изначально он пытался запускать LLM локально с моделью на 30B, но обнаружил, что это мучительно медленно, и переключился на коммерческие API (OpenAI, Claude, Gemini) через OpenClaw.

Качество вывода с оркестрацией всё ещё оценивается. Для простых задач один агент быстрее и дешевле, но для сложных многоэтапных задач специализация может окупиться при необходимости дополнительной настройки.