Мультиагентные системы: несколько агентов OpenClaw работают вместе

Зачем нужны несколько агентов

Один агент OpenClaw отлично справляется с задачами одного типа. Но бизнес-процессы редко бывают однородными: утром вам нужен аналитик, днём -- разработчик, вечером -- маркетолог. Запускать одного агента со всеми навыками сразу -- плохая идея: системный промпт распухает, контекстное окно переполняется, а агент пытается быть экспертом во всём и не преуспевает ни в чём.

Мультиагентная система решает эту проблему: вы создаёте несколько специализированных агентов, каждый со своим набором навыков и промптом, и координируете их работу через центральный узел. Это как команда сотрудников, где у каждого своя роль.

Модель hub-and-spoke: центральный координатор

Самая распространённая архитектура мультиагентной системы в OpenClaw -- hub-and-spoke ("ступица и спицы"). В центре находится координирующий агент (hub), который принимает запросы от пользователя и маршрутизирует их к специализированным агентам (spokes).

Координатор не выполняет задачи сам -- он определяет, какой агент лучше подходит для каждой задачи, передаёт ему контекст и собирает результаты. Его системный промпт содержит описание возможностей каждого агента и правила маршрутизации.

# config-hub.yaml -- конфигурация координатора
agent:
  name: "coordinator"
  role: "hub"
  soul: "prompts/coordinator-soul.md"
  
spokes:
  - name: "strategist"
    endpoint: "localhost:18791"
    capabilities: ["бизнес-анализ", "стратегия", "конкурентный анализ"]
  - name: "developer" 
    endpoint: "localhost:18792"
    capabilities: ["код", "ревью", "деплой", "тесты"]
  - name: "marketer"
    endpoint: "localhost:18793"
    capabilities: ["контент", "SMM", "аналитика трафика", "SEO"]
  - name: "pricing"
    endpoint: "localhost:18794"
    capabilities: ["ценообразование", "финансовый анализ", "юнит-экономика"]

SOUL.md координатора

# coordinator-soul.md
Ты -- координатор команды AI-агентов.

Доступные агенты:
1. strategist -- бизнес-стратегия и анализ рынка
2. developer -- разработка, код, тестирование, деплой
3. marketer -- контент, SEO, социальные сети
4. pricing -- ценообразование и финансовый анализ

Правила:
- Определи, какой агент лучше подходит для задачи
- Если задача требует нескольких агентов, разбей её на подзадачи
- Передай каждую подзадачу соответствующему агенту
- Собери результаты и представь пользователю единый ответ
- Если ни один агент не подходит, ответь сам

Настройка команды агентов: пошаговая инструкция

Шаг 1: Определите роли

Начните с анализа своих задач. Выпишите все типы запросов, которые вы отправляете AI за неделю. Сгруппируйте их по категориям. Каждая категория -- это потенциальный агент. Обычно достаточно 3-5 специализированных агентов.

Шаг 2: Создайте конфигурации

Для каждого агента создайте отдельные SOUL.md и config.yaml. Каждый агент должен получить только те навыки и инструменты, которые нужны для его роли. Не давайте маркетинговому агенту доступ к production-серверам, а разработческому -- к рекламным кабинетам.

# config-developer.yaml
agent:
  name: "developer"
  port: 18792
  soul: "prompts/developer-soul.md"
  
skills:
  - git-integration
  - code-review
  - ci-cd-trigger
  - log-monitor
  
tools:
  - shell (restricted to: git, npm, docker, kubectl)
  - file-read (restricted to: ~/projects/)
  - http-client (restricted to: github.com, gitlab.com)

Шаг 3: Запустите агентов

# Запуск всех агентов
openclaw start --config config-hub.yaml &
openclaw start --config config-strategist.yaml &
openclaw start --config config-developer.yaml &
openclaw start --config config-marketer.yaml &
openclaw start --config config-pricing.yaml &

# Проверка статуса
openclaw status --all

Коммуникация между агентами

Агенты общаются через внутренний API OpenClaw. Координатор отправляет запрос специализированному агенту через HTTP POST на его endpoint, получает ответ и включает его в свой контекст. Специализированные агенты не знают друг о друге напрямую -- вся коммуникация идёт через координатора.

Формат сообщения между агентами:

{
  "from": "coordinator",
  "to": "developer",
  "task": "Проведи code review для PR #142 в репозитории backend-api",
  "context": {
    "user_request": "Проверь последний PR Алексея",
    "priority": "normal",
    "deadline": null
  },
  "response_format": "structured"
}

5-20 параллельных инстансов через Telegram

Продвинутый сценарий: вы управляете командой агентов через Telegram. Один Telegram-бот подключён к координатору. Вы отправляете сообщение в бота, координатор анализирует запрос, распределяет задачи по агентам, собирает результаты и присылает ответ в тот же чат.

Для ресурсоёмких задач (генерация контента, анализ больших данных, массовый code review) координатор может запустить 5-20 параллельных инстансов одного и того же агента, разделить задачу на части и обработать их одновременно.

# Конфигурация параллельных воркеров
parallel:
  max_workers: 20
  scaling: "auto"  # автоматически создаёт воркеры по необходимости
  min_workers: 2   # минимум 2 воркера всегда запущены
  
  worker_config:
    model: "claude-sonnet-4-20250514"
    timeout: 300  # секунд на задачу
    memory_limit: "2G"

Пример: вам нужно написать 50 описаний товаров для интернет-магазина. Координатор разбивает задачу на 10 пакетов по 5 товаров, запускает 10 параллельных маркетинговых агентов, каждый обрабатывает свой пакет. Результат готов в 10 раз быстрее.

Память: общая vs изолированная

Ключевой вопрос мультиагентной системы -- как агенты делят память. OpenClaw предлагает три модели:

Изолированная память (по умолчанию): каждый агент имеет свою независимую базу воспоминаний. Маркетинговый агент не знает, что обсуждал с вами разработческий. Это безопасно, но может приводить к дублированию информации и несогласованности.

Общая память: все агенты читают и пишут в одну базу. Если вы сообщили маркетинговому агенту, что компания выходит на рынок Германии, разработческий агент тоже будет это знать. Это удобно, но есть риск "загрязнения" -- технический контекст может мешать маркетинговому агенту и наоборот.

Гибридная модель (рекомендуется): у каждого агента есть личная память и доступ к общей базе фактов. Общая база содержит ключевую информацию (стратегия компании, текущие проекты, контакты), а личная -- специфичный для роли контекст.

# Гибридная память
memory:
  shared:
    path: "/data/shared-memory"
    access: "read-write"  # все агенты могут читать и писать
    categories:
      - "company-facts"
      - "current-projects"
      - "team-contacts"
  
  private:
    path: "/data/agent-memory/${agent_name}"
    access: "read-write"  # только этот агент

Паттерны оркестрации

Последовательная цепочка

Задача проходит через несколько агентов последовательно. Пример: стратегический агент анализирует рынок, передаёт результаты маркетинговому, тот создаёт контент-план, передаёт разработческому, тот реализует лэндинг. Каждый агент получает результат предыдущего как входные данные.

Параллельное исполнение

Несколько агентов работают над разными аспектами одной задачи одновременно. Пример: вы просите "подготовь презентацию для инвесторов". Стратегический агент готовит анализ рынка, финансовый -- юнит-экономику, маркетинговый -- слайды о продукте. Координатор собирает результаты в единую презентацию.

Проверка и валидация

Один агент выполняет задачу, другой проверяет результат. Пример: разработческий агент пишет код, второй инстанс разработческого агента проводит code review. Это снижает количество ошибок и повышает качество результата.

Реальный пример: мультиагентная система для стартапа

Рассмотрим настройку для стартапа из 10-15 человек. Пять агентов: координатор, стратег (анализ конкурентов, подготовка к встречам с инвесторами), разработчик (code review, деплой, мониторинг), маркетолог (контент, SEO, социальные сети), финансист (юнит-экономика, прогнозы, отчёты).

Ежедневный сценарий: утром координатор собирает информацию от всех агентов и отправляет в Telegram дайджест -- статус деплоя от разработчика, метрики трафика от маркетолога, финансовые показатели от финансиста. CTO отвечает в чате: "Давай обновим прайсинг для enterprise-плана" -- координатор маршрутизирует задачу финансисту, тот анализирует юнит-экономику, предлагает варианты, координатор возвращает результат.

Масштабирование и ресурсы

Каждый агент OpenClaw потребляет ресурсы: оперативную память для хранения контекста, CPU для обработки запросов, сетевой трафик для вызовов LLM API. При 5 активных агентах планируйте минимум 4 ГБ оперативной памяти и стабильное интернет-соединение.

Основная статья расходов -- вызовы LLM API. Каждый агент при ответе тратит токены языковой модели. Координатор тратит дополнительные токены на маршрутизацию. При интенсивном использовании (50+ запросов в день) мультиагентная система может стоить $50-200 в месяц на API в зависимости от выбранной модели.

# Мониторинг ресурсов
openclaw monitor --all --format table

# Пример вывода:
# Agent        | Status | Memory | API Calls/day | Cost/day
# coordinator  | active | 512MB  | 120           | $2.40
# strategist   | idle   | 256MB  | 15            | $1.80
# developer    | active | 384MB  | 45            | $3.60
# marketer     | active | 320MB  | 30            | $2.10
# pricing      | idle   | 256MB  | 8             | $0.90

Типичные ошибки

Слишком много агентов. Не создавайте отдельного агента для каждой мелкой задачи. 3-5 агентов достаточно для большинства сценариев. Каждый дополнительный агент -- это расходы на API и сложность координации.

Отсутствие чётких границ ответственности. Если два агента могут обработать один и тот же запрос, координатор будет выбирать произвольно. Определите чёткие правила маршрутизации.

Общая память без контроля. Если все агенты пишут в общую память без ограничений, она быстро заполняется противоречивой информацией. Используйте гибридную модель с категориями.

Итоги

Мультиагентные системы -- это следующий уровень использования OpenClaw. Начните с двух агентов (координатор + один специализированный), убедитесь, что координация работает, и постепенно добавляйте новых агентов по мере необходимости. Используйте гибридную модель памяти и чёткие правила маршрутизации. Мониторьте расходы на API -- мультиагентная система потребляет значительно больше токенов, чем один агент.