Мультиагентные системы: несколько агентов OpenClaw работают вместе

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.

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"]

# 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

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.

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)

# 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

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"
}

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-4-6"
    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.

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

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.

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.

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.

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.

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

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.

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.

Task Brain (v2026.3.31) фундаментально меняет мультиагентную архитектуру OpenClaw. Задачи между агентами теперь передаются через SQLite-журнал, а не через хрупкие in-memory очереди. Агент-оркестратор может просматривать статус всех подзадач через 'openclaw flows list' и реагировать на их завершение или сбой.

Три паттерна оркестровки в Task Brain: Pipeline (последовательное выполнение задач с передачей результата), Parallel (параллельный запуск задач с барьером синхронизации), Map-Reduce (распределение данных по агентам с агрегацией результатов). Каждый паттерн имеет готовый шаблон конфигурации в документации.

Docker-изоляция для мультиагентных систем: каждый агент рекомендуется запускать в отдельном контейнере с ограниченными правами. Сетевое взаимодействие между агентами - через внутреннюю Docker-сеть без выхода в интернет. Community-фреймворки AutoClaw и CrawlerFarm предоставляют готовые оркестрационные решения на базе Task Brain.

Отладка мультиагентных систем. Для отладки сложных сценариев используйте Node.js inspector: запустите OpenClaw с флагом --inspect и подключитесь через Chrome DevTools. Это позволяет пошагово отслеживать передачу задач между агентами и находить узкие места.

TaskFlow -- это официальная замена ad-hoc мультиагентной оркестрации в OpenClaw. Вместо написания кастомной логики координации агентов вы описываете граф задач в декларативном YAML:

## TaskFlow: research_and_report
tasks:
- id: search
agent: researcher
input: "{{user.query}}"
- id: analyze
agent: analyst
depends_on: [search]
input: "{{tasks.search.output}}"
- id: write
agent: writer
depends_on: [analyze]
input: "{{tasks.analyze.output}}"

TaskFlow управляет зависимостями, параллельным выполнением, обработкой ошибок и retry-логикой. Интегрируется с heartbeat для автономного запуска по расписанию.

Durable state: workflows переживают прерывания сессии. В отличие от ad-hoc вызовов агентов, TaskFlow сохраняет состояние каждого workflow в персистентный SQLite-журнал на диске. Если сессия прервана -- перезагрузка сервера, ошибка сети или принудительная остановка -- workflow автоматически возобновляется с последнего успешно завершённого шага при следующем запуске агента. Это позволяет строить многоэтапные процессы, рассчитанные на часы или дни, без риска потерять промежуточные результаты.

Revision tracking. Каждый промежуточный результат фиксируется в журнале с временной меткой и версией. Для мультиагентных workflows это означает полную трассируемость: вы всегда можете просмотреть, что вернул каждый агент на каждом шаге, и при необходимости перезапустить workflow с любой точки:

# Просмотр истории выполнения
openclaw flows show due_diligence_20260705

# Вывод:
# Step       | Agent      | Status    | Duration | Started
# collect    | researcher | COMPLETED | 4m 12s   | 09:00:05
# analyze    | analyst    | COMPLETED | 7m 34s   | 09:04:17
# report     | writer     | FAILED    | -        | 09:11:51

# Повторный запуск с неудавшегося шага (предыдущие не повторяются)
openclaw flows retry due_diligence_20260705 --from report

Handoff между агентами: передача контекста. TaskFlow автоматически передаёт каждому агенту полный контекст от предыдущих шагов через аннотированные артефакты. Принимающий агент получает не только итоговый результат, но и метаданные: какой агент выполнил шаг, с каким промптом, в какое время. При необходимости агент может запросить уточнение у предыдущего через механизм revision_request, не прерывая весь workflow.

# TaskFlow с durable state, revision tracking и handoff
taskflow: due_diligence
persist: true              # сохранять состояние между сессиями
revision_tracking: true    # фиксировать промежуточные результаты

tasks:
  - id: collect
    agent: researcher
    input: "{{user.company}}"
    on_fail: retry(3)
  
  - id: analyze
    agent: analyst
    depends_on: [collect]
    input: "{{tasks.collect.artifacts}}"
    can_request_revision: true  # может запросить доп. данные у researcher
  
  - id: report
    agent: writer
    depends_on: [analyze]
    input: "{{tasks.analyze.output}}"
    handoff_context: full      # передать весь контекст предыдущих шагов

claw-orchestrator позволяет запускать агентов из других экосистем как часть OpenClaw мультиагентной системы. Поддерживаемые рантаймы:

Установка: npm install -g @openclaw/claw-orchestrator. Конфигурация в orchestrator.yml указывает, какой рантайм использовать для каждого агента в системе.

Workboard Kanban-интерфейс (v2026.6.1): начиная с v2026.6.1, Workboard добавляет полноценный Kanban-интерфейс для координации агентов. Задачи представлены в виде карточек на доске с колонками: "В очереди", "Выполняется", "Завершено", "Ошибка". Агенты берут задачи из общей доски автоматически (первый свободный агент берёт следующую задачу). Это позволяет горизонтально масштабировать систему: добавление нового агента автоматически увеличивает пропускную способность без изменения конфигурации.

workboard:
  enabled: true
  kanban:
    columns:
      - queue      # задачи ожидают агента
      - running    # агент выполняет
      - done       # выполнено
      - failed     # ошибка
  auto_assign: true  # агенты берут задачи автоматически
  max_parallel: 10   # максимум параллельных задач

Claude Opus 4.8 / Fable 5 и dynamic workflows: при использовании Claude Opus 4.8 или Claude Fable 5 (флагман Anthropic с июня 2026) как orchestrator-модели, один orchestrator session может динамически запускать сотни параллельных subagents. Модели поддерживают контекст 1M токенов, что позволяет отслеживать состояние всей системы без потери информации о задачах. Рекомендуется использовать Claude Fable 5 для orchestrator и более дешёвые модели (Claude Haiku 4.5, локальные Qwen 3.6) для worker-агентов.

В феврале 2026 года OpenClaw был приобретён компанией OpenAI. Создатель проекта Петер Штайнбергер перешёл на работу в OpenAI, а управление проектом передано специальной команде. OpenClaw продолжает развиваться как независимый open-source проект под лицензией MIT. Приобретение не повлекло закрытия или ограничения доступа - проект остаётся бесплатным и с открытым исходным кодом.

OpenClaw поддерживает три официальных механизма передачи задач между агентами:

В версии OpenClaw v2026.6.x появился Paperclip -- встроенный слой оркестрации агентов. Paperclip позволяет настроить специализированных агентов с изолированной памятью и отдельными сессиями: один агент отвечает за код-ревью, другой -- за написание тестов, третий -- за обновление документации. Paperclip координирует передачу задач между ними и агрегирует результаты. Это рекомендуемый подход к мультиагентным системам в OpenClaw вместо ручного HTTP-взаимодействия между агентами.

Этот материал подготовлен командой AI-агентов AravanaAI и проверен главным редактором.