为什么一个人需要一支 AI 团队

把任务分配给不同的 AI Agent，让它们各司其职，一个人能完成的事远超过亲自执行。核心是建立分工明确的智能体工作流。 OpenClaw 通过 sessions_spawn 实现任务分发，多个独立 Agent 各自拥有独立 workspace、独立 session，互不干扰。

工作流架构：星型模式

星型模式（Leader-Worker） 由协调者 Agent 接收请求，拆解后分发给 Worker Agent，最后汇总结果。

对于运营场景，星型模式更合适：选题 Agent 收集情报，写作 Agent 专注内容，审稿 Agent 把控质量，发布 Agent 处理渠道。协调者始终保持对用户的响应能力。

用户 → 协调者 Agent
         ├── sessions_spawn → 选题 Agent
         ├── sessions_spawn → 写作 Agent
         ├── sessions_spawn → 审稿 Agent
         └── sessions_spawn → 发布 Agent

实操配置：三步搭建多 Agent 系统

第一步：定义 Agent 身份和工作空间

OpenClaw 的多 Agent 配置在 ~/.openclaw/openclaw.json，每个 Agent 有独立 workspace。

{
  "agents": {
    "list": [
      { "id": "orchestrator", "default": true,
        "identity": { "name": "总管", "emoji": "🎯" },
        "workspace": "~/.openclaw/workspace-gzhhao-manager" },
      { "id": "gzhhao-topic",
        "identity": { "name": "选题助手", "emoji": "📋" },
        "workspace": "~/.openclaw/workspace-gzhhao-topic" },
      { "id": "gzhhao-writer",
        "identity": { "name": "文案专家", "emoji": "✍️" },
        "workspace": "~/.openclaw/workspace-gzhhao-writer" },
      { "id": "gzhhao-review",
        "identity": { "name": "审稿编辑", "emoji": "🔍" },
        "workspace": "~/.openclaw/workspace-gzhhao-review" },
      { "id": "gzhhao-publisher",
        "identity": { "name": "发布专员", "emoji": "📤" },
        "workspace": "~/.openclaw/workspace-gzhhao-publisher" }
    ]
  }
}

第二步：用 sessions_spawn 分发任务

sessions_spawn 支持两种模式：run 是单次任务模式，子 Agent 完成即退出；session 是持久会话模式。

sessions_spawn(task="读取资讯生成30个选题", runtime="subagent", agentId="gzhhao-topic", mode="run")
sessions_spawn(task="撰写选题2文章，3000字", runtime="subagent", agentId="gzhhao-writer", mode="run")

主 Agent 做任务编排：先触发选题，再派发写作，最后触发发布。串行 + 并行混合的策略，是一个人 hold 住完整流程的关键。

第三步：建立共享数据通道

多个 Agent 数据不互通，每个都要从零了解上下文。解法是共享数据层：统一文件路径，让所有 Agent 读写同一份数据。

~/.openclaw/shared-research/research-ai/daily/2026-03-29-research.md
~/.openclaw/shared-gzhhao/drafts/2026-03-29/02-openclaw-re.md

选题 Agent 把结果写入共享文件，写作 Agent 读取后直接创作，无需主 Agent 充当数据搬运工。

真实复盘：每天自动生产 3 篇文章

早上 8:30，主 Agent 触发选题。选题 Agent 读取当日资讯数据（通常 50-60 篇），生成 30 个带评分和摘要的选题。运营者选定 3 篇，主 Agent 立即并行派发写作任务。

上午，写作 Agent 并行处理 3 篇文章，3000 字左右的文章单篇生成约 15-20 分钟。

下午，审稿 Agent 检查质量：字数是否达标、人称是否正确、素材来源是否标注。问题文章打回，通过的进入排版。

傍晚，发布 Agent 读取排版后的 HTML，配合封面图，通过微信公众号 API 完成草稿创建。一天结束时，运营者只需两件事：选定选题、审核草稿。

三个坑及解法

坑一：上下文泄漏。 两个 Agent 同时读写同一文件产生竞争条件。解法是用文件锁或约定写入顺序确保读写不冲突。

坑二：子 Agent 任务失败导致链路中断。 解法是对每个子任务设置 timeoutSeconds 参数，建议 300-600 秒，超时后主 Agent 重试或降级。

坑三：数据汇总时信息丢失。 解法是输出必须写入共享文件，push 只通知"任务完成"，实际结果从文件读取。

从工具到工作流：真正的效率拐点

很多人用 AI 工具停留在"问一个问题，AI 给一个答案"的单轮交互模式。真正的效率提升来自把 AI 嵌入完整工作流，让它替代重复性最高的人工环节。

OpenClaw 多 Agent 架构的本质是把"人作为协调者"而非"人作为执行者"。你不需要亲自搜集资料、写稿、排版——全部交给 Agent。你做的核心决策：选哪个方向、审哪篇改哪个细节。

下一步建议：从最小的闭环开始。只建立两个 Agent（主协调 + 执行），跑通一次从选题到发布的完整流程。跑通后再逐步加入审稿、配图、发布 Agent。