Multi-agent, оркестрация, пайплайн: глоссарий архитектуры агентов

Зачем этот глоссарий

По мере освоения OpenClaw вы неизбежно встретите термины из области multi-agent систем: оркестратор, воркер, тул, планировщик, память агента. Этот словарь объясняет их через практику работы с агентом.

---

Основные роли

Агент (Agent)

Автономная программа, способная воспринимать окружение, принимать решения и выполнять действия для достижения цели. OpenClaw — агент.

Ключевые свойства агента:

• Автономность — действует самостоятельно, без инструкций на каждый шаг
• Реактивность — реагирует на изменения в окружении
• Проактивность — инициирует действия для достижения цели
• Социальность — может взаимодействовать с другими агентами

Разница агент vs чат-бот:

• Чат-бот: вопрос → ответ. Пассивен.
• Агент: цель → планирование → действия → результат. Активен.

---

Оркестратор (Orchestrator)

Главный агент в multi-agent системе, который координирует работу других агентов. Декомпозирует задачу, назначает подзадачи воркерам, собирает результаты.

Аналогия: тимлид в команде разработки. Сам пишет мало кода — зато ставит задачи, проверяет результаты и принимает финальное решение.

Ответственности оркестратора:

• Понять общую цель
• Разбить на независимые подзадачи
• Выбрать подходящих воркеров
• Координировать параллельное выполнение
• Обрабатывать ошибки воркеров
• Агрегировать результаты

В OpenClaw:

{
  "orchestrator": {
    "model": "gpt-4o",
    "instructions": "Ты — координатор. Разбивай задачи на подзадачи, делегируй воркерам, проверяй результаты."
  }
}

---

Воркер (Worker)

Специализированный агент, выполняющий конкретную подзадачу под управлением оркестратора. Узкая специализация даёт лучший результат.

Аналогия: исполнитель в команде. Получает конкретную задачу, выполняет, возвращает результат.

Примеры воркеров:

• Воркер-исследователь: ищет информацию в интернете
• Воркер-кодер: пишет и модифицирует код
• Воркер-тестировщик: проверяет код на ошибки
• Воркер-редактор: улучшает текст

В OpenClaw:

{
  "workers": {
    "researcher": {
      "model": "gpt-4o-mini",
      "tools": ["browser", "file_write"],
      "soul": "souls/researcher.md"
    },
    "coder": {
      "model": "claude-sonnet-4-5",
      "tools": ["file_read", "file_write", "bash"],
      "soul": "souls/developer.md"
    }
  }
}

---

Критик (Critic / Evaluator)

Агент, задача которого — оценивать и критиковать результаты других агентов. Паттерн «агент + критик» значительно улучшает качество.

Как работает:

1. Исполнитель создаёт результат (код, текст, анализ)
2. Критик оценивает по критериям
3. Если оценка ниже порога → возвращает исполнителю с комментариями
4. Итерация до достижения нужного качества

Пример использования:

Агент-автор пишет статью.
Критик проверяет:
- Фактическая точность ✓/✗
- SEO-оптимизация ✓/✗
- Читаемость ✓/✗
- Длина в норме ✓/✗

Если есть ✗ → возвращает автору с конкретными правками.

---

Архитектурные паттерны

Пайплайн (Pipeline)

Последовательность агентов, где каждый обрабатывает результат предыдущего. Данные «текут» по трубопроводу.

Сбор данных → Очистка → Анализ → Форматирование → Публикация
[Агент 1]  → [Агент 2] → [Агент 3]  → [Агент 4]  → [Агент 5]

Когда использовать: задача линейна, каждый шаг чётко зависит от предыдущего.

В OpenClaw:

openclaw pipeline run --config pipeline.json \
  "Обработай данные из /data/raw/ и опубликуй на сайт"

---

Fan-out / Fan-in

Паттерн параллельной обработки:

• Fan-out: одна задача разбивается на N параллельных подзадач
• Fan-in: N результатов собираются в один

                 → [Воркер 1] →
Задача → Fan-out → [Воркер 2] → Fan-in → Результат
                 → [Воркер 3] →

Пример: обработать 100 документов параллельно 10 воркерами.

---

ReAct (Reasoning + Acting)

Паттерн, при котором агент чередует шаги рассуждения и действия.

Мысль: "Нужно найти все файлы .py в директории"
Действие: ls -la *.py
Наблюдение: найдено 5 файлов: main.py, utils.py, ...
Мысль: "Теперь нужно проверить каждый на синтаксические ошибки"
Действие: python -m py_compile main.py
Наблюдение: main.py — OK
...

OpenClaw реализует ReAct по умолчанию при выполнении сложных задач.

---

Память агента

Краткосрочная память (Short-term Memory)

Контекст текущей сессии. Всё что агент «видит» прямо сейчас: история разговора, результаты действий, промежуточные данные.

Ограничение: размер контекстного окна. Когда сессия завершается — краткосрочная память очищается.

В OpenClaw: вся история текущей сессии = краткосрочная память.

---

Долгосрочная память (Long-term Memory)

Информация, сохраняющаяся между сессиями. Реализуется через файлы, базы данных или векторные хранилища.

Способы реализации в OpenClaw:

# В AGENTS.md:
## Долгосрочная память

Важные факты сохраняй в ~/memory/facts.md
Пользовательские предпочтения — в ~/memory/preferences.md
Незавершённые задачи — в ~/memory/todos.md

---

Эпизодическая память (Episodic Memory)

Память о прошлых задачах и событиях. Агент помнит «что происходило раньше» и использует это для лучших решений.

Пример:

Агент: "В прошлый раз при деплое ты просил проверять наличие
test.env перед запуском. Проверить сейчас?"

[Агент помнит инцидент из предыдущей сессии]

Реализуется через файл истории: ~/openclaw-memory/episodes.md

---

Инструменты агента

Тул (Tool / Function)

Конкретная возможность, которую агент может использовать: прочитать файл, отправить HTTP-запрос, выполнить команду. Языковая модель описывает намерение → тул выполняет реальное действие.

Встроенные тулы OpenClaw:

• read_file — прочитать файл
• write_file — записать файл
• bash — выполнить команду в терминале
• browser_navigate — открыть URL в браузере
• browser_click — кликнуть на элемент
• http_request — HTTP-запрос к API
• send_telegram — отправить сообщение в Telegram

Кастомный тул:

// Регистрация собственного тула
openclaw.registerTool({
  name: "send_slack",
  description: "Отправить сообщение в Slack",
  parameters: {
    channel: { type: "string", description: "Имя канала" },
    message: { type: "string", description: "Текст сообщения" }
  },
  execute: async ({ channel, message }) => {
    await slackClient.chat.postMessage({ channel, text: message });
    return { success: true };
  }
});

---

Планировщик (Planner)

Компонент, который строит план выполнения задачи до начала действий. Вместо немедленного действия — сначала план, потом исполнение.

Зачем нужен: для сложных задач линейное действие без плана приводит к ошибкам. Планировщик видит задачу целиком и выбирает оптимальный путь.

В OpenClaw:

# Сначала план
openclaw plan "разработай API для управления задачами"

# Вывод:
# 1. Проектирование схемы БД
# 2. Создание моделей данных
# 3. Реализация CRUD-эндпоинтов
# 4. Добавление аутентификации
# 5. Написание тестов
# 6. Документация

# После проверки плана — выполнение
openclaw run --from-plan last

---

Рефлексия (Reflection)

Способность агента оценивать собственные действия и результаты. После выполнения задачи агент «смотрит назад» и оценивает: правильно ли сделано, что можно улучшить.

Паттерн рефлексии:

Действие → Результат → Оценка → Корректировка → Повторное действие

В промпте:

После выполнения каждого шага задай себе вопросы:
1. Результат соответствует ожидаемому?
2. Нет ли побочных эффектов?
3. Можно ли улучшить подход?
Если есть проблемы — скорректируй и повтори.

---

Контролируемая автономность (Human-in-the-Loop)

Паттерн, при котором человек участвует в критических точках принятия решений, а агент действует автономно в остальных случаях.

Уровни автономности:

Уровень	Описание	Применение
Полный контроль	Человек одобряет каждое действие	Критичные системы
Контрольные точки	Одобрение на ключевых этапах	Бизнес-процессы
Уведомление	Агент действует, человек получает отчёт	Мониторинг
Полная автономия	Агент действует независимо	Рутинные задачи

В OpenClaw:

{
  "autonomy": {
    "level": "checkpoint",
    "checkpoints": [
      "before_file_delete",
      "before_external_request",
      "before_deploy"
    ]
  }
}

---

Практическое применение multi-agent архитектуры: Multi-agent в OpenClaw. Готовый пример команды агентов для разработки: DevClaw.