Что такое multi-agent архитектура
Один агент OpenClaw — мощный инструмент. Но у него есть ограничения: он работает последовательно, один контекст, одна задача в каждый момент.
Multi-agent — это когда несколько агентов работают одновременно, каждый специализируется на своей части задачи, а результаты объединяются в общий результат.
Аналогия: вместо одного сотрудника-универсала, который делает всё по очереди, у вас команда специалистов, которые работают параллельно под руководством менеджера.
Когда нужна multi-agent архитектура
Задача слишком большая для одного контекста. Обработать 500 документов, проанализировать весь репозиторий, мониторить 100 источников одновременно — один агент не справится без потери контекста.
Задача разбивается на независимые части. Если можно выделить подзадачи, которые не зависят друг от друга — их можно выполнять параллельно и получить результат в несколько раз быстрее.
Нужна специализация. Разные части задачи требуют разных «навыков»: один агент хорошо анализирует код, другой — пишет тексты, третий — работает с браузером. Специализированные агенты дают лучший результат, чем один универсальный.
Нужна проверка результатов. Агент-ревьюер может проверять работу других агентов — как в реальной команде.
Паттерны оркестрации
Паттерн 1: Оркестратор + Воркеры
Самая распространённая схема. Главный агент (оркестратор) разбивает задачу, координирует воркеров и собирает результаты.
Пользователь → Оркестратор → [Воркер 1, Воркер 2, Воркер 3]
↑ ↓
└─────── Результаты ───────┘Паттерн 2: Конвейер (Pipeline)
Агенты работают последовательно, каждый обрабатывает результат предыдущего.
Агент-парсер → Агент-аналитик → Агент-редактор → Агент-публикаторПодходит для задач с чёткими этапами, где каждый следующий шаг зависит от предыдущего.
Паттерн 3: Агент + Критик
Один агент выполняет задачу, второй проверяет и даёт обратную связь, первый дорабатывает.
Агент-исполнитель ↔ Агент-критик (итеративно)Даёт значительно более высокое качество на задачах, где важна точность.
Базовая настройка
Конфигурация в openclaw.multi.json
{
"orchestrator": {
"model": "gpt-4o",
"soul": "orchestrator.md",
"maxWorkers": 5,
"timeout": "30m"
},
"workers": {
"default": {
"model": "gpt-4o-mini",
"timeout": "10m"
},
"analyst": {
"model": "gpt-4o",
"soul": "analyst.md",
"timeout": "15m"
},
"writer": {
"model": "claude-sonnet-4-5",
"soul": "writer.md",
"timeout": "10m"
}
}
}Запуск
# Запустить multi-agent задачу
openclaw multi run --config openclaw.multi.json \
"Проанализируй конкурентов из списка competitors.txt и подготовь отчёт"
# Запустить с явным указанием паттерна
openclaw multi run --pattern orchestrator-workers \
--workers 4 \
"Обработай все PDF в директории /reports"
# Мониторинг в реальном времени
openclaw multi status
openclaw multi logs --followПрактический пример 1: DevClaw — команда разработки
DevClaw — это паттерн multi-agent для автоматизации разработки. Один запрос от пользователя запускает целую команду агентов.
Роли агентов
Менеджер (оркестратор) — получает задачу, декомпозирует на подзадачи, координирует команду, проверяет результаты.
Разработчик — пишет и изменяет код.
Тестировщик — пишет тесты, запускает их, сообщает о проблемах.
Ревьюер — проверяет код на качество, безопасность, соответствие стандартам.
Конфигурация DevClaw
{
"name": "DevClaw",
"orchestrator": {
"model": "gpt-4o",
"soul": "souls/manager.md",
"instructions": "Ты тимлид. Получаешь задачу, разбиваешь на подзадачи для разработчика и тестировщика, проверяешь готовность через ревьюера."
},
"workers": {
"developer": {
"model": "claude-sonnet-4-5",
"soul": "souls/developer.md",
"workspace": "./src",
"tools": ["file_read", "file_write", "bash"]
},
"tester": {
"model": "gpt-4o-mini",
"soul": "souls/tester.md",
"workspace": "./tests",
"tools": ["file_read", "file_write", "bash"]
},
"reviewer": {
"model": "gpt-4o",
"soul": "souls/reviewer.md",
"tools": ["file_read"]
}
}
}Пример SOUL.md для менеджера
# Ты — технический менеджер команды AI-разработчиков.
## Твои задачи:
1. Декомпозировать задачу на конкретные подзадачи
2. Давать чёткие инструкции разработчику и тестировщику
3. Проверять результаты через ревьюера
4. Объединять и возвращать финальный результат
## Правила:
- Никогда не пиши код сам — делегируй разработчику
- Каждая подзадача должна иметь чёткий критерий готовности
- Если тестировщик нашёл ошибки — возвращай разработчику
- Финальный результат проходит через ревьюераЗапуск
openclaw multi run --config devclaw.json \
"Добавь в API endpoint /users поддержку фильтрации по дате регистрации. Параметр: registered_after (ISO 8601). Покрой тестами."Что произойдёт:
- Менеджер разбивает задачу: изменить контроллер, добавить валидацию, обновить документацию, написать тесты
- Разработчик реализует изменения в коде
- Тестировщик пишет unit и integration тесты, запускает их
- Ревьюер проверяет код и тесты
- Если ревьюер находит замечания — итерация
- Менеджер возвращает финальный результат с описанием изменений
Время выполнения: 10-20 минут вместо 2-3 часов ручной работы.
Практический пример 2: Контент-машина
Multi-agent для массового производства SEO-контента.
Архитектура
Редактор (оркестратор)
├── Исследователь (парсит источники, собирает факты)
├── Автор (пишет текст на основе исследования)
└── SEO-оптимизатор (проверяет мета-теги, ключевые слова, структуру)Конфигурация
{
"name": "ContentMachine",
"orchestrator": {
"model": "gpt-4o",
"instructions": "Координируй производство статьи: сначала исследователь собирает материал, затем автор пишет, затем SEO-оптимизатор проверяет."
},
"workers": {
"researcher": {
"model": "gpt-4o-mini",
"tools": ["browser", "file_write"],
"instructions": "Исследуй тему, найди 5-7 качественных источников, извлеки ключевые факты и цифры, сохрани в research.md"
},
"author": {
"model": "claude-sonnet-4-5",
"tools": ["file_read", "file_write"],
"instructions": "Прочитай research.md, напиши статью 1500-2000 слов с H2 структурой, практическими примерами и конкретными данными"
},
"seo": {
"model": "gpt-4o-mini",
"tools": ["file_read", "file_write"],
"instructions": "Проверь статью: title (50-60 символов), description (150-160), ключевые слова в H1 и первом абзаце, наличие внутренних ссылок, структура H2"
}
}
}Результат
Полная статья с исследованием, написанием и SEO-оптимизацией — за 15-25 минут вместо 3-4 часов.
Управление расходами
Multi-agent умножает расходы на токены на количество агентов. Несколько правил экономии:
Воркеры на дешёвых моделях. Оркестратор требует GPT-4o для координации. Воркеры часто справляются с GPT-4o mini.
Ограничивайте параллельность. 3-4 воркера одновременно — разумный максимум для большинства задач.
Устанавливайте лимиты бюджета:
{
"budget": {
"maxPerTask": 500,
"maxPerWorker": 100,
"onExceed": "stop_and_notify"
}
}Статистика после выполнения:
openclaw multi stats --last
# Показывает: время, токены, стоимость по каждому агентуОграничения и риски
Сложность отладки. Когда что-то идёт не так в multi-agent системе, найти проблему сложнее, чем в одиночном агенте. Всегда включайте подробное логирование.
Гонки данных. Два воркера не должны одновременно изменять один файл. Оркестратор должен явно управлять очерёдностью записи.
Каскадные ошибки. Ошибка одного воркера может заблокировать всю цепочку. Проектируйте с учётом частичных отказов.
Стоимость. Multi-agent задача на 4 воркерах с GPT-4o стоит в 4+ раза дороже одиночного агента. Считайте бюджет заранее.
Готовый кейс DevClaw с полной конфигурацией: DevClaw — оркестрация команды разработки. Для enterprise применений: OpenClaw для бизнеса.