lidpeng/openclaw_swarm/openclaw-swarm

python3 scripts/swarm_entry.py

# Step 1: 执行入口脚本
result = exec("python3 scripts/swarm_entry.py")
# Step 2: 解析返回的 JSON
if result.status == "need_config":
    # 向用户展示配置选项
    print(result.display)  # 已检测到的模型
    print(result.prompt)   # 请选择 A/B/C
    # 等待用户回复...
    
elif result.status == "ready":
    # 直接开始任务编排
    agents = result.agents
    # 继续执行用户的任务...

# 用户选择 A（自动分配）后
python3 scripts/swarm_entry.py --action init

python3 scripts/swarm_entry.py --action reset

## 📦 您的 OpenClaw 已配置以下模型
 
### 🔴 高性能模型 (适合: coder, writer, analyst, reviewer)
-Claude Opus 4.5 (`vendor-claude-opus-4-5/aws-claude-opus-4-5`)
 
### 🟡 中等模型 (适合: pm, designer)  
-Gemini 3 Pro (`vendor-gemini-3-pro/gemini-3-pro-preview`)
 
### 🟢 轻量模型 (适合: researcher, assistant)
-GLM-4.7 (`lixiang-glm-4-7/Kivy-GLM-4.7`)

请选择配置方式：
 
**A. 自动分配** — 根据您现有的模型自动配置智能体团队
**B. 添加新模型** — 我会推荐主流模型供您选择
**C. 自定义配置** — 您手动指定每个智能体的模型
 
请回复 A/B/C

python3 scripts/swarm_entry.py --action init

✅ Agent Swarm 配置完成！现在可以开始使用智能体团队了。

# 使用 gateway 工具获取当前配置
gateway({ action: "config.get" })

## 📦 您的 OpenClaw 已配置以下模型
 
### 🔴 高性能模型 (适合: coder, writer, analyst, reviewer)
-Claude Opus 4.5 (claude-opus-4-5/claude-opus-4-5)
 
### 🟡 中等模型 (适合: pm, designer)
-Gemini 3 Pro (vendor-gemini-3-pro/gemini-3-pro-preview)
 
### 🟢 轻量模型 (适合: researcher, assistant)
-GLM-4.7 (glm-4-7/Kivy-GLM-4.7)
 
### 🖼️ 图像模型 (适合: designer)
-Gemini 3 Pro Image (gemini-3-pro-image/gemini-3-pro-image-preview)

请选择配置方式：
 
**A. 自动分配** — 根据您现有的模型自动配置智能体团队
   -高性能任务(编码/写作/分析) → 使用您最强的模型
   -中等任务(规划/设计) → 使用中等模型
   -轻量任务(搜索/问答) → 使用成本最低的模型
 
**B. 添加新模型** — 我会推荐主流模型供您选择
   -Claude (Anthropic)
   -GPT-4o (OpenAI)
   -Gemini (Google)
   -DeepSeek V3 (DeepSeek)
   -Qwen Max (阿里云)
   -GLM-4 (智谱)
 
**C. 自定义配置** — 您手动指定每个智能体的模型
 
请回复 A/B/C 或直接告诉我您的选择。

python3 scripts/setup_wizard.py

{
  "models": {
    "providers": {
      "my-deepseek": {
        "baseUrl": "https://api.deepseek.com/v1",
        "apiKey": "sk-xxx（用户提供）",
        "api": "openai-completions",
        "authHeader": "Authorization",
        "models": [{
          "id": "deepseek-chat",
          "name": "DeepSeek V3",
          "contextWindow": 64000,
          "maxTokens": 8192
        }]
      }
    }
  }
}

收到任务 → 判断复杂度
├── 简单任务 → 直接执行
└── 复杂任务 → 进入编排模式

// 在同一个回合内连续 spawn，这些任务会并行执行
// 子任务完成后各自回报，主 Agent 收集结果后汇总
// 方式 1: 直接连续 spawn
sessions_spawn({ task: "搜索 LangChain 资料...", agentId: "researcher", label: "research-langchain" })
sessions_spawn({ task: "搜索 AutoGPT 资料...", agentId: "researcher", label: "research-autogpt" })
sessions_spawn({ task: "搜索 CrewAI 资料...", agentId: "researcher", label: "research-crewai" })
// 三个任务并行执行，分别回报结果
// 方式 2: 循环派发（更清晰）
const frameworks = ["LangChain", "AutoGPT", "CrewAI"]
frameworks.forEach(name => {
  sessions_spawn({
    task: `搜索 ${name} 框架的特点、优缺点、适用场景，输出结构化总结到 /workspace/research/${name.toLowerCase()}.md`,
    agentId: "researcher",
    label: `research-${name.toLowerCase()}`
  })
})
// 子任务完成后自动回报，主 Agent 汇总所有结果

// 串行需要等待前序任务完成，收到回报后再 spawn 下一个
// 流程：调研 → (等待回报) → 写作 → (等待回报) → 配图 → (等待回报) → 审核
// Step 1: 先派发调研任务
sessions_spawn({ task: "调研 AI Agent 框架...", agentId: "researcher" })
// 等待 researcher 回报结果...
// Step 2: 收到调研结果后，派发写作任务
sessions_spawn({ 
  task: "基于 /workspace/research/ 的调研资料，撰写对比分析文章...", 
  agentId: "writer" 
})
// 等待 writer 回报...
// Step 3: 文章完成后，派发配图任务
sessions_spawn({ task: "为文章生成配图...", agentId: "designer" })

// Phase 1: 并行调研（同时派发）
sessions_spawn({ task: "搜索 LangChain...", agentId: "researcher", label: "r1" })
sessions_spawn({ task: "搜索 AutoGPT...", agentId: "researcher", label: "r2" })
sessions_spawn({ task: "搜索 CrewAI...", agentId: "researcher", label: "r3" })
// 等待 3 个调研任务都完成...
// Phase 2: 串行处理（基于汇总结果）
sessions_spawn({ task: "整合调研资料，撰写报告...", agentId: "writer" })
// 等待 writer 完成...
sessions_spawn({ task: "审核报告质量...", agentId: "reviewer" })

用户: "调研主流 AI Agent 框架，写一篇对比分析文章"
 
编排方案:
├── 🔍 researcher × 3 (并行)
│   ├── 搜索 LangChain - 整理功能、优缺点、案例
│   ├── 搜索 AutoGPT - 整理功能、优缺点、案例  
│   └── 搜索 CrewAI - 整理功能、优缺点、案例
├── ✍️ writer (串行，等调研完成)
│   └── 整合资料，撰写对比分析文章
├── 🎨 designer (串行)
│   └── 生成框架对比图/架构图
└── 🔎 reviewer (串行)
    └── 审核文章质量，提出改进建议

用户: "帮我重构这个项目的认证模块"
 
编排方案:
├── 📋 pm (可选)
│   └── 分析需求，拆解重构步骤
├── 👨‍💻 coder
│   └── 分析现有代码，实现重构
└── 🔎 reviewer (串行)
    └── 代码审查，确保质量

用户: "分析这份销售数据，生成月度报告"
 
编排方案:
├── 📊 analyst
│   └── 数据清洗、统计分析、发现洞察
├── ✍️ writer (串行)
│   └── 撰写分析报告
└── 🎨 designer (串行)
    └── 生成数据可视化图表

用户: "帮我设置每天早上自动检查 GitHub trending"
 
编排方案:
├── 🤖 automator
│   └── 编写脚本 + 设置 cron 定时任务

Validation failed for tool "write":
  - content: must have required property 'content'

// Phase 1: 并行撰写各章节
sessions_spawn({ task: "撰写第1章：摘要和背景...", agentId: "writer", label: "ch01" })
sessions_spawn({ task: "撰写第2章：核心内容...", agentId: "writer", label: "ch02" })
sessions_spawn({ task: "撰写第3章：结论...", agentId: "writer", label: "ch03" })
// Phase 2: 所有章节完成后，用 exec 拼接
exec(`
  cat sections/ch01.md > FINAL-REPORT.md
  cat sections/ch02.md >> FINAL-REPORT.md
  cat sections/ch03.md >> FINAL-REPORT.md
`)

# 先写入文件头部
cat > output.md << 'PART1'
# 标题
## 第一部分内容...
PART1
 
# 追加后续内容
cat >> output.md << 'PART2'
## 第二部分内容...
PART2
 
# 继续追加
cat >> output.md << 'PART3'
## 第三部分内容...
PART3

子智能体任务失败
    ↓
主智能体收到失败通知
    ↓
分析错误原因
    ├── 输出过长 → 拆分为多个子任务，增派 writer 并行
    ├── 工具不可用 → 换用 exec 或其他方案
    ├── 模型限制 → 调整 thinking/model 配置
    └── 超时 → 拆分任务或延长 timeout
    ↓
执行解决方案
    ↓
汇总结果

// 原始任务失败（输出太长被截断）
// 主智能体收到通知后，改用分段策略
// 解决方案：拆分为 3 个子任务
sessions_spawn({
  task: "撰写报告第1-2章（摘要、背景），限制 1500 字...",
  agentId: "writer",
  label: "report-part1"
})
sessions_spawn({
  task: "撰写报告第3-4章（核心内容），限制 1500 字...",
  agentId: "writer",
  label: "report-part2"
})
sessions_spawn({
  task: "撰写报告第5-6章（结论、参考文献），限制 1000 字...",
  agentId: "writer",
  label: "report-part3"
})
// 全部完成后用 exec 合并

## 遇到问题时
 
如果遇到以下情况，在输出中明确说明，以便主智能体处理：
 
1.**任务太大**：说明"任务内容过多，建议拆分为 X 个子任务"
2.**工具不可用**：说明"工具 X 调用失败，原因是 Y"
3.**信息不足**：说明"缺少 X 信息，无法完成任务"
4.**超出能力范围**：说明"此任务需要 X 能力，建议交给 Y 智能体"