ClawTeam-OpenClaw：多智能体蜂群协作框架

icon ClawTeam-OpenClaw 项目 Logo

一、背景与起源：当单个AI助手开始「分身乏术」

2024年以来，以 Claude Code、OpenClaw 为代表的 AI 编程智能体（AI Coding Agent）迅速崛起，它们能够独立完成代码编写、调试、测试等复杂任务。然而，在面对真正需要多学科协作的大规模工程时——比如让一个 AI 同时负责架构设计、后端实现、前端开发、测试验证——单个 AI 智能体很快就会「分身乏术」。

ClawTeam 正是为解决这一痛点而生。这是一个由香港大学数据科学实验室（HKUDS）发起的开源项目，其核心思想极为优雅：不是让人类去协调多个 AI，而是让一个「领导智能体」（Leader Agent）去协调多个「工作智能体」（Worker Agent），形成真正的 AI 协作蜂群。ClawTeam-OpenClaw 则是 ClawTeam 的一个社区分支，将默认智能体从 Claude Code 替换为 OpenClaw，使其成为完全开源的多智能体协调框架。

how-it-works 图1：ClawTeam 蜂群协作原理图

二、核心设计理念：三个关键词

2.1 隔离性：Git Worktree 作为 Agent 沙箱

传统多智能体框架通常使用 Docker 容器或虚拟环境来隔离不同 Agent 的工作空间，但这带来了额外的资源开销和配置复杂度。ClawTeam 另辟蹊径，利用 Git Worktree（Git 工作树）作为 Agent 隔离机制。每个 Worker Agent 拥有自己独立的 Git 分支和工作目录，既保证了隔离性，又无需引入容器化开销。这种设计使得 Agent 可以像真实的开发团队一样，在各自的分支上并行工作，最终由 Leader Agent 统一合并到主分支。

2.2 自组织：Leader Agent 自主编排任务

与预先定义工作流程的僵硬编排不同，ClawTeam 采用了自组织编排（Self-Organizing Orchestration）模式。Leader Agent 不仅执行任务，还会动态分析任务依赖关系，自动生成子任务并分配给 Worker Agent。当某个 Worker Agent 完成任务后，Leader 会自动接收其输出，触发下游依赖任务的启动。整个过程无需人工干预，真正实现了「你只需要下达目标，Agent 自己搞定一切」的愿景。

2.3 即插即用：Framework-Agnostic 的 Agent 适配层

ClawTeam 并不绑定任何特定的 AI Agent 实现。它通过适配器（Adapter）模式，支持 OpenClaw、Claude Code、Codex、Hermes Agent、nanobot、Cursor 等多种主流 AI 编程智能体。这种框架无关的设计意味着：无论团队使用什么技术栈，都可以将现有的 AI 工具无缝接入 ClawTeam 的协作网络。

scene-engineering 图2：软件工程场景下的多 Agent 并行协作示意

三、技术架构详解

3.1 模块化架构

ClawTeam 的代码组织极为清晰，采用高度模块化设计：

模块	核心文件	职责
harness/	`orchestrator.py`、`conductor.py`、`contracts.py`	任务编排、合同执行、阶段管理
team/	`manager.py`、`router.py`、`lifecycle.py`、`mailbox.py`	团队生命周期、消息路由、收件箱
spawn/	`adapters.py`、`subprocess_backend.py`、`tmux_backend.py`	Agent 启动、进程管理、会话持久化
transport/	`file.py`、`p2p.py`	Agent 间通信传输层
mcp/	`server.py`	MCP（Model Context Protocol）工具服务
board/	`renderer.py`、`server.py`	可视化仪表板

3.2 核心交互流程

Human → Leader Agent → 任务创建 → spawn() → Worker Agent × N
                                              ↓
                              git worktree + tmux session
                                              ↓
                              Worker 完成 → inbox 通知 → Leader 合并

每个 Worker Agent 在独立的 Git Worktree 和 tmux 会话中运行，通过 clawteam/team/mailbox.py 实现的收件箱机制与 Leader Agent 进行异步消息传递。这种设计既保证了通信的可靠性（消息持久化到文件系统），又避免了实时同步的开销。

3.3 Transport 层：灵活的消息传递

ClawTeam 支持两种传输层模式：

File-based（默认）：通过文件系统传递消息，适合单机开发和调试场景
P2P（Peer-to-Peer）：通过 pyzmq 实现点对点通信，支持分布式多机器集群部署

此外，项目还提供了可选的 Redis 传输模式，用于生产环境下的高可用部署。

scene-template 图3：团队模板一键启动界面

四、应用场景

4.1 自动机器学习研究（8 Agents × 8 GPUs）

基于 Andrej Karpathy 的 AutoResearch 理念，ClawTeam 可在单条命令内启动 8 个研究 Agent，分别探索不同的超参数空间（学习率、批量大小、网络深度等）。每个 Agent 独立运行实验，定期汇报结果，Leader Agent 跨 Agent 交叉授粉最优配置。在实际测试中，该模式在约 30 GPU 小时内完成了 2430 次实验，将验证集损失从 1.044 降至 0.977（提升 6.4%）。

图4：AutoResearch 场景下的 Agent 进度追踪面板

autoresearch-progress 图5：多 Agent 并行实验进度可视化

4.2 Agentic 软件工程

当面对「构建一个带认证、数据库和 React 前端的全栈应用」这样的复杂任务时，Leader Agent 会自动拆解为：架构师 Agent（设计 API 规范）→ 后端 Agent × 2（实现认证和数据库）→ 前端 Agent（React 实现）→ 测试 Agent（验证集成）。任务依赖链自动解析，后端 Agent 完成 → 前端 Agent 解除阻塞 → 测试 Agent 启动。这种工作流模拟了真实软件团队的开发模式，但速度是人类的数十倍。

4.3 AI 对冲基金团队

一个 TOML 配置文件即可一键启动完整的 7 Agent 投资研究团队：宏观分析师 Agent、量化研究员 Agent、风险评估 Agent 等各司其职，通过 inbox 共享研究结果，Leader Agent 整合各方输出生成最终投资建议。

五、部署与使用

5.1 安装方式

ClawTeam 仅需 Python 3.10+，通过 pip 或源码即可安装：

# pip 安装
pip install clawteam

# 验证安装
clawteam --version

对于 OpenClaw 用户，还需额外安装 OpenClaw Skill：

clawteam skill install openclaw

5.2 快速启动

# 方式一：Agent 自主驱动（推荐）
clawteam run "优化 train.py，使用 8 张 GPU"

# 方式二：手动编排
clawteam spawn --team my-team --agents 4
clawteam task create "实现用户认证 API"
clawteam inbox send worker-2 "API 规范已就绪，开始实现"

5.3 硬件需求

资源	需求
CPU	2 核以上
内存	512MB + 每 Agent 约 500MB
磁盘	200MB + 工作空间
GPU	非必需（取决于所运行 Agent 的需求）

由于 ClawTeam 本身是协调层，不运行 AI 模型，GPU 需求完全取决于所调度的具体 Agent（如 OpenClaw/Claude Code）。

六、技术栈分析

维度	详情
核心语言	Python 3.10+
CLI 框架	Typer（基于 Click）
数据验证	Pydantic v2
终端渲染	Rich（彩色输出、进度条）
交互提示	Questionary
协议支持	MCP（Model Context Protocol）v1
进程管理	tmux subprocess backend
传输可选件	pyzmq（p2p）、redis（分布式）
代码质量	Ruff（linting）+ pytest（测试）

七、局限与挑战

tmux 强依赖：目前 Worker Agent 的默认后端依赖 tmux，在纯 Windows 环境（无 WSL）下需要额外配置。在 Windows Native Setup 路径下社区贡献者提供了 start.bat 脚本，但仍存在兼容性问题。
MCP 服务可用性：MCP 工具服务器（clawteam-mcp）依赖 MCP 生态的成熟度，部分工具集成仍处于 Alpha 阶段。
调试复杂性：当 4-8 个 Agent 并行运行时，任何一个 Agent 的异常行为都可能波及其他 Agent。团队可视化面板（board 模块）虽有缓解，但整体调试体验仍有提升空间。

八、行业意义

ClawTeam 代表的不仅是又一个 AI Agent 工具，更代表了一种新兴的多智能体协作范式。随着 Claude、GPT-4o、Gemini 等顶级模型的能力持续增强，限制 AI 解决复杂问题的瓶颈已从「单个模型能力」转移到「多模型协调能力」。ClawTeam 以极低的接入门槛（pip install）和极高的灵活性（框架无关），为开发者提供了一条通往多 Agent 协作的捷径。

从 GitHub Star 增长曲线来看，ClawTeam 项目自 2024 年底开始进入快速增长期，其 fork 分支 ClawTeam-OpenClaw 也获得了 1400+ 的社区关注。这一趋势预示着：2025 年，多 Agent 协作框架将成为 AI 基础设施的重要组成部分，而 ClawTeam 正是这一浪潮中的先行者之一。

ClawTeam-OpenClaw：多智能体蜂群协作框架

icon ClawTeam-OpenClaw 项目 Logo

一、背景与起源：当单个AI助手开始「分身乏术」

how-it-works 图1：ClawTeam 蜂群协作原理图

二、核心设计理念：三个关键词

2.1 隔离性：Git Worktree 作为 Agent 沙箱

2.2 自组织：Leader Agent 自主编排任务

2.3 即插即用：Framework-Agnostic 的 Agent 适配层

scene-engineering 图2：软件工程场景下的多 Agent 并行协作示意

三、技术架构详解

3.1 模块化架构

ClawTeam 的代码组织极为清晰，采用高度模块化设计：

模块	核心文件	职责
harness/	`orchestrator.py`、`conductor.py`、`contracts.py`	任务编排、合同执行、阶段管理
team/	`manager.py`、`router.py`、`lifecycle.py`、`mailbox.py`	团队生命周期、消息路由、收件箱
spawn/	`adapters.py`、`subprocess_backend.py`、`tmux_backend.py`	Agent 启动、进程管理、会话持久化
transport/	`file.py`、`p2p.py`	Agent 间通信传输层
mcp/	`server.py`	MCP（Model Context Protocol）工具服务
board/	`renderer.py`、`server.py`	可视化仪表板

3.2 核心交互流程

Human → Leader Agent → 任务创建 → spawn() → Worker Agent × N
                                              ↓
                              git worktree + tmux session
                                              ↓
                              Worker 完成 → inbox 通知 → Leader 合并

3.3 Transport 层：灵活的消息传递

ClawTeam 支持两种传输层模式：

File-based（默认）：通过文件系统传递消息，适合单机开发和调试场景
P2P（Peer-to-Peer）：通过 pyzmq 实现点对点通信，支持分布式多机器集群部署

此外，项目还提供了可选的 Redis 传输模式，用于生产环境下的高可用部署。

scene-template 图3：团队模板一键启动界面

四、应用场景

4.1 自动机器学习研究（8 Agents × 8 GPUs）

图4：AutoResearch 场景下的 Agent 进度追踪面板

autoresearch-progress 图5：多 Agent 并行实验进度可视化

4.2 Agentic 软件工程

4.3 AI 对冲基金团队

五、部署与使用

5.1 安装方式

ClawTeam 仅需 Python 3.10+，通过 pip 或源码即可安装：

# pip 安装
pip install clawteam

# 验证安装
clawteam --version

对于 OpenClaw 用户，还需额外安装 OpenClaw Skill：

clawteam skill install openclaw

5.2 快速启动

# 方式一：Agent 自主驱动（推荐）
clawteam run "优化 train.py，使用 8 张 GPU"

# 方式二：手动编排
clawteam spawn --team my-team --agents 4
clawteam task create "实现用户认证 API"
clawteam inbox send worker-2 "API 规范已就绪，开始实现"

5.3 硬件需求

资源	需求
CPU	2 核以上
内存	512MB + 每 Agent 约 500MB
磁盘	200MB + 工作空间
GPU	非必需（取决于所运行 Agent 的需求）

由于 ClawTeam 本身是协调层，不运行 AI 模型，GPU 需求完全取决于所调度的具体 Agent（如 OpenClaw/Claude Code）。

六、技术栈分析

维度	详情
核心语言	Python 3.10+
CLI 框架	Typer（基于 Click）
数据验证	Pydantic v2
终端渲染	Rich（彩色输出、进度条）
交互提示	Questionary
协议支持	MCP（Model Context Protocol）v1
进程管理	tmux subprocess backend
传输可选件	pyzmq（p2p）、redis（分布式）
代码质量	Ruff（linting）+ pytest（测试）

七、局限与挑战

tmux 强依赖：目前 Worker Agent 的默认后端依赖 tmux，在纯 Windows 环境（无 WSL）下需要额外配置。在 Windows Native Setup 路径下社区贡献者提供了 start.bat 脚本，但仍存在兼容性问题。
MCP 服务可用性：MCP 工具服务器（clawteam-mcp）依赖 MCP 生态的成熟度，部分工具集成仍处于 Alpha 阶段。
调试复杂性：当 4-8 个 Agent 并行运行时，任何一个 Agent 的异常行为都可能波及其他 Agent。团队可视化面板（board 模块）虽有缓解，但整体调试体验仍有提升空间。

社区活跃度

ClawTeam-OpenClaw：多智能体蜂群协作框架

一、背景与起源：当单个AI助手开始「分身乏术」

二、核心设计理念：三个关键词

2.1 隔离性：Git Worktree 作为 Agent 沙箱

2.2 自组织：Leader Agent 自主编排任务

2.3 即插即用：Framework-Agnostic 的 Agent 适配层

三、技术架构详解

3.1 模块化架构

3.2 核心交互流程

3.3 Transport 层：灵活的消息传递

四、应用场景

4.1 自动机器学习研究（8 Agents × 8 GPUs）

4.2 Agentic 软件工程

4.3 AI 对冲基金团队

五、部署与使用

5.1 安装方式

5.2 快速启动

5.3 硬件需求

六、技术栈分析

七、局限与挑战

八、行业意义

社区活跃度

ClawTeam-OpenClaw：多智能体蜂群协作框架

一、背景与起源：当单个AI助手开始「分身乏术」

二、核心设计理念：三个关键词

2.1 隔离性：Git Worktree 作为 Agent 沙箱

2.2 自组织：Leader Agent 自主编排任务

2.3 即插即用：Framework-Agnostic 的 Agent 适配层

三、技术架构详解

3.1 模块化架构

3.2 核心交互流程

3.3 Transport 层：灵活的消息传递

四、应用场景

4.1 自动机器学习研究（8 Agents × 8 GPUs）

4.2 Agentic 软件工程

4.3 AI 对冲基金团队

五、部署与使用

5.1 安装方式

5.2 快速启动

5.3 硬件需求

六、技术栈分析

七、局限与挑战

八、行业意义