OpenClaw Subagent – Vollständiger Leitfaden: Aufgabendelegation, Konfiguration und Praxisbeispiele

Seit OpenClaw Anfang 2026 zum am schnellsten wachsenden Open-Source-KI-Agenten-Projekt auf GitHub wurde^[5], versuchen immer mehr Entwickler, KI-Agenten für komplexere Aufgaben einzusetzen. Wenn eine Aufgabe jedoch Fachwissen aus mehreren Bereichen erfordert – beispielsweise gleichzeitig Webrecherche, Datenanalyse und Codeerstellung – stößt ein einzelner Agent schnell an seine Grenzen. Genau dafür wurde der Subagent-Mechanismus entwickelt.^[4]

Dieser Artikel ist ein Schwerpunktbeitrag der OpenClaw-Serie zum Thema Subagenten. Ausgehend von den Grundkonzepten werden schrittweise die Konfigurationsmethoden, Kommunikationsprotokolle und Performance-Optimierungsstrategien erläutert, ergänzt durch drei sofort einsetzbare Praxisbeispiele. Ob Sie gerade erst mit OpenClaw anfangen oder Agent Teams bereits in Produktionsumgebungen nutzen – dieser Artikel hilft Ihnen, den Subagent-Mechanismus effektiver einzusetzen.

1. Was ist ein Subagent: Arbeitsteilungslogik zwischen Hauptagent und Subagent

1.1 Die Rolle des Hauptagenten (Primary Agent)

In der Multi-Agent-Architektur von OpenClaw übernimmt der Hauptagent die Rolle eines „Projektmanagers". Er ist für drei Aufgaben zuständig: die Anweisungen des Benutzers entgegennehmen, komplexe Aufgaben in handhabbare Teilaufgaben zerlegen und diese an geeignete Subagenten zur Ausführung delegieren. Der Hauptagent führt selbst keine konkreten technischen Arbeiten durch, sondern konzentriert sich auf das Verständnis der übergeordneten Intention und die Aufgabenorchestrierung.^[1]

Diese Designphilosophie stimmt mit dem von Gartner identifizierten Trend zu KI-Agenten-Ökosystemen überein – die Bewältigung komplexer Aufgaben beruht nicht auf einem einzelnen Superagenten, sondern auf der effektiven Zusammenarbeit mehrerer spezialisierter Agenten.^[6]

1.2 Das Wesen des Subagenten

Subagenten sind spezialisierte Agenteninstanzen, die vom Hauptagenten dynamisch erzeugt oder vorkonfiguriert werden. Jeder Subagent besitzt folgende eigenständige Eigenschaften:

• Eigener System Prompt: Definiert die Rolle, Verhaltensgrenzen und das Ausgabeformat des Subagenten
• Eigenes Context Window: Der Dialogverlauf des Subagenten ist vom Hauptagenten isoliert, um Kontextverschmutzung zu vermeiden
• Eigene Modellauswahl: Je nach Aufgabenkomplexität können unterschiedliche Modelle gewählt werden (z. B. ein leichtes Modell für Routing-Aufgaben, ein leistungsstarkes Modell für Reasoning-Aufgaben)
• Dediziertes Skill-Set: Jeder Subagent erhält nur die benötigten Skills – gemäß dem Prinzip der minimalen Berechtigung

Dieses Design macht Subagenten zu echten „Experten" – ein Recherche-Subagent beherrscht nur Suche und Zusammenfassung, ein Entwicklungs-Subagent nur das Lesen und Schreiben von Code. Die kognitiven Bereiche sind strikt voneinander isoliert. Auch die akademische Forschung bestätigt, dass klar definierte Rollengrenzen in Multi-Agent-Systemen die Aufgabenqualität signifikant verbessern.^[7]

2. Aufgabendelegationsmechanismus: Wie Subagenten aufgerufen werden

2.1 Der dreistufige Prozess der Aufgabenzerlegung

Wenn der Benutzer dem Hauptagenten eine komplexe Anweisung erteilt, folgt die Aufgabendelegation diesem Ablauf:

Phase 1: Intentionsanalyse. Der Hauptagent analysiert die Benutzeranweisung und identifiziert die darin enthaltenen Teilaufgaben. Beispielsweise wird „Recherchiere drei Wettbewerber und erstelle einen Analysebericht" in die Teilaufgaben „Datensammlung" und „Berichterstellung" zerlegt.

Phase 2: Agenten-Routing. Der Hauptagent ordnet anhand der in agents.md definierten Rollenbeschreibungen jede Teilaufgabe dem am besten geeigneten Subagenten zu. Falls kein passender Subagent vorhanden ist, bearbeitet der Hauptagent die Aufgabe selbst oder meldet, dass sie nicht ausgeführt werden kann.

Phase 3: Ergebniskonsolidierung. Nachdem alle Subagenten ihre Aufgaben abgeschlossen haben, werden die Ergebnisse an den Hauptagenten zurückgemeldet. Der Hauptagent ist für die Integration, Validierung und Präsentation der finalen Ausgabe an den Benutzer verantwortlich.

2.2 Struktur der Delegationsanweisung

In der internen Kommunikation von OpenClaw folgt die Delegationsnachricht des Hauptagenten an einen Subagenten einem strukturierten Format:

{
"task": "Suche und fasse die Finanzierungsnachrichten von Company X der letzten 12 Monate zusammen",
"context": "Der Benutzer erstellt einen Wettbewerbsanalysebericht",
"constraints": {
  "max_tokens": 4000,
  "timeout_seconds": 120,
  "output_format": "structured_summary"
},
"return_to": "primary_agent"
}

Dieses strukturierte Delegationsformat stellt sicher, dass der Subagent die Aufgabengrenzen präzise versteht und Scope Creep vermieden wird.^[3]

3. Subagenten konfigurieren: agents add und agents.md

3.1 Schnelles Hinzufügen von Subagenten mit agents add

OpenClaw bietet den CLI-Befehl openclaw agents add zur schnellen Erstellung von Subagenten. Das folgende Beispiel zeigt das Hinzufügen eines Recherche-Subagenten:^[2]

# Einen Subagenten namens researcher hinzufügen
openclaw agents add researcher \
--model claude-sonnet-4 \
--description "Zuständig für Webrecherche, Datenzusammenfassung und Faktenprüfung" \
--skills web-search,summarize,fact-check

# Einen Entwicklungs-Subagenten hinzufügen
openclaw agents add coder \
--model claude-sonnet-4 \
--description "Zuständig für Codeentwicklung, Debugging und Refactoring" \
--skills code-write,code-review,terminal

# Einen Browserautomatisierungs-Subagenten hinzufügen
openclaw agents add browser \
--model claude-sonnet-4 \
--description "Zuständig für Browseroperationen, Screenshots und Formularausfüllung" \
--skills browser-navigate,browser-screenshot,browser-form

Nach Ausführung der obigen Befehle generiert OpenClaw automatisch die entsprechenden Konfigurationsdateien im Verzeichnis .openclaw/ des Projekts.

3.2 Die Rollendefinitionsdatei agents.md

agents.md ist die zentrale Konfigurationsdatei des Subagent-Systems. Sie definiert deklarativ die Rolle, Verhaltensregeln und Interaktionsmuster jedes Subagenten. Hier ein vollständiges Beispiel einer agents.md:

# Agent Teams Configuration

## researcher
- role: "Senior Research Analyst"
- model: claude-sonnet-4
- system_prompt: |
  Sie sind ein professioneller Research-Analyst. Ihre Aufgaben sind:
  1. Relevante Informationen mit dem web-search-Skill recherchieren
  2. Mehrere Quellen gegenprüfen, um die Faktengenauigkeit sicherzustellen
  3. Rechercheergebnisse in strukturiertem Format ausgeben
  Sie sind ausschließlich für Datensammlung und Analyse zuständig, nicht für die Erstellung des Abschlussberichts.
- skills:
  - web-search
  - summarize
  - fact-check
- max_tokens: 8000
- timeout: 180s

## coder
- role: "Full-Stack-Entwickler"
- model: claude-sonnet-4
- system_prompt: |
  Sie sind ein erfahrener Full-Stack-Entwickler. Ihre Aufgaben sind:
  1. Qualitativ hochwertigen Code gemäß den Anforderungen schreiben
  2. Den bestehenden Codestyle des Projekts einhalten
  3. Unit-Tests für kritische Logik schreiben
  Sie sind nicht für Deployment oder Infrastrukturkonfiguration zuständig.
- skills:
  - code-write
  - code-review
  - terminal
- max_tokens: 16000
- timeout: 300s

## browser
- role: "Browserautomatisierungsspezialist"
- model: claude-sonnet-4
- system_prompt: |
  Sie sind ein Browserautomatisierungsspezialist. Ihre Aufgaben sind:
  1. Zu angegebenen Webseiten navigieren und Inhalte extrahieren
  2. Formulare ausfüllen und Klickaktionen ausführen
  3. Screenshots von Webseiten als Ausführungsnachweis erstellen
  Vor jeder Aktion einen Screenshot zur Bestätigung des Seitenstatus erstellen.
- skills:
  - browser-navigate
  - browser-screenshot
  - browser-form
- max_tokens: 4000
- timeout: 120s

Diese Konfigurationsdatei definiert klar die Zuständigkeitsgrenzen der drei Subagenten. Beachtenswert ist, dass im system_prompt jedes Subagenten explizit angegeben wird, wofür er „nicht zuständig" ist – dies ist ein entscheidendes Designmuster, um unbefugtes Handeln der Subagenten zu verhindern.^[1]

3.3 Vorhandene Subagenten überprüfen und auflisten

# Alle konfigurierten Subagenten auflisten
openclaw agents list

# Beispielausgabe:
# NAME        MODEL              SKILLS                          STATUS
# researcher  claude-sonnet-4    web-search, summarize, fact...  active
# coder       claude-sonnet-4    code-write, code-review, te...  active
# browser     claude-sonnet-4    browser-navigate, browser-s...  active

# Verbindungsstatus eines bestimmten Subagenten testen
openclaw agents ping researcher

# Subagenten entfernen
openclaw agents remove browser

4. Subagent-Kommunikationsprotokoll

4.1 Architektur der Nachrichtenübermittlung

Die Kommunikation zwischen OpenClaw-Subagenten basiert auf drei Mechanismen. Entwickler können je nach Aufgabencharakteristik die geeignetste Methode wählen:

Strukturierte Nachrichtenübermittlung (Structured Message Passing): Die Standardkommunikationsmethode zwischen Hauptagent und Subagenten. Jede Nachricht enthält die drei Felder task, context und constraints, um sicherzustellen, dass der Subagent die Aufgabenanforderungen präzise versteht. Geeignet für die meisten Delegationsszenarien.

Gemeinsamer Speicher (Shared Memory): Mehrere Subagenten können denselben Speicherbereich lesen und beschreiben. Geeignet für Szenarien, die Echtzeit-Datenaustausch erfordern. Beispielsweise schreibt der Recherche-Subagent Suchergebnisse in den gemeinsamen Speicher, und der Redaktions-Subagent liest sie in Echtzeit und integriert sie in einen Bericht.

Ereigniswarteschlange (Event Queue): Subagenten können über das Hooks-Ereignissystem Ereignisse senden und empfangen. Geeignet für asynchrone Workflows. Wenn beispielsweise der Entwicklungs-Subagent den Code fertigstellt, löst er ein code.complete-Ereignis aus, und der Test-Subagent übernimmt automatisch die Testausführung.

4.2 Beispiel einer Kommunikationskonfiguration

# Kommunikationsmodus in agents.md konfigurieren
## communication
- mode: structured_message  # Standardmodus
- shared_memory:
  enabled: true
  namespace: "project_research"
  max_size: 50MB
- event_queue:
  enabled: true
  topics:
    - "task.complete"
    - "task.error"
    - "data.ready"

5. Praxisbeispiele: Drei Anwendungsszenarien für Subagenten

5.1 Recherche-Subagent: Automatisierte Wettbewerbsanalyse

Das folgende Beispiel zeigt, wie ein Recherche-Subagent automatisch Wettbewerbsinformationen sammelt:

# Dem Hauptagenten eine Anweisung erteilen
openclaw run "Analysiere die Produktpreisstrategien der drei Wettbewerber
Acme Corp, Beta Inc und Gamma Ltd. Recherchiere jeweils die aktuellsten
öffentlichen Informationen und fasse sie in einer Vergleichstabelle zusammen"

# Der Hauptagent zerlegt die Aufgabe automatisch und delegiert an den researcher-Subagenten
# Drei researcher-Instanzen starten gleichzeitig, jede bearbeitet ein Unternehmen
# Abschließend integriert der Hauptagent die drei Rechercheergebnisse zu einem einheitlichen Vergleichsbericht

In diesem Szenario erzeugt der Hauptagent drei researcher-Subagent-Instanzen, die jeweils für die Datensammlung eines Unternehmens zuständig sind. Da die drei Aufgaben voneinander unabhängig sind, führt OpenClaw sie im Parallelmodus synchron aus, was die Gesamtbearbeitungszeit erheblich verkürzt.

5.2 Entwicklungs-Subagent: Automatisierter Pull-Request-Workflow

# PR-Automatisierungsteam-Konfiguration in agents.md
## pr_coder
- role: "Feature-Entwickler"
- model: claude-sonnet-4
- system_prompt: "Schreibt Funktionscode basierend auf der Issue-Beschreibung und hält sich an den bestehenden Codestyle."
- skills: [code-write, terminal, git]

## pr_reviewer
- role: "Code-Reviewer"
- model: claude-opus-4
- system_prompt: "Überprüft den von pr_coder eingereichten Code auf Logikfehler, Sicherheitslücken und Performance-Probleme."
- skills: [code-review, terminal]

## pr_tester
- role: "Testingenieur"
- model: claude-sonnet-4
- system_prompt: "Schreibt Unit-Tests und Integrationstests für neue Funktionen und stellt eine Testabdeckung von mindestens 80 % sicher."
- skills: [code-write, terminal, test-runner]

Bei der Ausführung startet der Hauptagent nacheinander drei Subagenten: pr_coder schreibt zunächst den Code, anschließend führt pr_reviewer das Review durch, und nach Freigabe schreibt pr_tester die Tests. Falls das Review nicht bestanden wird, leitet der Hauptagent die Änderungsvorschläge an pr_coder zurück und erzeugt so einen geschlossenen Iterationszyklus.

5.3 Browser-Subagent: Automatisierte Datenextraktion

# Dem Hauptagenten eine Browserautomatisierungsaufgabe erteilen
openclaw run "Erstelle Screenshots der Preisseiten von drei Wettbewerber-Websites
und fasse die Preisinformationen in einer CSV-Datei zusammen"

# Der Hauptagent delegiert an den browser-Subagenten:
# 1. Zu den Preisseiten der jeweiligen Wettbewerber navigieren
# 2. Vollständige Seiten-Screenshots erstellen
# 3. Preisdaten extrahieren
# Der Hauptagent integriert abschließend die Daten und gibt eine CSV-Datei aus

6. Performance-Optimierung: Parallelausführung und Ressourcenkontrolle

6.1 Konfiguration paralleler Subagenten

Wenn mehrere Teilaufgaben voneinander unabhängig sind, kann die Aktivierung der Parallelausführung die Effizienz erheblich steigern:

# Parallelausführungskonfiguration in agents.md
## execution
- parallel:
  enabled: true
  max_concurrent: 5        # Maximal 5 gleichzeitig laufende Subagenten
  queue_overflow: wait      # Bei Überschreitung des Limits in Warteschlange einreihen

## resource_limits
- per_agent:
  max_tokens: 8000          # Token-Limit pro Aufruf
  max_cost_usd: 0.50        # Kostenlimit pro Subagent
  timeout: 180s             # Timeout mit erzwungener Beendigung
- total:
  max_tokens: 50000         # Gesamt-Token-Limit aller Subagenten
  max_cost_usd: 5.00        # Gesamtkostenlimit der Aufgabe
  max_duration: 600s        # Gesamtzeitlimit der Aufgabe

6.2 Strategie zur Modellauswahl

Der Schlüssel zur Senkung der Gesamt-Token-Kosten liegt in der Auswahl des richtigen Modells für verschiedene Aufgaben:

• Routing- und Klassifizierungsaufgaben: Verwenden Sie ein leichtes Modell (z. B. claude-haiku) – die Kosten betragen nur 1/10 eines High-End-Modells
• Such- und Datenverarbeitungsaufgaben: Verwenden Sie ein mittleres Modell (z. B. claude-sonnet-4) – ausgewogenes Verhältnis von Qualität und Kosten
• Reasoning- und Redaktionsaufgaben: Verwenden Sie ein High-End-Modell (z. B. claude-opus-4) – zur Sicherstellung der Ausgabequalität

Praxistests zeigen, dass diese geschichtete Auswahlstrategie die Token-Kosten vergleichbarer Aufgaben um etwa 35 % senken kann, bei gleichbleibender Ausgabequalität.^[1]

7. Häufig gestellte Fragen und Fehlerbehebung

F1: Der Subagent wird nicht aufgerufen – der Hauptagent bearbeitet alle Aufgaben selbst?

Die häufigste Ursache ist eine nicht ausreichend präzise Rollenbeschreibung in der agents.md. Der Hauptagent muss anhand der Rollenbeschreibung beurteilen, welcher Subagent für welche Teilaufgabe geeignet ist. Stellen Sie sicher, dass das Feld description die Spezialisierung des Subagenten klar beschreibt, und überprüfen Sie mit openclaw agents list, dass der Subagent-Status active ist.^[3]

F2: Subagenten erledigen doppelte Arbeit?

Dies liegt meist an unklaren Rollengrenzen. Wenn Sie im system_prompt jedes Subagenten explizit festlegen, „wofür er zuständig ist" und „wofür er nicht zuständig ist", lassen sich Zuständigkeitsüberschneidungen effektiv vermeiden. Orientieren Sie sich am oben gezeigten agents.md-Beispiel.

F3: Bei paralleler Ausführung verursacht ein Subagent-Timeout einen Gesamtausfall?

Fügen Sie im execution-Abschnitt der agents.md eine Fehlertoleranz-Konfiguration hinzu:

## execution
- parallel:
  enabled: true
  failure_mode: partial     # Ausfall eines einzelnen Subagenten beeinflusst die anderen nicht
  retry:
    max_attempts: 2         # Bei Fehler maximal 2 Wiederholungsversuche
    backoff: exponential    # Exponentielles Backoff

F4: Wie überwacht man den Token-Verbrauch und die Kosten der Subagenten?

# Echtzeitverbrauch der einzelnen Subagenten anzeigen
openclaw agents stats

# Beispielausgabe:
# AGENT       CALLS  TOKENS_IN  TOKENS_OUT  COST_USD  AVG_LATENCY
# researcher  12     45,200     18,300      $0.42     3.2s
# coder       5      32,100     28,700      $0.89     8.7s
# browser     8      12,400     6,200       $0.15     5.1s

F5: Können Subagenten andere Subagenten aufrufen?

OpenClaw unterstützt derzeit eine zweistufige Delegationsarchitektur: Der Hauptagent kann Subagenten aufrufen, aber Subagenten können standardmäßig keine weiteren Subagenten aufrufen. Falls eine tiefere Delegation erforderlich ist, kann in der agents.md die Option allow_delegation: true gesetzt werden. Es wird jedoch empfohlen, die maximale Delegationstiefe auf 2–3 Stufen zu begrenzen, um unkontrollierte rekursive Aufrufe zu vermeiden.^[1]

Fazit: Subagenten als Grundbaustein von Multi-Agent-Systemen

Der Subagent-Mechanismus ist das Fundament des OpenClaw-Multi-Agent-Systems. Durch sinnvolle Rollendefinitionen, klare Zuständigkeitsgrenzen und eine geeignete Modellauswahl können Entwickler leistungsfähige KI-Agententeams zusammenstellen, die Aufgaben bewältigen, die weit über die Fähigkeiten eines einzelnen Agenten hinausgehen.

Zusammenfassung der wichtigsten Punkte: Verwenden Sie openclaw agents add zum schnellen Hinzufügen von Subagenten; definieren Sie präzise Rollengrenzen in der agents.md; nutzen Sie Parallelausführung zur Verkürzung der Bearbeitungszeit; konfigurieren Sie Ressourcenlimits zur Kostenkontrolle.

Wenn Sie gerade erst mit den Multi-Agent-Funktionen von OpenClaw beginnen, empfehlen wir, zunächst mit einem einzelnen Subagenten zu experimentieren (z. B. dem Recherche-Subagenten) und nach Stabilisierung des Workflows schrittweise weitere Subagenten hinzuzufügen. Für die grundlegende Installation und Konfiguration von OpenClaw lesen Sie unseren vollständigen Tutorial-Leitfaden; für fortgeschrittenere Multi-Agent-Architekturdesigns konsultieren Sie den Artikel Multi-Agent-Systemarchitektur.^[2]