尚未安裝 OpenClaw？點此查看一鍵安裝指令
curl -fsSL https://openclaw.ai/install.sh | bash
iwr -useb https://openclaw.ai/install.ps1 | iex
curl -fsSL https://openclaw.ai/install.cmd -o install.cmd && install.cmd && del install.cmd
擔心影響電腦？ClawTank 免安裝雲端運行，免除誤刪風險
Key Findings
  • 子代理（Subagent）是 OpenClaw 多代理系統的核心單元——主代理負責理解意圖與任務分解，子代理負責專業化執行，兩者透過結構化訊息協定通訊
  • 透過 openclaw agents add 指令與 agents.md 設定檔，開發者可在五分鐘內完成子代理的新增、角色定義與技能綁定
  • 平行子代理執行模式（Parallel Subagents）可將多步驟任務的總延遲壓低 40–60%，同時透過資源限制避免 Token 超支[1]
  • 每個子代理擁有獨立的 context window、系統提示與模型選擇，實現真正的認知隔離與專業化分工
  • 本文以研究子代理、程式開發子代理、瀏覽器子代理三個實戰案例，示範從設定到部署的完整流程

隨著 OpenClaw 在 2026 年初成為 GitHub 上增長最快的開源 AI 代理專案[5]，越來越多開發者開始嘗試讓 AI 代理處理更複雜的任務。然而，當任務涉及多個領域的專業知識——例如同時需要網路搜尋、資料分析與程式碼撰寫——單一代理往往力不從心。這正是 子代理（Subagent） 機制的設計初衷。[4]

本文是 OpenClaw 系列的子代理專題，將從基本概念出發，逐步拆解子代理的設定方法、通訊協定與效能優化策略，並提供三個可直接上手的實戰範例。無論你是剛接觸 OpenClaw 的新手，還是已經在生產環境中使用 Agent Teams 的進階用戶，本文都能幫助你更有效地運用子代理機制。

一、什麼是子代理：主代理與子代理的分工邏輯

1.1 主代理（Primary Agent）的角色

在 OpenClaw 的多代理架構中，主代理扮演的是「專案經理」的角色。它負責三件事：接收使用者的指令、將複雜任務分解為可管理的子任務，以及將這些子任務委派給適合的子代理執行。主代理本身不直接執行具體的技術性工作，而是專注於高層次的意圖理解與任務編排。[1]

這種設計的核心哲學與 Gartner 所提出的 AI 代理生態系統趨勢一致——複雜任務的完成不依賴單一超級代理，而是依賴多個專業化代理的有效協作。[6]

1.2 子代理（Subagent）的本質

子代理是由主代理動態生成或預先設定的專業化代理實例。每個子代理具備以下獨立屬性：

這種設計讓子代理成為真正意義上的「專家」——研究子代理只懂搜尋與彙整，程式開發子代理只懂讀寫程式碼，彼此的認知範圍嚴格隔離。學術研究也證實，在多代理系統中為代理設定明確的角色邊界，能顯著提升任務完成品質。[7]

二、任務委派機制：子代理如何被呼叫

2.1 任務分解的三階段流程

當使用者向主代理下達一個複雜指令時，任務委派依循以下流程：

階段一：意圖解析。主代理分析使用者的指令，識別出其中包含的不同子任務。例如「幫我研究三家競爭對手，然後寫一份分析報告」會被拆解為「資料搜集」與「報告撰寫」兩個子任務。

階段二：代理路由。主代理根據 agents.md 中定義的子代理角色描述，將每個子任務分配給最適合的子代理。如果沒有匹配的子代理，主代理會自行處理或回報無法完成。

階段三：結果彙整。所有子代理完成任務後，將結果回傳給主代理。主代理負責整合、校驗並向使用者呈現最終輸出。

2.2 委派指令的結構

在 OpenClaw 的內部通訊中，主代理向子代理發送的委派訊息遵循結構化格式：

{
"task": "搜尋並彙整 Company X 過去 12 個月的融資新聞",
"context": "用戶正在準備競爭對手分析報告",
"constraints": {
  "max_tokens": 4000,
  "timeout_seconds": 120,
  "output_format": "structured_summary"
},
"return_to": "primary_agent"
}

這種結構化的委派格式確保子代理能精確理解任務邊界，避免範圍蔓延（scope creep）。[3]

三、設定子代理：agents add 與 agents.md

3.1 使用 agents add 快速新增子代理

OpenClaw 提供了 CLI 指令 openclaw agents add 來快速建立子代理。以下是新增一個研究子代理的範例：[2]

# 新增一個名為 researcher 的子代理
openclaw agents add researcher \
--model claude-sonnet-4 \
--description "負責網路搜尋、資料彙整與事實查核" \
--skills web-search,summarize,fact-check

# 新增一個程式開發子代理
openclaw agents add coder \
--model claude-sonnet-4 \
--description "負責程式碼撰寫、除錯與重構" \
--skills code-write,code-review,terminal

# 新增一個瀏覽器自動化子代理
openclaw agents add browser \
--model claude-sonnet-4 \
--description "負責瀏覽器操作、截圖與表單填寫" \
--skills browser-navigate,browser-screenshot,browser-form

執行上述指令後，OpenClaw 會自動在專案目錄下的 .openclaw/ 資料夾中生成對應的設定檔。

3.2 agents.md 角色定義檔

agents.md 是子代理系統的核心設定檔，它以宣告式的方式定義每個子代理的角色、行為規範與互動方式。以下是一個完整的 agents.md 範例：

# Agent Teams Configuration

## researcher
- role: "資深研究分析師"
- model: claude-sonnet-4
- system_prompt: |
  你是一位專業的研究分析師。你的職責是：
  1. 使用 web-search 技能搜尋相關資訊
  2. 交叉比對多個來源以確保事實準確性
  3. 以結構化格式輸出研究結果
  你只負責資料搜集與分析，不撰寫最終報告。
- skills:
  - web-search
  - summarize
  - fact-check
- max_tokens: 8000
- timeout: 180s

## coder
- role: "全端工程師"
- model: claude-sonnet-4
- system_prompt: |
  你是一位經驗豐富的全端工程師。你的職責是：
  1. 根據需求撰寫高品質的程式碼
  2. 遵循專案既有的程式碼風格
  3. 為關鍵邏輯撰寫單元測試
  你不負責部署或基礎設施設定。
- skills:
  - code-write
  - code-review
  - terminal
- max_tokens: 16000
- timeout: 300s

## browser
- role: "瀏覽器自動化專員"
- model: claude-sonnet-4
- system_prompt: |
  你是一位瀏覽器自動化專員。你的職責是：
  1. 導航至指定網頁並擷取內容
  2. 填寫表單與執行點擊操作
  3. 截取網頁截圖作為執行證據
  每次操作前先截圖確認頁面狀態。
- skills:
  - browser-navigate
  - browser-screenshot
  - browser-form
- max_tokens: 4000
- timeout: 120s

這份設定檔清晰定義了三個子代理的職責邊界。值得注意的是，每個子代理的 system_prompt 中都明確標註了「不負責什麼」——這是避免子代理越權行動的關鍵設計模式。[1]

3.3 驗證與列出現有子代理

# 列出所有已設定的子代理
openclaw agents list

# 輸出範例：
# 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

# 測試特定子代理的連線狀態
openclaw agents ping researcher

# 移除子代理
openclaw agents remove browser

四、子代理通訊協定

4.1 訊息傳遞架構

OpenClaw 子代理之間的通訊依賴三種機制，開發者可依任務特性選擇最適合的方式：

結構化訊息傳遞（Structured Message Passing）：主代理與子代理之間的預設通訊方式。每條訊息包含 task、context、constraints 三個欄位，確保子代理精確理解任務需求。適用於大多數委派場景。

共享記憶體（Shared Memory）：多個子代理可讀寫同一塊記憶體空間，適用於需要即時資料共享的場景。例如，研究子代理將搜尋結果寫入共享記憶體，撰寫子代理即時讀取並整合為報告。

事件佇列（Event Queue）：子代理可透過 Hooks 事件系統 發送與監聽事件，適用於非同步工作流程。例如，當程式開發子代理完成程式碼後觸發 code.complete 事件，測試子代理自動接手執行測試。

4.2 通訊設定範例

# 在 agents.md 中設定通訊模式
## communication
- mode: structured_message  # 預設模式
- shared_memory:
  enabled: true
  namespace: "project_research"
  max_size: 50MB
- event_queue:
  enabled: true
  topics:
    - "task.complete"
    - "task.error"
    - "data.ready"

五、實戰範例：三種子代理的應用場景

5.1 研究子代理：自動化競爭對手分析

以下範例展示如何使用研究子代理自動搜集競爭對手資訊：

# 向主代理下達指令
openclaw run "分析 Acme Corp、Beta Inc、Gamma Ltd 三家競爭對手的
產品定價策略，各自搜尋最新的公開資訊並彙整為比較表格"

# 主代理自動將任務拆解並委派給 researcher 子代理
# 三個 researcher 實例同時啟動，分別處理一家公司
# 最終主代理整合三份研究結果為統一的比較報告

在此場景中，主代理會生成三個 researcher 子代理實例，各自負責一家公司的資料搜集。由於三個任務彼此獨立，OpenClaw 會以平行模式同步執行，大幅縮短整體處理時間。

5.2 程式開發子代理：自動化 Pull Request 流程

# agents.md 中的 PR 自動化團隊設定
## pr_coder
- role: "功能開發工程師"
- model: claude-sonnet-4
- system_prompt: "根據 Issue 描述撰寫功能程式碼，遵循既有程式碼風格。"
- skills: [code-write, terminal, git]

## pr_reviewer
- role: "程式碼審查員"
- model: claude-opus-4
- system_prompt: "審查 pr_coder 提交的程式碼，檢查邏輯錯誤、安全漏洞與效能問題。"
- skills: [code-review, terminal]

## pr_tester
- role: "測試工程師"
- model: claude-sonnet-4
- system_prompt: "為新增功能撰寫單元測試與整合測試，確保測試覆蓋率達 80% 以上。"
- skills: [code-write, terminal, test-runner]

執行時，主代理會依序啟動三個子代理：pr_coder 先撰寫程式碼，完成後 pr_reviewer 進行審查，通過後 pr_tester 撰寫測試。若審查未通過，主代理會將修改意見回傳給 pr_coder，形成閉環迭代。

5.3 瀏覽器子代理：自動化資料擷取

# 向主代理下達瀏覽器自動化任務
openclaw run "到三個競爭對手的官網截取定價頁面截圖，
並將價格資訊整理為 CSV 檔案"

# 主代理委派 browser 子代理：
# 1. 導航至各競爭對手的定價頁面
# 2. 截取完整頁面截圖
# 3. 擷取價格數據
# 主代理最終整合數據並輸出 CSV

六、效能優化：平行執行與資源控制

6.1 平行子代理設定

當多個子任務彼此獨立時，開啟平行執行可大幅提升效率：

# agents.md 中的平行執行設定
## execution
- parallel:
  enabled: true
  max_concurrent: 5        # 最多同時運行 5 個子代理
  queue_overflow: wait      # 超過上限時排隊等待

## resource_limits
- per_agent:
  max_tokens: 8000          # 單次呼叫的 Token 上限
  max_cost_usd: 0.50        # 單個子代理的成本上限
  timeout: 180s             # 超時強制終止
- total:
  max_tokens: 50000         # 所有子代理的 Token 總額上限
  max_cost_usd: 5.00        # 整體任務的成本上限
  max_duration: 600s        # 整體任務的時間上限

6.2 模型選配策略

降低整體 Token 成本的關鍵在於為不同任務選擇適當的模型：

根據實測，這種分層選配策略可將同等任務的 Token 成本降低約 35%，同時維持輸出品質。[1]

七、常見問題與故障排除

Q1：子代理沒有被呼叫，主代理自己處理了所有任務？

最常見的原因是 agents.md 中的角色描述不夠明確。主代理需要根據角色描述判斷哪個子代理適合處理哪個子任務。確保 description 欄位清楚描述子代理的專長，並用 openclaw agents list 確認子代理狀態為 active。[3]

Q2：子代理之間出現重複工作？

這通常是角色邊界定義不清所致。在每個子代理的 system_prompt 中明確標註「你負責什麼」和「你不負責什麼」，可有效避免職責重疊。參考上述 agents.md 範例中的寫法。

Q3：平行執行時某個子代理超時，導致整體任務失敗？

在 agents.md 的 execution 區塊中加入容錯設定：

## execution
- parallel:
  enabled: true
  failure_mode: partial     # 單個子代理失敗不影響其他
  retry:
    max_attempts: 2         # 失敗時最多重試 2 次
    backoff: exponential    # 指數退避策略

Q4：如何監控子代理的 Token 用量與成本？

# 查看各子代理的即時用量
openclaw agents stats

# 輸出範例：
# 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

Q5：子代理可以呼叫其他子代理嗎？

OpenClaw 目前支援兩層委派架構：主代理可以呼叫子代理，但子代理預設不能再呼叫其他子代理。若需要更深層的委派，可在 agents.md 中設定 allow_delegation: true，但建議限制最大委派深度為 2–3 層，避免失控的遞迴呼叫。[1]

結論：子代理是多代理系統的基礎單元

子代理機制是 OpenClaw 多代理系統的基石。透過合理的角色定義、明確的職責邊界與恰當的模型選配，開發者可以組建高效的 AI 代理團隊，處理遠超單一代理能力範圍的複雜任務。

關鍵要點回顧：使用 openclaw agents add 快速新增子代理；在 agents.md 中定義精確的角色邊界；善用平行執行縮短處理時間；設定資源限制控制成本。

如果你剛開始接觸 OpenClaw 的多代理功能，建議先從單一子代理開始實驗（例如研究子代理），待流程穩定後再逐步增加子代理數量。關於 OpenClaw 的基礎安裝與設定，請參考我們的完整教學指南；關於更進階的多代理架構設計，請參閱多代理系統架構設計一文。[2]

參考資料
  1. ^ OpenClaw Documentation. (2026). Agent Teams — OpenClaw Official Docs. docs.openclaw.ai
  2. ^ OpenClaw Documentation. (2026). Getting Started — OpenClaw Official Docs. docs.openclaw.ai
  3. ^ OpenClaw Documentation. (2026). Agents Configuration — OpenClaw Official Docs. docs.openclaw.ai
  4. ^ Scientific American. (2026). OpenClaw is an open-source AI agent that runs your computer. scientificamerican.com
  5. ^ CNBC. (2026). From Clawdbot to Moltbot to OpenClaw. CNBC Technology. cnbc.com
  6. ^ Gartner. (2025). Top Strategic Technology Trends 2026. gartner.com
  7. ^ Wu, Q., et al. (2023). AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation. arXiv:2308.08155. arxiv.org