当 AI 开始「打工仔」模式：OpenClaw 指挥多个 Agent

优质文章学习记录

— 4 min read
当 AI 开始「打工仔」模式：OpenClaw 指挥多个 Agent

当 AI 开始「打工仔」模式：OpenClaw 指挥多个 Agent

你有没有想过：让一个 AI 帮你算数学题，再让另一个 AI 把结果翻译成英文？

这听起来有点「多此一举」——毕竟一个 AI 就能同时做这两件事。但有时候，把任务拆分开来让不同的独立的 Agent 处理，是后续处理复杂任务的必要条件。

今天就分享一次有趣的实验：用OpenClaw 和 两个 Agent 串联完成一个完整的工作流。

前提条件

  • openclaw： 2026.2.3
  • 如果标记 😬，即用自然语言输入，在 webchat 中输入
  • 如果标记 💻，即用命令行输入

如果标记 🔧，即背后的命令，不用管

💡 提示：用户只需用自然语言描述需求，无需手动执行底层命令。底层命令仅供技术参考。

实验目标 🎯

使用 math-agent 计算数学表达式，然后把结果给 translator-agent 翻译成英文

实验过程 🚀

步骤 0：创建 相应的 agent 💻

$ openclaw agents add math-agent --workspace /home/admin/.openclaw/workspace --non-interactive --json $ openclaw agents add translator-agent --workspace /home/admin/.openclaw/workspace --non-interactive --json $ openclaw agents list - math-agent Identity: MY_NAME (IDENTITY.md) Workspace: ~/.openclaw/workspace Agent dir: ~/.openclaw/agents/math-agent/agent Model: minimax/MiniMax-M2.5-highspeed Routing rules: 0 - translator-agent Identity: MY_NAME (IDENTITY.md) Workspace: ~/.openclaw/workspace Agent dir: ~/.openclaw/agents/translator-agent/agent Model: minimax/MiniMax-M2.5-highspeed Routing rules: 0

步骤 1️⃣：单独调用 math-agent 计算

用户自然语言输入 😬：

利用 math-agent 计算表达式：(88 + 12) * 5 - 100 / 4，一步步计算出来

底层技术命令 🔧：

openclaw agent --agent math-agent --message"计算表达式：(88 + 12) * 5 - 100 / 4，一步步计算出来"

完整返回结果：

**计算表达式：`(88 + 12) * 5 - 100 / 4`** **步骤 1：** 括号内 - 88 + 12 = **100** **步骤 2：** 乘除法 - 100 × 5 = **500** - 100 ÷ 4 = **25** **步骤 3：** 减法 - 500 - 25 = **475** --- **最终答案：475**

步骤 2️⃣：调用 translator-agent 翻译

用户自然语言输入 😬：

把上述结果 使用 translator-agent 翻译成英文

底层技术命令 🔧：

openclaw agent --agent translator-agent --message"翻译成英文：计算表达式：(88 + 12) * 5 - 100 / 4。步骤1：括号内 - 88 + 12 = 100。步骤2：乘除法 - 100 × 5 = 500，100 ÷ 4 = 25。步骤3：减法 - 500 - 25 = 475。最终答案：475"

完整返回结果：

Calculate the expression: (88 + 12) × 5 - 100 ÷ 4. Step 1: Parentheses — 88 + 12 = 100. Step 2: Multiplication & division — 100 × 5 = 500, 100 ÷ 4 = 25. Step 3: Subtraction — 500 - 25 = 475. **Final answer: 475**

步骤 3️⃣：整合串联 (math-agent → translator-agent)

用户自然语言输入 😬：

使用 math-agent 计算表达式：(88 + 12) * 5 - 100 / 4，一步步计算出来，把结果给到 translator-agent 来得到翻译的结果

底层技术命令 🔧：

# 第1步：调用 math-agent openclaw agent --agent math-agent --message"计算表达式：(88 + 12) * 5 - 100 / 4，一步步计算出来"# 第2步：调用 translator-agent（传入上一步的结果） openclaw agent --agent translator-agent --message"翻译成英文：计算表达式：(88 + 12) * 5 - 100 / 4。步骤1：括号内 - 88 + 12 = 100。步骤2：乘除法 - 100 × 5 = 500，100 ÷ 4 = 25。步骤3：减法 - 500 - 25 = 475。最终答案：475"

第1步返回（math-agent）：

**计算表达式：`(88 + 12) * 5 - 100 / 4`** **步骤 1：** 括号内 - 88 + 12 = **100** **步骤 2：** 乘除法 - 100 × 5 = **500** - 100 ÷ 4 = **25** **步骤 3：** 减法 - 500 - 25 = **475** --- **最终答案：475**

第2步返回（translator-agent）：

Calculate the expression: (88 + 12) × 5 - 100 ÷ 4. Step 1: Parentheses — 88 + 12 = 100. Step 2: Multiplication & division — 100 × 5 = 500, 100 ÷ 4 = 25. Step 3: Subtraction — 500 - 25 = 475. **Final answer: 475**

结论

✅ 串联调用成功！ math-agent → translator-agent 协同工作正常

思考 💡

这次实验虽然简单，但让我看到了 多 Agent 协作 的潜力：

  • 职责分离：每个 Agent 专注于自己的任务，更容易优化和维护
  • 灵活组合：可以根据需求自由组合不同的 Agent，形成定制化的工作流
  • 可扩展性：未来可以轻松添加更多的 Agent 来处理更复杂的任务
⚠️ 不同于增加一个 subagent （session_spawn）的方式，这种 agent 是有独立的配置文件和长久保存的。

如果你对 OpenClaw 感兴趣，可以关注我，后续会带来更多有趣的实验和玩法 🚀

#OpenClaw #AI #Agent #多Agent协作 #技术实验

欢迎添加公_主_号，小兵张咔咔，xiaobinzhangkaka，获取更多技术文章和资源。

Read more

AirSim无人机仿真入门（一）：实现无人机的起飞与降落

AirSim无人机仿真入门（一）：实现无人机的起飞与降落

概述： 安装好所需要的软件和环境，通过python代码控制无人机进行起飞和降落。 参考资料： 1、知乎宁子安大佬的AirSim教程（文字教程，方便复制） 2、B站瑜瑾玉大佬的30天RL无人机仿真教程（视频教程，方便理解） 3、AirSim官方手册（资料很全，不过是纯英文的） AirSim无人机仿真入门（一）：实现无人机的起飞与降落 * 1 安装AirSim * 1.1 参考教程 * 1.2 内容梳理 * 1.3 步骤总结 * 2 开始使用 AirSim * 2.1 参考教程 * 2.2 内容梳理 * 2.3 步骤总结 * 3 撰写python控制程序 * 3.1 参考教程 * 3.2 内容梳理
TWIST2——全身VR遥操控制：采集人形全身数据后，可训练视觉base的自主策略(基于视觉观测预测全身关节位置)

TWIST2——全身VR遥操控制：采集人形全身数据后，可训练视觉base的自主策略(基于视觉观测预测全身关节位置)

前言 我司内部在让机器人做一些行走-操作任务时，不可避免的需要全身遥操机器人采集一些任务数据，而对于全身摇操控制，目前看起来效果比较好的，并不多 * 之前有个CLONE(之前本博客内也解读过)，但他们尚未完全开源 * 于此，便关注到了本文要解读的TWIST2，其核心创新是：无动捕下的全身控制 PS，如果你也在做loco-mani相关的工作，欢迎私我你的一两句简介，邀你加入『七月：人形loco-mani(行走-操作)』交流群 第一部分 TWIST2：可扩展、可移植且全面的人形数据采集系统 1.1 引言与相关工作 1.1.1 引言 如TWIST2原论文所说，现有的人形机器人远程操作系统主要分为三大类： 全身控制，直接跟踪人体姿态，包括手臂、躯干和腿部在内的所有关节以统一方式进行控制（如 HumanPlus [12]，TWIST [1] ———— TWIST的介绍详见此文《TWIST——基于动捕的全身遥操模仿学习：教师策略RL训练，学生策略结合RL和BC联合优化(可训练搬箱子)》 部分全身控制，
NWPU VHR-10数据集 无人机遥感目标检测数据集 飞机 储罐 棒球场 网球场篮球场 港口车辆桥梁检测 遥感图像中的地理空间目标检测

NWPU VHR-10数据集 无人机遥感目标检测数据集 飞机 储罐 棒球场 网球场篮球场 港口车辆桥梁检测 遥感图像中的地理空间目标检测

NWPU VHR-10数据集 遥感数据集 NWPU VHR-10数据集是 10个类别地理空间目标检测的挑战性数据集，共650张图片。 YOLO和COCO格式 数据集按默认划分比例：390张训练集、130张验证集、130张测试集。 手动标注了757架飞机、302艘船只、655个储罐、390个棒球场、524个网球场、159个篮球场、163个田径场、224个港口、124座桥梁和598辆车辆。 📊 一、数据集总体信息 项目描述数据集名称NWPU VHR-10（Northwestern Polytechnical University Very High Resolution 10-class Dataset）任务类型遥感图像中的地理空间目标检测（Object Detection in Remote Sensing Images）图像总数650 张（均为高分辨率遥感图像，源自 Google Earth 等平台）图像分辨率约 600×600
小米 “养龙虾”：手机 Agent 落地，智能家居十年困局被撬开

小米 “养龙虾”：手机 Agent 落地，智能家居十年困局被撬开

3月6日，小米正式推出国内首个手机端类 OpenClaw Agent 应用 ——Xiaomi miclaw，开启小范围邀请封测。这款被行业与网友戏称为小米 “开养龙虾” 的新品，绝非大模型浪潮下又一款语音助手的常规升级，而是基于自研 MiMo 大模型、具备系统级权限、全场景上下文理解能力的端侧智能体。 作为深耕智能家居领域的行业媒体，《智哪儿》始终认为：智能家居行业过去十年的迭代，始终没能跳出 “被动执行” 的底层困局。而 miclaw 的落地，不止是小米在端侧 AI 赛道的关键落子，更是为整个智能家居行业的底层逻辑重构，提供了可落地的参考范本。需要清醒认知的是，目前该产品仍处于小范围封测阶段，复杂场景执行成功率、端侧功耗表现、第三方生态适配进度等核心体验，仍有待大规模用户实测验证。本文将结合具象场景、量化数据与多维度视角，客观拆解 miclaw 的突破价值、现实挑战，以及它对智能家居行业的长期影响。 01 复盘行业困局：智能家居十年 始终困在 “被动执行”