【高级玩法】OpenClaw 多会话管理与子代理:让 AI 团队为你打工

【高级玩法】OpenClaw 多会话管理与子代理:让 AI 团队为你打工

目录

前言:一个不够用?那就来一队!

一、什么是多会话?

1.1 会话的概念

1.2 为什么需要多会话?

1.3 会话类型

二、会话管理基础

2.1 查看会话列表

2.2 创建新会话

2.3 切换到指定会话

2.4 查看会话状态

2.5 结束会话

三、子代理(Sub-agents)详解

3.1 什么是子代理?

3.2 子代理的工作流程

3.3 什么时候用子代理?

3.4 创建子代理

3.5 给子代理分配任务

3.6 获取子代理结果

四、实战:多会话协作案例

4.1 案例一:并行代码审查

4.2 案例二:资料搜集 + 内容创作

4.3 案例三:定时任务监控

五、会话通信机制

5.1 主会话 → 子会话

5.2 子会话 → 主会话

5.3 会话间数据共享

六、最佳实践

6.1 合理划分会话

6.2 控制子代理数量

6.3 及时清理会话

6.4 会话命名规范

6.5 错误处理

七、高级技巧

7.1 会话链

7.2 会话持久化

7.3 模型差异化

八、常见问题

Q1: 子代理和主会话会互相干扰吗?

Q2: 子代理创建后有数量限制吗?

Q3: 子代理完成后会自动销毁吗?

Q4: 如何查看子代理的历史记录?

Q5: 子代理能访问主会话的文件吗?

结语


前言:一个不够用?那就来一队!

各位老铁好,我是攀哥!前三篇咱们从部署安装、人格定制讲到技能开发,相信大家的 AI 助手已经能干活儿了。但有朋友问:"攀哥,我想让 AI 同时干好几件事,比如一边帮我写代码,一边查资料,还能顺便回消息,怎么办?"

简单!一个 AI 不够用,那就搞一队啊!😎

今天攀哥就聊聊 OpenClaw 的多会话管理和**子代理(Sub-agents)**功能,让你的 AI 从"单兵作战"升级为"团队协作"!

一、什么是多会话?

1.1 会话的概念

会话(Session),简单说就是 AI 和你的一次"对话上下文"。每次你跟 AI 聊天,都会创建一个会话,它会记住你们聊过的内容。

默认情况下,你只有一个主会话(main session),就是你直接跟 AI 聊天的那个。

1.2 为什么需要多会话?

想象这些场景:

  • 你在跟 AI 讨论项目 A,突然想问项目 B 的事
  • 你想让 AI 帮你查资料,但不想打断当前的对话
  • 你需要 AI 同时执行多个独立任务

这时候,多会话就派上用场了!每个会话有独立的上下文,互不干扰。

1.3 会话类型

OpenClaw 中的会话主要分为:

  • 主会话(main):你直接对话的会话
  • 子会话(sub-agent):由主会话创建的独立会话
  • 临时会话:执行特定任务后自动销毁

二、会话管理基础

2.1 查看会话列表

# 查看所有会话 openclaw sessions list 

输出示例:

Session ID Type Status Last Active ───────────────────────────────────────────────── main:001 main active 2 minutes ago sub:code-001 sub running 5 minutes ago sub:research-001 sub idle 1 hour ago 

2.2 创建新会话

# 创建新会话 openclaw session new --label=my-task 

--label 参数给会话起个名字,方便后续识别。

2.3 切换到指定会话

# 切换到某个会话 openclaw session switch sub:code-001 

2.4 查看会话状态

# 查看会话详情 openclaw session status sub:code-001 

输出包括:

  • 运行时长
  • Token 使用量
  • 模型信息
  • 最后活跃时间

2.5 结束会话

# 结束指定会话 openclaw session end sub:code-001 # 结束所有子会话 openclaw sessions end --all 

三、子代理(Sub-agents)详解

3.1 什么是子代理?

子代理是主会话创建的"下属"AI,它们:

  • 有独立的会话上下文
  • 可以执行特定任务
  • 完成后向主会话汇报
  • 不会干扰主会话的对话

3.2 子代理的工作流程

主会话 → 创建子代理 → 分配任务 → 子代理执行 → 返回结果 → 主会话处理 

3.3 什么时候用子代理?

攀哥给你几个典型场景:

场景是否需要子代理理由
简单问答❌ 不需要主会话直接处理
长时间任务✅ 需要不阻塞主会话
独立上下文✅ 需要避免污染主对话
并行多任务✅ 需要同时执行多个任务
敏感操作✅ 需要隔离风险

3.4 创建子代理

在对话中,AI 可以自动创建子代理。你也可以手动创建:

// 在技能或配置中 const subAgent = await sessions_spawn({ label: 'code-reviewer', model: 'qwen-portal/coder-model', task: 'Review this PR and provide feedback' }); 

3.5 给子代理分配任务

// 发送消息到子代理 await sessions_send({ sessionKey: subAgent.sessionKey, message: '请帮我 review 这个 Pull Request,关注代码质量和潜在 bug' }); 

3.6 获取子代理结果

子代理完成任务后,会自动通知主会话。你也可以主动查询:

// 获取子代理的历史消息 const history = await sessions_history({ sessionKey: subAgent.sessionKey, limit: 50 }); 

四、实战:多会话协作案例

4.1 案例一:并行代码审查

假设你有 3 个 PR 需要 review,可以创建 3 个子代理并行处理:

// 创建 3 个子代理 const agents = await Promise.all([ sessions_spawn({ label: 'reviewer-1', task: 'Review PR #101' }), sessions_spawn({ label: 'reviewer-2', task: 'Review PR #102' }), sessions_spawn({ label: 'reviewer-3', task: 'Review PR #103' }) ]); // 分配任务 agents.forEach((agent, i) => { sessions_send({ sessionKey: agent.sessionKey, message: `请 review PR #${101+i},关注代码风格和潜在 bug` }); }); // 等待结果(子代理完成后会自动通知) 

4.2 案例二:资料搜集 + 内容创作

写文章时需要查资料,可以这样分工:

主会话:负责整体构思和写作 ↓ 子代理 A:搜集相关资料 ↓ 子代理 B:整理数据成表格 ↓ 主会话:整合内容完成文章 

4.3 案例三:定时任务监控

创建子代理定期执行检查任务:

// 创建监控子代理 const monitor = await sessions_spawn({ label: 'heartbeat-monitor', task: '每 30 分钟检查一次邮件和日历' }); // 子代理会定期向主会话汇报 

五、会话通信机制

5.1 主会话 → 子会话

使用 sessions_send 发送消息:

await sessions_send({ sessionKey: 'sub:code-001', message: '任务更新:请优先处理这个 bug' }); 

5.2 子会话 → 主会话

子会话完成任务后,自动推送结果:

// 子会话中 await sessions_send({ label: 'main', // 发送回主会话 message: '任务完成!发现 3 个潜在问题,详情如下...' }); 

5.3 会话间数据共享

会话之间默认不共享上下文,这是为了保护独立性。如需共享数据:

  • 通过消息传递
  • 写入共享文件
  • 使用外部存储

六、最佳实践

6.1 合理划分会话

  • 主会话:处理核心对话和决策
  • 子会话:执行具体任务、长时间运行、独立上下文

6.2 控制子代理数量

子代理虽好,但别滥用:

  • 每个子代理消耗资源
  • 太多子代理难以管理
  • 建议同时运行的子代理不超过 5 个

6.3 及时清理会话

任务完成后及时结束子会话:

# 结束已完成的子会话 openclaw session end sub:completed-task 

6.4 会话命名规范

给会话起个有意义的名字:

✅ 好:code-reviewer-001, research-agent, email-monitor ❌ 差:sub-1, agent-abc, temp-session 

6.5 错误处理

子代理可能会失败,主会话要能处理:

try { const result = await sessions_send({ ... }); if (result.status === 'error') { // 处理错误 } } catch (error) { // 异常处理 } 

七、高级技巧

7.1 会话链

可以让子代理再创建子代理,形成层级:

主会话 └── 子代理 A(协调者) ├── 子代理 A-1(执行者) └── 子代理 A-2(执行者) 

7.2 会话持久化

默认会话在结束后会销毁,如需持久化:

// 配置会话持久化 await sessions_spawn({ label: 'persistent-agent', persist: true // 保持会话不销毁 }); 

7.3 模型差异化

不同会话可以用不同模型:

// 主会话用高级模型 main: model='claude-sonnet' // 子代理用经济模型 sub: model='qwen-portal/coder-model' 

这样可以平衡效果和成本。

八、常见问题

Q1: 子代理和主会话会互相干扰吗?

A: 不会!每个会话有独立的上下文和记忆,互不影响。

Q2: 子代理创建后有数量限制吗?

A: 理论上没有限制,但建议同时运行的不超过 5 个,避免资源浪费。

Q3: 子代理完成后会自动销毁吗?

A: 默认会保留一段时间,建议手动结束不需要的会话。

Q4: 如何查看子代理的历史记录?

A: 使用 sessions_history 命令或 API。

Q5: 子代理能访问主会话的文件吗?

A: 可以访问工作区文件,但会话上下文是隔离的。

结语

好了,今天的多会话管理和子代理就讲到这里!攀哥总结一下:

  1. 多会话让 AI 可以并行工作
  2. 子代理适合长时间、独立的任务
  3. 会话之间上下文隔离,互不干扰
  4. 合理管理会话,及时清理资源

下一篇咱们聊聊《OpenClaw 安全最佳实践:保护你的 AI 和数据》,敬请期待!🦞


【攀哥小贴士】

  • 给子代理起个好名字,管理起来方便多了
  • 长时间运行的子代理,记得定期检查状态
  • 敏感操作尽量在子会话中执行,降低风险
  • 用 openclaw sessions list 随时查看会话状态

Read more

Claude Cowork 新手一步步指南:从零开始,彻底上手这个改变工作方式的 AI 助手

上周我准备一场演讲,脑子里已经有了想法、研究资料和大致提纲,唯独缺的就是时间。于是我打开 Claude Cowork,用大白话描述了我想做的演示文稿,把笔记文件夹指给它,然后就去忙别的事了。 回来一看,一套完整的幻灯片已经做好了:结构清晰、分节合理、演讲者备注一应俱全,连面向当地观众的表达逻辑都调得特别贴切。那场演讲反响特别好,大家都说“哇哦”,而老实说,用传统方式从零做起,我至少得花一整天。 那一刻我彻底明白了:Cowork 不是“理论上能干”,而是真正能在高压下帮你把活干完的工具。 我在 AI 和产品圈混了这么久,一眼就能看出什么是真不一样,什么是只是营销吹得不一样。Cowork 属于前者。它不是“聊天机器人加点功能”,而是完全不同类别的新工具。大多数听说过它的人,其实还没真正搞懂它到底能干什么、怎么才能用出最高效的结果。 这篇指南,就是专门为你们准备的。 大多数人用 Claude 的时候,都是当聊天机器人使:输入问题,它给答案,你复制粘贴,自己再去干活。

人工智能:深度学习模型的优化策略与实战调参

人工智能:深度学习模型的优化策略与实战调参

人工智能:深度学习模型的优化策略与实战调参 💡 学习目标:掌握深度学习模型的核心优化方法,理解调参的底层逻辑,能够独立完成模型从欠拟合到高性能的调优过程。 💡 学习重点:正则化技术的应用、优化器的选择与参数调整、批量大小与学习率的匹配策略。 48.1 模型优化的核心目标与常见问题 在深度学习项目中,我们训练的模型往往会出现欠拟合或过拟合两种问题。优化的核心目标就是让模型在训练集和测试集上都能达到理想的性能,实现泛化能力的最大化。 ⚠️ 注意:模型优化不是一次性操作,而是一个“诊断-调整-验证”的循环过程,需要结合数据特性和任务需求逐步迭代。 48.1.1 欠拟合的识别与特征 欠拟合是指模型无法捕捉数据中的潜在规律,表现为训练集和测试集的准确率都偏低。 出现欠拟合的常见原因有以下3点: 1. 模型结构过于简单,无法拟合复杂的数据分布。 2. 训练数据量不足,或者数据特征维度太低。 3. 训练轮次不够,模型还未充分学习到数据的特征。 48.1.2 过拟合的识别与特征 过拟合是指模型在训练集上表现极好,但在测试集上性能大幅下降。 出现过拟合的常见原因有以下3点:

飞算JavaAI赋能企业级电商管理系统开发实践——一位资深开发者的技术选型与落地总结

飞算JavaAI赋能企业级电商管理系统开发实践——一位资深开发者的技术选型与落地总结

目录 * 一、背景与选型考量 * 二、开发环境与工具适配 * 1. 基础环境搭建 * 2. 飞算JavaAI插件配置 * 3. 版本控制与协作配置 * 三、核心模块设计与实现 * 1. 需求分析与模块拆分 * 2. 核心代码实现与技术亮点 * (1)实体类设计(带审计字段与枚举约束) * (2)服务层实现(带事务控制与业务校验) * (3)控制器实现(带权限控制与参数校验) * (4)网页端 * 四、系统架构与扩展性设计 * 1. 分层架构设计 * 2. 接口设计规范 * 3. 扩展性保障 * 五、资深开发者视角的工具评价 * 1. 代码规范性与可维护性 * 2. 对企业级业务的理解深度 * 3. 与资深开发者工作流的适配性 * 六、项目成果与经验总结 一、背景与选型考量 作为一名从业20余年的开发者,我亲历了从JSP+

黄仁勋力荐:OpenClaw不止是下一个ChatGPT,更是AI“动手时代”的破局者

黄仁勋力荐:OpenClaw不止是下一个ChatGPT,更是AI“动手时代”的破局者

在2026年GTC大会上,英伟达创始人兼CEO黄仁勋抛出了一个振聋发聩的判断:“OpenClaw绝对是下一个ChatGPT”。 这一评价并非夸大其词,而是精准点出了AI产业的核心演进方向——从“被动回答”的语言交互,转向“主动行动”的任务执行。ChatGPT开启了大语言模型(LLM)的普及时代,让AI具备了理解和生成人类语言的能力,但它始终停留在“军师”的角色,只能提供方案建议;而OpenClaw的出现,彻底打破了这一局限,将AI变成了能动手干活的“数字员工”,完成了AI从“认知”到“执行”的关键跃迁,成为连接AI能力与现实场景的核心桥梁。 下面我将从技术本质出发,拆解OpenClaw的核心架构、关键技术实现,结合代码示例、架构图与流程图,深入解析其如何实现“行动型AI”的突破,以及为何能被黄仁勋寄予厚望,成为AI产业的下一个里程碑。 一、认知跃迁:从“回答型AI”到“行动型AI”的本质区别 要理解OpenClaw的价值,首先需要明确它与ChatGPT这类“回答型AI”的核心差异。