Multi-Agent Coordinator 是一个专为复杂任务设计的AI协调框架，它通过主Agent统一管理多个子Agent（如 Learner、Critic）的创建、通信与结果整合，实现多智能体的高效协作。该技能特别适用于需要分工明确、信息交叉验证的场景，例如同时调用搜索能力与质量评估能力以生成高质量答案。其核心优势在于突破传统单Agent在任务复杂度上的局限，将大模型拆解为专业化角色，各司其职后再由主Agent统一输出最终结论。尽管受限于 OpenClaw 框架的 one-shot 模式，无法持久化运行子Agent，但通过快速创建和简洁任务设计，仍能保持较高的响应效率与准确性。
核心功能特点
- 支持动态创建并管理多个临时子Agent（如Learner、Critic），实现任务并行处理
- 提供标准化的Agent间通信机制，确保任务指令与结果传递的可靠性
- 自动整合多Agent输出，生成结构化、高可信度的最终回答
- 利用ontology作为外部共享记忆，缓解one-shot模式下的上下文丢失问题
- 内置最佳实践指导，优化Critic稳定性与Learner任务分解策略
适用场景
Multi-Agent Coordinator 最典型的应用场景是那些需要结合信息检索与质量评估的复杂问答任务。例如，当用户提出一个涉及最新技术趋势的问题时，主Agent可先调用Learner Agent进行全网搜索获取原始资料，再交由Critic Agent对搜索结果的可信度、时效性和完整性进行评估，最后综合两者输出形成严谨回复。这种分工机制不仅提升了答案的准确率，也增强了系统应对开放域问题的能力。此外，在需要多视角分析或交叉验证的情境下——如代码性能优化建议、学术论文综述撰写等——该工具同样表现出色。尽管受限于OpenClaw框架不支持持久会话，但通过合理设计短时任务与快速Agent轮换，依然能有效支撑高频次、高复杂度的协作需求。