并行任务实战

OpenClaw 支持 Agent 在单次对话中并行处理多个子任务，提高复杂任务的执行效率。

并行执行原理

当 Agent 接收到复杂任务时，会将其拆解为多个独立的子任务。对于没有依赖关系的子任务，Agent 可以并行调用工具执行。

用户请求 → Agent 分析
                ├── 子任务 A（文件读取）  ─┐
                ├── 子任务 B（API 调用）  ─┼── 并行执行
                └── 子任务 C（网页抓取）  ─┘
                                           → 合并结果 → 返回

配置并行度

{
  agents: {
    defaults: {
      tools: {
        parallel_execution: true,
        max_concurrent: 5,
      },
    },
  },
}

• parallel_execution：启用工具并行调用
• max_concurrent：最大并发数，根据系统资源调整

适合并行的场景

多文件处理：同时读取、分析多个文件

用户：分析 src/ 目录下所有 Python 文件的代码质量

Agent 会同时读取所有文件，而不是逐个处理。

多 API 调用：同时请求多个数据源

用户：查询北京、上海、广州三个城市的天气

三个天气 API 请求并行发出，同时返回结果。

批量网页抓取：同时打开多个页面

用户：抓取这 5 个竞品网站的首页标题和描述

任务依赖与编排

对于有依赖关系的任务，Agent 会自动识别并按顺序执行：

步骤 1：读取配置文件（必须先完成）
步骤 2：并行执行
  ├── 根据配置调用 API A
  ├── 根据配置调用 API B
  └── 根据配置查询数据库
步骤 3：汇总所有结果生成报告（等待步骤 2 全部完成）

与 Cron 结合

将并行任务与定时执行结合，实现高效的自动化流程：

openclaw cron add --schedule "0 9 * * *" \
  --message "并行检查所有监控项并生成日报" \
  --channel telegram --target <ChatID>

性能建议

• 对于 I/O 密集型任务（文件读写、网络请求），适当提高 max_concurrent
• 对于 CPU 密集型任务（代码执行、数据分析），控制并发数避免资源争抢
• 使用轻量模型处理简单子任务，节省成本