Enxames de Subagentes OpenClaw para Workflows Paralelos

Crie enxames de subagentes OpenClaw para workflows paralelos. Exemplos reais de código pra rodar automação multiagente 3-5x mais rápido.

Por Maya

Introdução

Você tem cinco tarefas de pesquisa, três revisões de código e dois deploys na fila. Rodar tudo uma por uma come horas. Enxames de subagentes OpenClaw resolvem isso. Eles criam múltiplos agentes rodando em paralelo, cada um no seu fluxo independente.

Este tutorial te mostra como configurar enxames de subagentes no OpenClaw. Você aprende a criar os agentes, coordená-los e escalar pra cargas pesadas. No fim, automatiza pipelines complicados. Tipo processar 50 imagens ou pesquisar 20 tópicos ao mesmo tempo. Com trechos de código prontos pra colar e rodar. Sem enrolação. Só o que funciona.

A ferramenta sessions_spawn do OpenClaw faz isso rolar. Ela gera subagentes isolados que mandam os resultados de volta sozinhos. Ganho real de 3-5x na velocidade de automações do dia a dia.

Configuração Multiagente no OpenClaw

Comece pelo básico. Agentes OpenClaw rodam em sessões. O agente principal orquestra. Subagentes pegam pedaços do trabalho.

Use sessions_spawn pra criá-los. Olha o JSON:

sessions_spawn({
  task: "Analyze these 10 URLs for key stats",
  label: "web-research-1",
  runtime: "subagent"
})

Crie cinco assim pra pesquisa web em paralelo. Cada um ganha sua chave de sessão, tipo agent:main:subagent:abc123.

Subagentes herdam seu workspace. Lêem os mesmos arquivos, usam as mesmas ferramentas. Mas ficam isolados. Sem vazamento de contexto.

Testei num scrape de 20 URLs. Um agente sozinho: 45 segundos. Cinco em paralelo: 12 segundos no total. Diferença na prática.

Coordene com a ferramenta subagents. Liste os ativos:

subagents({action: "list"})

Mostra status: rodando, pronto ou erro. Mate os lentos se precisar.

Pra handoffs multiagente, crie um coordenador. Ele espera os filhos terminarem via eventos push. Sem loops de poll.

Exemplo: agente principal cria três subagentes. Um pra buscar dados, outro pra analisar, outro pra gerar relatório. O coordenador junta tudo quando voltam.

Melhor que scripts sequenciais. Agentes rodam assíncronos nos núcleos da CPU.

Automatizando Workflows Paralelos

Workflows paralelos brilham na automação. Imagina processar feedback de clientes: extrair texto, pontuar sentimento, gerar respostas.

Crie subagentes por lote. Divide 100 reviews em 10 agentes, 10 cada.

Trecho de código:

for (let i = 0; i < 10; i++) {
  sessions_spawn({
    task: `Process feedback batch ${i}: ${batch[i]}`,
    label: `sentiment-${i}`
  })
}

Cada subagente chama ferramentas como pdf ou image pra uploads. Resultados anunciam sozinhos.

Lide com erros. Subagentes morrem em crash, mas logam saída. Principal checa lista de subagentes pra falhas.

Caso real: automatizei OCR de faturas. Cinco subagentes pegaram 50 PDFs. Usei pdf com prompt: "Extrair total, data, fornecedor." Tempo paralelo: 18 segundos contra 90 sequenciais.

Use sessions_yield depois de spawnar. Pausa sua vez, deixa os filhos terminarem primeiro.

Evite loops de poll. OpenClaw empurra completos como mensagens. Acompanhe a contagem esperada: 10 spawns, espere 10 eventos.

Integre com exec pra chains. Subagente roda shell: node process-batch.js. Escala pra computação pesada.

Minha visão: sequencial parece seguro, mas mata o ritmo. Paralelo exige planejamento antes. Vale pra lotes diários.

Enxames de Subagentes na Prática

Junte tudo. Monte um enxame pra pesquisa de conteúdo: buscar páginas, resumir, checar fatos.

Passo 1: agente principal divide tópicos.

const topics = ["AI ethics", "quantum compute", "blockchain scalability"];
for (const topic of topics) {
  sessions_spawn({ task: `Research ${topic}`, label: `research-${topic}` });
}

Cada subagente:

  • Roda web_fetch em 5 URLs por tópico
  • Resume com prompt de modelo
  • Checa fatos via spawn filho pra verificação

Enxame total de 15 (3 pais + 12 filhos). Tempo: 22 segundos num VPS padrão.

Dica de escala: limite spawns no teto do host. Meu setup roda 20 simultâneos tranquilo. Acima de 50 come RAM.

Debug: use sessions_history nas chaves dos filhos. Veja ferramentas chamadas e saídas exatas.

Esse enxame processou 25 tópicos na semana passada. Economizou 4 horas de trabalho manual.

Escalando com Limites de Subagentes

Escala bate em paredes: memória, rates de API, CPU do host.

Monitore com sessions_list({activeMinutes: 30}). Mate os ociosos.

Defina runTimeoutSeconds: 300 no spawn. Termina tarefas travadas sozinho.

Pra bursts de API, serialize: spawne ondas de 5, yield 10 segundos entre.

Limite real: rate Anthropic em 50k tokens/min. Enxame de 10 Opus bate rápido. Troque pra Sonnet em volume.

Exemplo de throttle:

spawn_wave(topics.slice(0, 5));
// yield 5s
spawn_wave(topics.slice(5, 10));

Custo: enxame Sonnet pra 100 tarefas sai uns $2. Opus é mais caro, $10+.

Escala horizontal: multi-host com nodes. sessions_spawn({node: "worker2"}).

Testei em rede Tailscale de 3 nodes: 50 crawls paralelos, zero quedas.

Dica pro: logue runs de enxame em markdown. Acompanhe performance ao longo do tempo. Você vê quais tarefas ganham com paralelo e quais não.

Um node deu OOM com 40 agentes. Baixei pra 25 por node. Ficou estável.

Conclusão

Enxames de subagentes OpenClaw transformam scripts lentos em máquinas paralelas. Você cria, coordena, escala. De lotes de pesquisa a revisões de código, cortam esperas em 3-5x.

Pega o script demo. Rode seu primeiro enxame hoje. Ajuste pros seus workflows.

Confira a doc do OpenClaw pro reference completo de sessions_spawn. Qual sua primeira tarefa paralela?