OpenClaw Workflow — 确定性工作流引擎#

在不破坏 OpenClaw 灵活性的前提下，按 YAML 剧本执行 100% 确定性逻辑：判断、循环、脚本、LLM 调用、Skill 调用。

这是一个符合 OpenClaw / AgentSkills 目录约定的 Skill：

• SKILL.md：触发条件与使用说明
• scripts/：可执行入口与运行时代码
• references/：参考文档与示例工作流

使用方法#

重要: 脚本内置了 stdout 行缓冲，不需要额外设置 PYTHONUNBUFFERED。

bash

# 运行工作流
python3 {baseDir}/scripts/openclaw_workflow.py execute <workflow.yaml>

# 验证工作流语法
python3 {baseDir}/scripts/openclaw_workflow.py validate <workflow.yaml>

# 列出可用工作流
python3 {baseDir}/scripts/openclaw_workflow.py list

# 查看历史运行
python3 {baseDir}/scripts/openclaw_workflow.py runs

# 从断点恢复
python3 {baseDir}/scripts/openclaw_workflow.py resume <run_id>

# 可视化面板
python3 {baseDir}/scripts/openclaw_workflow.py dashboard

工作流文件放在哪里#

推荐目录（OpenClaw 自建/自维护流程）：

bash

~/.openclaw/workspace/workflows

面板与 CLI 会优先发现以下位置：

1. {baseDir}/references/examples
2. ~/.openclaw/workspace/workflows

说明：面板只扫描固定目录，不会递归读取整个 ~/.openclaw/workspace。

示例:

bash

# 运行示例工作流
python3 {baseDir}/scripts/openclaw_workflow.py execute {baseDir}/references/examples/basic_test.yaml

# 运行深度集成测试
python3 {baseDir}/scripts/openclaw_workflow.py execute {baseDir}/references/examples/deep_integration.yaml

# 查看补充设计说明
cat {baseDir}/references/readme.md

输出格式#

JSON 运行记录，包含：

• run_id — 运行唯一 ID
• flow_id — 工作流名称
• status — success | failed | aborted
• steps — 每步执行结果（状态、输出、耗时、重试次数）
• started_at / finished_at — 起止时间

终端同时输出人可读的步骤进度日志。

OpenClaw 深度绑定#

• llm / agent / skill 节点通过 Gateway RPC 调用，不是本地直连模型。
• 同一工作流运行内所有调用共享同一个 session，Agent 拥有完整对话上下文。
• 模型由 OpenClaw Agent/Provider 配置统一管理，无需在工作流中指定。

工作流 YAML 格式#

yaml

name: "我的流程"
steps:
  - id: fetch
    type: script
    command: "curl -s https://api.example.com/data"

  - id: analyze
    type: llm
    prompt: "分析: {{fetch.output}}"

  - id: delegate
    type: subagent
    task: "根据以下分析结果生成一份详细报告: {{analyze.text}}"
    label: "报告生成器"
    wait: true
    timeout: 300

  - id: notify
    type: message
    channel: imessage
    target: "+861760051xxxx"
    message: "结果: {{delegate.result}}"

节点类型速查#

类型说明关键参数scriptShell/Python 脚本command, inline, timeout``llmLLM 推理 (Gateway session)prompt, thinking, session``agentAgent 调用 (Gateway session)message, thinking, deliver``subagent创建子代理执行独立任务task, label, model, wait``wait_subagents等待多个 Subagent 完成并收集结果tracker, max_wait, poll_interval``skill调用 OpenClaw Skill (Gateway session)action, args, instruction``conditionIf-Else 分支if, then, else``loop循环遍历foreach/ times, as, do``set设置变量var, value``log日志输出message, level``httpHTTP 请求url, method, headers, body``code内联 Python (沙箱)python``wait延时/等待条件seconds, until``message发送消息channel, target, message

变量传递#

• {{variable}} — 全局变量
• {{step_id.output}} / {{step_id.text}} — 步骤输出
• {{item}} — 循环当前元素
• {{env.HOME}} — 环境变量

错误处理#

每步可配置: retry: 3, retry_delay: 10, on_error: retry|skip|stop

典型场景#

• 每日简报: 获取数据 → AI 分析 → 格式化 → 发送
• 发票归档: 扫描邮件 → 识别发票 → 上传 NAS
• 固件打包: 拉取代码 → 构建 → 测试 → 打包 → 通知
• 数据监控: 定时检查 → 条件判断 → 告警
• 并行研究: 创建多个 subagent 分头调研 → 汇总结果

Subagent 节点#

subagent 节点通过 OpenClaw sessions_spawn 工具创建独立子代理。

与 agent 节点的区别:

• agent: 在共享 session 中调用主 Agent，同一上下文
• subagent: 创建独立子代理，有自己的 session、系统提示和模型配置

创建流程#

每个 subagent 的创建需要两层 session:

1. Spawn session — 用于承载 sessions_spawn 工具调用的"载体 session"
2. Child session — 由 sessions_spawn 在 Gateway 侧创建的实际子代理 session ( agent:main:subagent:<uuid>)

sessions_spawn 是 Agent 工具 (不是 Gateway 直接 RPC)，所以必须通过 agent_call 在某个 session 中触发。spawn session 本身只是工具调用的容器，子代理真正执行任务的是 child session。

两种 Spawn Session 模式#

模式 A: 传统模式 (独立 session)

每个 spawn 创建一个临时的 spawn:<hex> session → agent_call 让 Agent 调用 sessions_spawn → 提取 childSessionKey → 立即删除 spawn session。

• Session 数: N 个 spawn (瞬态，创建后立删) + N 个 child = 持久 N 个
• 并发: session 独立，天然支持并行
• 上下文: 每次全新 session，无膨胀问题

模式 B: 工厂模式 (共享 session) — 当前默认

所有 spawn 复用同一个 factory:<hex> session → 每 20 次轮换新 session → 用 factory_lock 序列化访问。

• Session 数: ~ceil(N/20) 个 factory + N 个 child ≈ N + 几个
• 并发: factory_lock 强制所有 spawn 串行执行，即使在并行循环中
• 上下文: 累积增长，需要定期轮换

✅ 已解决问题 (2026-03-17 → 2026-03-18)#

原问题 1: 循环中工厂模式强制串行

已通过批量 spawn 解决。循环中自动检测并使用批量创建。

原问题 2: Gmail 24 封邮件超时

批量 spawn 10 个 subagent 仅需 ~77s，24 个预计 ~90-120s，远低于超时限制。

2026-03-18 架构更新: 子会话模式

非循环场景下的单个 subagent 节点不再通过 sessions_spawn 间接创建，而是直接创建新会话执行任务。 会话就是 subagent，省去了 spawn 中间层。

参数:

参数必需默认值说明task✅—子代理要执行的任务描述label—(空)子代理显示名称model—(继承)覆盖使用的模型thinking—(关)思考级别: off/minimal/low/medium/hightimeout—300超时秒数wait—false是否等待子代理完成poll_interval—15等待时轮询间隔 (秒)mode—runrun (一次性) 或 session (持久)cleanup—autokeep (保留) 或 auto (wait 完成后自动删除 session)throttle_timeout—300并发等待超时 (秒)，达到 maxConcurrent 限制时等待空位spawn_timeout—120000Gateway 调用超时 (ms)spawn_retries—2Gateway timeout 重试次数

示例 — fire-and-forget:

yaml

- type: subagent
  task: "整理今天的新闻摘要"
  label: "新闻助手"

示例 — 等待结果:

yaml

- id: research
  type: subagent
  task: "研究 {{topic}} 并写一份 500 字的分析报告"
  label: "研究员"
  wait: true
  timeout: 600
  poll_interval: 20

- type: log
  message: "研究结果: {{research.result}}"

Wait Subagents 节点#

wait_subagents 节点实现标准的 subagent fan-in (汇合) 模式:

• 在 loop 中通过 subagent 节点 (wait: false) 创建多个并行子代理
• 用 code 节点在 loop 中收集 spawn 信息到 tracker 列表
• wait_subagents 节点轮询所有子代理的 JSONL completion event，全部完成后返回结果列表

完成检测 (两级策略)#

• 策略 A (精确): 读取 spawn session 的 JSONL，查找 auto-announce completion event。仅在 spawn session 未被清理时可用 (wait=true 或工厂模式)
• 策略 B (直读): 直接读取 child session 的 JSONL，检查是否有 assistant 回复。这是 wait=false 模式的主要检测路径，因为 spawn session 在创建后立即清理

自动清理 (三层保障)#

• 即时清理: 子会话模式 wait=true 完成后立即删除 child session

• 汇合清理: wait_subagents 节点完成后批量清理所有 child session (cleanup: auto)

• 兆底清理: 工作流结束时 (无论成功/失败/中断)，engine.py 的 finally 块会清理:

  • 工作流主 session ( agent:main:openclaw-workflow:<ns>)
  • 所有残留的 spawn/factory/child session
  • tracker 中记录的 child session
  • 工厂模式内部追踪的 child session (via get_factory_child_session_keys)

并发控制#

subagent 节点在创建时会检查两个配置:

• agents.defaults.subagents.maxConcurrent (子代理专属限制，默认 20)
• agents.defaults.maxConcurrent (Gateway 全局嵌入式运行并发限制，默认 4)

取两者较小值作为实际限制。并发计数仅统计 :spawn: session (瞬态占位)，不统计 :subagent: session (因为完成后仍残留在 sessions.json 中会导致误判)。

内置重试#

subagent 节点对 Gateway timeout 错误内置 2 次重试 (spawn_retries=2)，spawn 超时时间 120s (spawn_timeout=120000ms)。

参数:

参数必需默认值说明tracker✅—spawn 信息列表 (需包含 spawn_session_key, child_session_key)max_wait—600最大等待秒数poll_interval—5轮询间隔秒数extra_fields—[]从 tracker item 透传到结果中的额外字段名cleanup—autoSession 清理策略: auto (全部清理), completed (仅清理已完成的), keep (不清理)

示例 — 并行分类:

yaml

# 1) 初始化 tracker
- id: init_tracker
  type: code
  python: "result = []"

# 2) loop 中 fire-and-forget spawn + 收集信息
- type: loop
  foreach: "{{items}}"
  as: item
  do:
    - id: spawn_task
      type: subagent
      task: "分析: {{item.data}}"
      wait: false
    - id: collect
      type: code
      python: |
        tracker = init_tracker if isinstance(init_tracker, list) else []
        tracker.append({
            "item_id": item.get("id", ""),
            "spawn_session_key": spawn_task.get("spawn_session_key", ""),
            "child_session_key": spawn_task.get("child_session_key", ""),
        })
        result = tracker

# 3) 等待全部完成
- id: wait_all
  type: wait_subagents
  tracker: "{{init_tracker}}"
  max_wait: 600
  poll_interval: 5
  extra_fields:
    - item_id

# 4) 使用结果
- type: agent
  message: "汇总: {{wait_all}}"

全节点详解（参数 + 示例）#

下面补全每个节点的常用写法，优先覆盖实际引擎支持的字段。

通用字段（所有节点都可用）#

字段说明id步骤唯一标识，建议填写，便于引用 {{step_id.output}}``name人类可读名称，仅用于日志type节点类型retry失败重试次数retry_delay每次重试间隔（秒）on_error``retry / skip / stop

---

1) script 节点#

执行 shell 命令或内联 Python。

支持字段：

• command / script / file：三选一
• inline：内联 Python 代码（会写入临时 .py 执行）
• timeout：默认 300 秒
• cwd：工作目录
• env：环境变量字典

yaml

- id: fetch_data
  type: script
  command: "curl -s https://api.example.com/data"
  timeout: 30

- id: build_report
  type: script
  inline: |
    import json
    print(json.dumps({"ok": True, "ts": "{{env.HOME}}"}, ensure_ascii=False))

---

2) llm 节点#

通过 Gateway 调用模型推理，默认复用当前工作流会话。

支持字段：

• prompt（必填）
• thinking： off|minimal|low|medium|high
• timeout：秒，默认 120
• session： shared（默认）或 isolated

yaml

- id: summarize
  type: llm
  prompt: "请总结以下内容：{{fetch_data.output}}"
  thinking: low
  session: shared

---

3) agent 节点#

调用主 Agent。与 llm 相比，支持投递能力（deliver）。

支持字段：

• message（必填）
• thinking
• timeout：默认 300
• deliver：是否自动投递
• deliver_channel / deliver_target

yaml

- id: agent_reply
  type: agent
  message: "根据 {{summarize.text}} 输出客户可读版本"
  deliver: true
  deliver_channel: imessage
  deliver_target: "+8617600510003"

---

4) skill 节点#

让 Agent 在当前会话中调用已有 Skill。

支持字段：

• action（必填）
• args：参数对象
• instruction：自定义指令（有则优先）
• timeout：默认 300

yaml

- id: call_tool_skill
  type: skill
  action: "transmission.add"
  args:
    url: "magnet:?xt=..."
  instruction: "请添加该任务并返回任务ID"

---

5) condition 节点#

条件分支，执行 then 或 else 子步骤。

支持字段：

• if（必填）：Python 表达式字符串
• then：条件为真时执行的步骤数组
• else：条件为假时执行的步骤数组

yaml

- id: check_items
  type: condition
  if: "len(load_emails) > 0"
  then:
    - type: log
      message: "有邮件"
  else:
    - type: log
      message: "无邮件"

---

6) loop 节点#

循环执行子步骤，支持 foreach 或 times。

支持字段：

• foreach：列表/可解析为列表的值
• times：整数次数（与 foreach 二选一）
• as / var：循环变量名，默认 item
• do / steps：子步骤数组

yaml

- id: iterate
  type: loop
  foreach: "{{items}}"
  as: item
  do:
    - type: log
      message: "当前: {{item}}"

- id: retry_three_times
  type: loop
  times: 3
  as: i
  do:
    - type: log
      message: "第 {{i}} 次"

---

7) set 节点#

设置全局变量。

支持字段：

• var（必填）
• value（必填）

yaml

- id: set_topic
  type: set
  var: topic
  value: "PiSugar"

---

8) log 节点#

写运行日志。

支持字段：

• message（必填）
• level：默认 INFO

yaml

- type: log
  level: "WARN"
  message: "当前数据为空，进入降级路径"

---

9) http 节点#

发送 HTTP 请求。

支持字段：

• url（必填）
• method：默认 GET
• headers
• params：Query 参数
• body：可为对象/数组/字符串
• timeout：默认 30

yaml

- id: request_api
  type: http
  method: POST
  url: "https://api.example.com/v1/report"
  headers:
    Authorization: "Bearer {{token}}"
  body:
    title: "日报"
    content: "{{summarize.text}}"

---

10) code 节点#

执行沙箱 Python。将当前变量与历史步骤输出注入运行环境。

支持字段：

• python（必填）

结果约定：

• 优先取变量 result 作为节点输出
• 若无 result，则返回 print 输出文本

yaml

- id: calc_stats
  type: code
  python: |
    items = load_emails if isinstance(load_emails, list) else []
    result = {
      "count": len(items),
      "subjects": [x.get("subject", "") for x in items[:5] if isinstance(x, dict)]
    }

---

11) wait 节点#

固定延时或轮询等待条件。

支持字段：

• seconds：固定等待秒数
• until：条件表达式（与 seconds 二选一）
• poll_interval：默认 5
• max_wait：默认 300

yaml

- type: wait
  seconds: 10

- type: wait
  until: "task_done == True"
  poll_interval: 3
  max_wait: 180

---

12) message 节点#

发送消息。默认通过 Agent 代发， direct: true 时走 CLI 直发。

支持字段：

• channel：默认 imessage
• target（必填）
• message / media：至少一个
• account：可选账号
• direct：默认 false
• when：条件守卫，不满足则跳过

yaml

- id: notify
  type: message
  channel: imessage
  target: "+8617600510003"
  message: "📬 报告如下：{{agent_reply.text}}"
  when: "len(agent_reply.text) > 0"

---

13) subagent 节点#

创建子代理执行独立任务，支持异步或等待模式。

支持字段：

• task（必填）
• label / model / thinking
• timeout：默认 300
• wait：默认 false
• poll_interval：默认 5
• mode： run（默认）/ session
• cleanup： auto（默认）/ keep
• throttle_timeout：并发等待超时，默认 300
• spawn_timeout：Gateway 调用超时 (ms)，默认 120000
• spawn_retries：Gateway timeout 重试次数，默认 2

yaml

- id: classify_one
  type: subagent
  task: "请分类此邮件：{{email.body}}"
  label: "邮件分类器"
  wait: true
  timeout: 120
  cleanup: auto

---

14) wait_subagents 节点#

汇合多个 wait: false 子代理，集中等待并收集结果。

支持字段：

• tracker（必填）
• max_wait：默认 600
• poll_interval：默认 5
• extra_fields：透传字段
• cleanup： auto（默认）/ completed / keep

yaml

- id: wait_all
  type: wait_subagents
  tracker: "{{init_tracker}}"
  extra_fields: [email_id, subject]
  cleanup: auto

---

最佳实践#

1. 为每个步骤加 id，避免后续引用困难。
2. loop + subagent(wait:false) + code(collect) + wait_subagents 是推荐并行模式。Engine 会自动检测此模式并使用 批量 spawn（单次 agent_call 并行创建多个 subagent），无需额外配置。
3. 面向生产流程建议显式写 timeout、 retry 和 on_error。
4. 需要会话隔离时，用 llm.session: isolated 或 subagent。
5. 结果给下游节点使用时，优先在 code 节点输出结构化 result。
6. 大批量 subagent (>10) 可通过 spawn_batch_size 调整每批数量，默认 8。

架构备忘 (内部)#

Subagent 批量 Spawn (Batch Spawn) — 2026-03-17 实现#

核心思路: OpenClaw Agent 在单次对话回复中可以并行调用多次 sessions_spawn 工具。利用这一点，engine 在一次 agent_call 中指示 Agent 同时创建 N 个 subagent，而不是每个 subagent 单独调一次。

自动触发条件: _execute_loop() 会自动检测循环体是否符合 "subagent(wait=false) + code(collect)" 模式。如果符合且 len(items) > 1，自动走批量 spawn 路径，无需任何 YAML 配置变更。

批量 spawn 流程:

1. engine._detect_batch_spawn_pattern(sub_steps) → 检测循环体结构

2. engine._execute_loop_batch_spawn() → 开 factory session → 分批调用 batch_spawn_subagents()

3. nodes.batch_spawn_subagents(items, step_template, ctx, log, bridge, batch_size):

   • 将 items 按 batch_size (默认 8) 分批
   • 每批构造一条指令：要求 Agent 在一次响应中并行调用 N 次 sessions_spawn
   • 通过 bridge.agent_call() 发送到 factory session
   • 用 bridge.extract_all_spawn_info_from_session_log() 从 JSONL 提取所有 childSessionKey

4. 所有 spawn 完成后，逐个执行 collect step (记录 spawn 信息到 tracker)

5. 关闭 factory session

性能对比:

模式10 个 subagent24 个 subagent (Gmail)Session 开销子会话模式 (单个)25sN/A (非循环)1 childsubagent 串行250s (25s×10)~600s (超时❌)N + 几个批量 spawn****~77s ✅预计 ~90-120s ✅N + 1 factory

实测数据 (batch_test10, 2026-03-17):

• 10 个 subagent, batch_size=5, 共 2 批
• 第 1 批 [1-5]: 30s, 第 2 批 [6-10]: 47s
• 总耗时 77s (含 factory 开启/关闭)
• Factory session 仅 1 个, 10/10 全部成功

关键代码路径:

• engine.py _detect_batch_spawn_pattern() → 模式检测
• engine.py _execute_loop_batch_spawn() → 批量执行入口
• nodes.py batch_spawn_subagents() → 核心批量 spawn 逻辑
• bridge.py extract_all_spawn_info_from_session_log() → 从 JSONL 提取全部 spawn 结果
• bridge.py 工厂 session 管理 (open/close/rotate/track) — 仍然使用

参数:

参数默认值说明spawn_batch_size8每批并行创建的 subagent 数量 (YAML step 级别可配)spawn_timeout180000ms批量 spawn 的 Gateway 超时 (比单个 spawn 的 120000ms 更长)spawn_retries2Gateway timeout 重试次数

注意事项:

• sessions_spawn 的 cleanup 字段只接受 "delete" 或 "keep"，不接受 "auto"
• 如果 Agent 实际创建的 subagent 数 < 批次要求数，会自动重试或降级
• 并发限制仍然生效: min(subagents.maxConcurrent=20, maxConcurrent=8)
• 非批量场景 (单个 subagent、wait=true) 走子会话模式 (直接执行)