确定性多 Agent 开发流水线：在 OpenClaw + Lobster 上的实战

> 来源: https://dev.to/ggondim/how-i-built-a-deterministic-multi-agent-dev-pipeline-inside-openclaw-and-contributed-a-missing-4ool

> 作者: ggondim

> 日期: 2026 年初

> 关键词: OpenClaw, Lobster, 多 Agent, 确定性编排

📌 核心内容

这是一篇极其详尽的实战文章，作者用了两个月时间探索如何构建一个自主运行的 AI 开发团队流水线：程序员 Agent → 审查员 Agent → 测试员 Agent，最终在 OpenClaw + Lobster 上找到了解决方案，并为 Lobster 贡献了循环（loop）支持（PR #20）。

核心原则：LLM 做创造性工作，代码做编排逻辑。绝不用 LLM 做流程控制。

🗺️ 探索历程：5 次尝试

❌ 尝试 1：Ralph Orchestrator

优点：优雅的硬上下文重置模式
不足：无法做 Agent 间协调、通道连接有限、无工具生态

❌ 尝试 2：OpenClaw Sub-Agents

sessions_spawn 创建子 Agent，但父 Agent 是 LLM 在决定何时派发
非确定性流程控制、并发上限（8）、生成深度限制

❌ 尝试 3：外部事件总线

Redis Streams + 状态机 + Worker Pool
能用但过度工程化，重新发明了 OpenClaw 已有的一半功能

❌ 尝试 4：技能驱动自编排

在 Agent 的 Skill 里写"完成后调用 sessions_send 通知审查员"
状态机活在 LLM 脑子里 → 不可靠

❌ 尝试 5：Plugin Hooks 事件总线

自定义 Hook 解析 Agent 输出中的事件标记，触发下一步
接近目标但需要维护订阅映射和自定义插件

✅ 最终方案：Lobster + Sub-Lobsters

突破口：仔细读文档后发现 OpenClaw 三个关键原语：

1. agentToAgent — Agent 间点对点消息（非子 Agent，是对等 Agent）

2. sessions_send — 可寻址的 session 消息发送

3. Webhooks + Session Routing — 外部触发器路由到特定 Agent/Session

Lobster 几乎完美，唯一缺的是循环支持。于是作者直接为 Lobster 贡献了 PR #20。

🏗️ 最终架构


Telegram
    │
    ▼
OpenClaw Gateway
    │
    ├── Agents（独立工作区/工具/身份/模型）
    │   ├── programmer/  (Opus, 有写权限)
    │   ├── reviewer/    (Sonnet, 只读权限, 省钱)
    │   └── tester/      (有测试运行器)
    │
    ├── Lobster 工作流引擎
    │   ├── dev-pipeline.lobster  (主流程: 循环 → 测试 → 通知)
    │   └── code-review.lobster   (子流程: 写码 → 审查 → 解析)
    │
    └── llm-task 插件（结构化 JSON + Schema 验证）

主工作流


name: dev-pipeline
steps:
  - id: code-review-loop
    lobster: ./code-review.lobster    # 嵌套子工作流
    loop:
      maxIterations: 3                # 最多 3 轮
      condition: '! echo "$LOBSTER_LOOP_JSON" | jq -e ".approved"'
  
  - id: test
    command: openclaw.invoke --tool agent-send ...
    condition: $code-review-loop.json.approved == true
  
  - id: notify
    command: openclaw.invoke --tool message --action send ...

子工作流（code-review.lobster）


steps:
  - id: code      # 程序员写代码
  - id: review    # 审查员审查
  - id: parse     # llm-task 解析审查结果为 {approved, feedback}

关键：循环条件由 shell 命令判断（检查 JSON 中的 approved 字段），不是 LLM 判断。完全确定性。

💡 作者总结的五条经验

1. 不要用 LLM 做编排

> "每次我试图在 prompt 里放流程控制（'完成后发给审查员'），就引入了一个故障模式。LLM 是不可靠的路由器。"

2. 仔细读文档（读两遍）

> "我差点建了个完整的外部事件总线，才发现 OpenClaw 已经有 agentToAgent、sessions_send 和 webhook session routing。"

3. 贡献缺失的部分，而不是绕过它

> "Lobster 没有循环。与其写 wrapper 模拟循环，不如直接给 Lobster 加上循环支持。PR 只有 129 行实现 + 186 行测试。"

4. Session Key 就是你的数据模型

> pipeline:: 一个字符串搞定项目隔离、角色分离和可寻址。不需要数据库。

5. 类型化管道碾压 Prompt Engineering

> "一个带 condition、loop、stdin 管道的 YAML 文件，比告诉 LLM '如果审查是否定的就回到步骤 2，但最多 3 次' 可靠一万倍。"

📊 分析与评价

与之前报告的关联

这篇文章完美印证了我们之前两篇报告的观点：

报告	核心观点	本文实证
[Agentic 工程师指南](https://temp.jaylab.io/world-class-agentic-engineer-report)	研究与实现分离；把确定性步骤固化	Lobster 做编排，LLM 做创造
[Lobster 工作流引擎](https://temp.jaylab.io/lobster-workflow-shell-report)	审批门、类型化管道、节省 token	本文是 Lobster 最完整的实战案例

特别值得注意的

1. GitHub Copilot 写了 100% 的实现代码 — PR #20 的代码完全由 Copilot coding agent 编写

2. 模型差异化：程序员用 Opus（贵但强），审查员用 Sonnet（省钱）

3. 零外部基础设施：不需要 Redis、不需要消息队列、不需要数据库

评分

维度	评分（/10）
技术深度	9.5
实用价值	9
写作质量	9.5
开源贡献	9
综合	9.3

🔗 与我们的关联

1. 直接可用：我们就在用 OpenClaw，这个架构可以直接复用

2. 深度研究自动化：可以用 Lobster 把"抓取 → 搜索 → 写报告 → 部署"流水线化

3. 多 Agent 协作模式：程序员/审查员/测试员的模式可以推广到其他场景（如研究员/编辑/校对）

4. PR #20：循环支持是关键缺失，值得关注合并进度

报告由深度研究助手自动生成 | 2026-03-07