Se stai costruendo workflow complessi con l'AI, prima o poi ti scontrerai con un limite invalicabile: la context window. Mettere troppe informazioni, prompt e istruzioni nello stesso thread confonde anche i modelli più avanzati come Claude 3.5 Sonnet o GPT-4o.
La soluzione che ho adottato nei miei progetti non è usare modelli con finestre di contesto sempre più ampie, ma dividere il lavoro. È qui che entrano in gioco i Sub-Agenti di OpenClaw.
In questo articolo ti mostro come orchestrarli, gestirli e farli comunicare in modo efficiente.
Perché usare i Sub-Agenti?
In una pipeline AI tradizionale, hai un singolo agente che fa tutto: legge un file, cerca su internet, processa i dati e scrive il risultato. Il problema?
- Inquinamento del contesto: Le informazioni della ricerca si mescolano con le regole di formattazione.
- Rischio di fallimento: Se un task intermedio fallisce, l'intero prompt va ripensato o va in loop.
- Lentezza: I task sequenziali non sfruttano le vere potenzialità delle API.
In OpenClaw, i sub-agenti ti permettono di avviare sessioni completamente isolate. Hanno la loro memoria temporanea, i loro tool abilitati e, soprattutto, partono con una tabula rasa. Fanno una cosa, restituiscono il risultato e spariscono.
Vuoi integrare AI nel tuo business?
Contattami per una consulenza su come implementare strumenti AI e architetture multi-agente nella tua azienda.
Come creare un Sub-Agente
OpenClaw rende l'orchestrazione estremamente pulita grazie al tool sessions_spawn. Quando l'agente master si rende conto di dover delegare un task lungo o complesso (ad esempio, analizzare una repository o navigare un sito web), può lanciare un sub-agente.
L'approccio migliore è impostare il runtime su subagent e usare il context="isolated".
In questo modo, il sub-agente erediterice l'accesso al workspace (la directory di lavoro), ma non sa nulla della conversazione precedente. Meno distrazioni, più focus sull'obiettivo assegnato tramite il parametro task.
Pattern Pratico: Ricercatore + Scrittore
Vediamo un pattern che utilizzo spessissimo: il duo Ricercatore e Scrittore.
Invece di chiedere all'agente principale di fare tutto, il flusso diventa:
- L'agente principale (Scrittore) riceve il task: "Scrivi un report sulle ultime news di AI open source".
- Lo Scrittore avvia un sub-agente Ricercatore, passandogli istruzioni rigorose: "Cerca su Hacker News le top 5 notizie sull'AI open source, estrai i link e fammi un riassunto a punti. Usa il web_fetch".
- L'agente principale usa
sessions_yieldper mettere in pausa il proprio turno. - Il Ricercatore lavora, usa il browser o le API di fetch, completa il task e restituisce l'output.
- Lo Scrittore si risveglia (push-based), legge il riassunto pulito dal Ricercatore e redige il documento finale.
Questo pattern abbassa drasticamente i costi dei token e riduce quasi a zero le allucinazioni.
Scopri i miei progetti
Dai un occhio ai progetti su cui sto lavorando e alle architetture basate su OpenClaw.
Monitorare e Guidare i Sub-Agenti
A volte i task delegati richiedono tempo o, nel peggiore dei casi, vanno in loop su un errore inaspettato.
Come sviluppatore, puoi usare i comandi di gestione per intervenire in tempo reale:
- List: Scopri quali sub-agenti sono attivi.
- Steer: Invia un messaggio direttivo al sub-agente ("Ehi, fermati, usa l'API di ricerca invece di fare scraping manuale").
- Kill: Termina il sub-agente se ha esaurito la sua utilità o si è bloccato.
L'uso di subagents action=steer è un vero salvavita quando stai testando nuovi workflow in produzione.
Il Futuro è Modulare
Trattare i task AI come microservizi isolati è il vero salto di qualità per chi costruisce prodotti basati su LLM. I sub-agenti di OpenClaw non sono solo una feature, ma un vero e proprio cambio di paradigma nello sviluppo.
Hai già provato a delegare task complessi ad agenti isolati? Il prossimo step è automatizzare le tue review del codice o l'analisi dei log. Inizia in piccolo, orchestra in grande.