#OpenClaw #Sub-Agents #Agent Teams #Parallel Agents #sessions_spawn #Claude Code

De Um Agente a uma Equipe: Como os Subagentes OpenClaw Funcionam

Um pesquisador da Anthropic gastou US$ 20.000 para que 16 agentes Claude paralelos escrevessem um compilador C. O sistema de Subagentes do OpenClaw permite que você use a mesma arquitetura para seu briefing matinal — por cerca de US$ 0,03. Veja como.

@ AgentPuter Lab
$
~ Leitura de 10 min

De Um Agente a uma Equipe: Como os Subagentes do OpenClaw Funcionam — E o que o Experimento de Compilador de $20 mil da Anthropic nos Diz Sobre o Futuro

**Em fevereiro, um pesquisador da Anthropic gastou $20

Este mês, o pesquisador da Anthropic, Nicholas Carlini, publicou um experimento que parece menos com engenharia de software e mais com evolução biológica.

Ele encarregou 16 instâncias do Claude Opus 4.6 de trabalhar em paralelo por duas semanas. Elas ger

O resultado? Um compilador C de 100.000 linhas baseado em Rust, escrito do zero, capaz de compilar o kernel Linux 6.9 para as arquiteturas x86, ARM e RISC-V. Ele até roda Doom.

Isso não

A maioria de nós não tem $20.000 para gastar em chamadas de API esta semana. Mas o padrão de arquitetura que Carlini usou — decompor um objetivo massivo em tarefas paralelas para agentes independentes — é exatamente para o que o sistema de **Sub-

Primeiro: Vamos Esclarecer a Confusão

Existem três conceitos “multi-agent” circulando pela comunidade no momento. Eles soam parecidos, mas são ferramentas completamente diferentes.

ConceitoO que éOnde você o utiliza
Equipes de Agentes Claude CodeUm recurso experimental na ferramenta de CLI claude da Anthropic. Ele permite que membros da equipe enviem mensagens uns aos outros diretamente através de um sistema de “Caixa de Entrada” (Mailbox).Claude Code (ferramenta de codificação, estágio Alfa)
Experimento do Compilador de $20KProtótipo de pesquisa de Nicholas Carlini. Ele usava repositórios git simples e bloqueios de arquivo para coordenação — sem orquestrador central, sem interface de chat.Artigo de Pesquisa (não é um produto)
Subagentes OpenClawA ferramenta integrada sessions_spawn do OpenClaw. Um agente principal despacha tarefas para agentes de trabalho em segundo plano, que reportam de volta quando terminam.OpenClaw (agente de propósito geral)

Este artigo é sobre os Subagentes OpenClaw. É o único dos três que está pronto para produção para tarefas gerais de automação hoje.

Como os Subagentes do OpenClaw Funcionam

Em vez de um único agente fazer tudo sequencialmente, um “Agente Principal” cria “Subagentes” para realizar trabalho em segundo plano.

Agente Principal (Profundidade 0) │ ├── sessions_spawn(tarefa=“Pesquisar concorrente A”) │ └── Subagente A (Profundidade 1, sessão isolada) │ └── trabalhando… trabalhando… → anuncia os resultados de volta │ ├── sessions_spawn(tarefa=“Pesquisar concorrente B”) │ └── Subagente B (Profundidade 1, sessão isolada) │ └── trabalhando… trabalhando… → anuncia os resultados de volta │ └── Rece

  1. Não Bloqueante: O comando sessions_spawn retorna um runId imediatamente. O Agente Principal pode continuar trabalhando ou gerar mais agentes sem precisar esperar.
  2. Isolamento de Contexto: Cada Subagente é executado em sua própria sessão nova. Eles não herdam o histórico de chat do Agente Principal. Isso mantém suas janelas de contexto limpas e focadas.
  3. Memória Seletiva: Os Subagentes injetam AGENTS.md e TOOLS.md, mas não SOUL.md, IDENTITY.md ou USER.md. Eles são trabalhadores efêmeros, não assistentes personalizados.
  4. Concorrência: Por padrão, um único agente pode gerar até 5 filhos ativos. O sistema limita a concorrência global a 8 para evitar limites de taxa da API.

O Comando

A ferramenta é sessions_spawn. Observe que o nome do parâmetro é task, e não instruction.

sessions_spawn({
  task: "Search for the latest HackerNews AI headlines and return top 5",
  model: "gpt-4o-mini",         // Use um modelo mais barato para o worker
  runTimeoutSeconds: 120,       // Limite de segurança
  label: "news-fetcher",        // Para seus logs
  cleanup: "delete"             // Excluir sessão automaticamente ao concluir
})

Quatro Arquiteturas do Mundo Real

Padrão 1: Coordenador + Workers (Mais Comum)

Este é o padrão para pesquisa ou processamento em lote.

Agente Principal (Coordenador)
  ├── Worker A: Pesquisar o modelo de preços do Notion
  ├── Worker B: Pesquisar o modelo de preços do Linear
  └── Worker C: Pesquisar o modelo de preços do Monday.com
O Agente Principal combina as entradas em uma tabela comparativa de preços.

Por que funciona: Se você fizesse isso sequencialmente, a janela de contexto do Agente Principal ficaria cheia de HTML bruto de três páginas de preços diferentes. Ao paralelizar, cada Worker processa os dados brutos e retorna apenas o resumo estruturado.

Modelo de Worker Recomendado: gpt-4o-mini ou gemini-2.5-flash (baixo custo).

Padrão 2: O Pipeline

Subagente 1: Coleta dados brutos (habilidade de pesquisa na web) ↓ Subagente 2: Limpa e estrutura os dados (habilidade de raciocínio) ↓ Subagente 3: Gera insights (habilidade de análise) ↓ Agente Principal: Formata para entrega

Por que funciona: Isso isola as partes “bagunçadas” do processo. O agente que faz a análise de alto valor nunca vê o lixo de HTML bruto da etapa 1.

Padrão 3: Roteamento de Especialista

Em vez de um agente generalista, o Agente Principal atua como um roteador.

Agente Principal (Roteador) ├── “Agendar uma reunião” → Agente especialista em Google Calendar ├── “Redigir um e-mail” → Agente especialista em escrita └── “Pesquisar este tópico” → Agente especialista em pesquisa na web

Dica Pro: Como os Subagentes não carregam o SOUL.md, você deve colocar sua lógica de roteamento no AGENTS.md.

Regras de Roteamento do AGENTS.md

Ao rotear tarefas para subagentes:

  • Solicitações de calendário: inicie com as habilidades google-calendar e google-workspace
  • Solicitações de pesquisa: inicie com a habilidade web-search, use o modelo gpt-4o-mini
  • Solicitações de escrita: inicie com o contexto de escrita explicitamente injetado na descrição da tarefa

### Padrão 4: Fan-Out / Fan-In (O Briefing Matinal)

Este é o "Olá, Mundo" dos agentes paralelos.

---

**Sequencial (Modo Antigo):** Verificar o tempo (5s) → Verificar a agenda (5s) → Verificar e-mail (10s) → Verificar notícias (10s) → Resumir (5s). Total: **~35 segundos.**

**Paralelo (Modo Novo):**
7:00 AM → Agente Principal gera 4 workers instantaneamente:
*   **Agente A:** Previsão do AccuWeather para São Francisco
*   **Agente B:** Reuniões de hoje no Google Calendar
*   **Agente C:** Resumo dos não lidos do Gmail (sinalizar itens urgentes)
*   **Agente D:** 5 principais manchetes do HackerNews + TechCrunch

---

O tempo total é determinado pelo agente mais lento (~15s) + síntese (5s) = **~20 segundos.**

---

---

## Estratégia Crítica de Custo: "Chefe Inteligente, Estagiários Baratos"

O maior risco com Sub-Agentes é a multiplicação de custos. Se você gerar 5 agentes e todos eles usarem o Claude Opus 4.6, você acabou de multiplicar sua conta de API por 5.

A solução é a atribuição explícita de modelos.

**O Chefe (Agente Principal):** Precisa de alta capacidade de raciocínio para decompor tarefas e sintetizar resultados.
*   **Modelo:** `anthropic/claude-opus-4-6` ou `claude-sonnet-4-6`

---

**Os Estagiários (Trabalhadores):** Geralmente executando tarefas claras e delimitadas (resuma isso, encontre aquilo).
*   **Modelo:** `openai/gpt-4o-mini` ou `google/gemini-2.5-flash`

Você pode definir este padrão na sua configuração para evitar acidentes:

```json
{
  "agents": {
    "defaults": {
      "subagents": {
        "model": "openai/gpt-4o-mini",
        "maxSpawnDepth": 1,
        "maxChildrenPerAgent": 5
      }
    }
  }
}

Avançado: O Padrão Orquestrador (Profundidade 2)

Por padrão, o OpenClaw define maxSpawnDepth: 1, o que significa que um Subagente não pode gerar seus próprios Subagentes.

Para projetos complexos, você pode habilitar a Profundidade 2:

{ "agents": { "defaults": { "subagents": { "maxSpawnDepth": 2 } } } }

Isso habilita uma hierarquia de três camadas:

Agente Principal (CEO) └── Agente Orquestrador (Gerente) — Possui permissão sessions_spawn ├── Trabalhador A (Estagiário) — Não pode gerar ├── Trabalhador B (Estagiário) └── Trabalhador C

OpenClaw vs. Equipes de Agentes Claude Code

Ambos existem. Qual deles você deveria realmente usar?

RecursoSubagentes OpenClawEquipes de Agentes Claude Code
Público-alvoAutomação geral (e-mail, pesquisa, operações)Codificação e engenharia de software
ComunicaçãoHub-and-spoke (Trabalhadores se reportam ao Principal)Malha (Membros da equipe trocam mensagens entre si)
MaturidadeRecurso pronto para produçãoAlfa / Experimental
ConfiguraçãoIntegrado, nenhuma configuração necessáriaRequer a edição de settings.json
ContextoIndependente por agenteIndependente por agente

Se você estiver construindo um compilador, use Claude Code. Se você estiver construindo um assistente pessoal ou um fluxo de trabalho empresarial, use OpenClaw.

Limitações Práticas

  1. Comunicação Unidirecional: Sub-Agentes só podem se reportar ao seu agente pai. Eles não podem consultar o agente pai para obter esclarecimentos no meio da tarefa.
  2. Sem SOUL.md: Lembre-se, Sub-Agentes são tábulas rasas. Se você quiser que eles tenham uma personalidade ou regras de comportamento específicas, você deve incluir essas instruções no prompt da task ou no AGENTS.md.
  3. Limites de Concorrência: Não tente gerar 50 agentes de uma vez. Você atingirá os limites de taxa da API instantaneamente. O limite padrão é de 8 sessões simultâneas.

Se Você Não Quer Gerenciar Isso: TinyClaw

Gerenciar arquiteturas de agentes paralelos, configurar o maxSpawnDepth e monitorar os custos de token em vários modelos é complexo.

TinyClaw simplifica isso

Gerenciar uma equipe de agentes não precisa custar $20.000. Comece com um briefing matinal.

→ tinyclaw.dev · Gratuito para começar · Sua equipe de agentes rodando em 60 segundos

Fontes de dados: Blog de Engenharia da Anthropic (“Building a C compiler with a team of parallel Claudes”, Fev 2026); Documentação do OpenClaw (docs.openclaw.ai/tools/subagents).

Precisa de uptime 24/7 para suas equipes de agentes? Confira o AgentPuter para hospedagem gerenciada em nuvem.