claw-multi-agent

claw-multi-agent 🐝

1 つの AI を AI チームに置き換えましょう。直列処理を並列処理に。数時間かかる作業を数分に。

---

何ができますか？

シナリオ	例	高速化
並列調査	5 つのフレームワークを同時に検索し、それぞれがレポートを作成します	~65% ⚡
複数モデルの比較	Claude、Gemini、Kimi に同じ質問を同時に尋ねます	~50% ⚡
コードのパイプライン	計画 → コード作成 → レビューを順番に自動引き継ぎします	品質 ↑
バッチ処理	複数のドキュメントを並列で翻訳／分析／要約します	線形に拡張

---

⚡ 30 秒で始める

次のように伝えるだけです。

• 「LangChain、CrewAI、AutoGen を並列で調査して」
• 「複数のエージェントにこれらのトピックを検索させ、統合レポートを作成して」
• 「Claude と Gemini のこの質問への回答を比較して」
• 「マルチエージェントモードを使ってこの調査をして」

---

🎭 対話スタイル — ユーザーへの話し方

以下は推奨されるパターンです。マルチエージェントを実行する際は、必ずこの対話パターンに従ってください。

ステップ 0 — まず最初にスキルの有効化を知らせる

⚠️ 絶対ルール：有効化の通知は、タスクを受け取った後の最初の返信でなければなりません。ファイルを読む前、調査する前、エージェントを起動する前に送ってください。

重要な理由：ファイルの読み込み、背景の調査、エージェントの起動には時間がかかります。先にこれらを行うと、ユーザーを長時間待たせることになります。さらに、その間にコンテキストが圧縮されると、通知を送れなくなるおそれがあります。

正しい順序：タスクを受け取る → すぐに通知を送る → その後でファイルを読む／エージェントを起動する／待機する

このスキルが起動したら、計画やエージェントの起動よりも前に、まず次のことを伝えます。

🐝 **claw-multi-agent 已唤醒**
多智能体并行模式启动，我来组建 Agent 小队处理这个任务。

これにより、スキルが有効であることをユーザーに知らせ、これから行うことへの期待を設定します。

エージェントの起動前 — 計画を知らせる

有効化の通知を送ったらすぐに、sessions_spawn を呼び出す前に計画を提示します。

🚀 [N]个方向同时开搞，全面覆盖你的问题。

📋 任务规划：
🔍 研究员A（GLM）— [一句话任务描述]
🔍 研究员B（GLM）— [一句话任务描述]
📊 分析师（Kimi）— 先等前[N]个结果，单独召唤（note when sequential）

模式：🎯 指挥官模式（联网搜索）
预计耗时：~[X]s（[N] Agent 并行[，分析师串行跟进]）
正在派出 Agent 小队...

役割の絵文字一覧：

役割	絵文字	例
調査担当	🔍	🔍 研究员A（GLM）— XX を調査
分析担当	📊	📊 分析师（Kimi）— 詳細な比較
執筆担当	✍️	✍️ 写作者（Gemini）— レポートの草稿を作成
コーディング担当	💻	💻 程序员（Kimi）— ロジックを実装
レビュー担当	🔎	🔎 审核员（GLM）— 品質を確認
計画担当	📋	📋 规划师（Sonnet）— タスクを分解

主なルール：

• ✅ 各エージェントについて、絵文字 + 役割 + モデル名 + 1 行のタスクを必ず記載します
• ✅ モード（指挥官／流水线／混合）と所要時間の目安を明記します
• ✅ 通知の最後に 正在派出 Agent 小队... を付けます
• ✅ 順番に実行するエージェントは、「先等前N个结果，单独召唤」と記載します
• ❌ 通知せずに sessions_spawn を呼び出すことは禁止です

待機中 — 簡潔にひとこと伝える

エージェントを起動した後、次の 1 行を伝えます。

⏳ 子 Agent 已全部出发，等结果回来...

結果を受け取った後 — 構造化して出力する（生データを貼り付けない）

サブエージェントの生の出力をそのまま貼り付けてはいけません。 必ず内容の論理に沿って整理し直してください。エージェントの順番に沿ってはいけません。

推奨する出力順：

1. 执行统计卡 ← 先让用户知道跑了什么
2. 核心结论（3-5条最重要发现）← 最有价值的放最前面
3. 分主题展开细节（按内容逻辑组织，不按子Agent顺序）← 读起来是一篇完整文章
4. 下一步行动建议 ← 落地结尾

統計カードの形式：

## 📊 执行统计
| Agent | 模型 | 耗时 | 状态 |
|-------|------|------|------|
| 🔍 研究员A | GLM | 58s | ✅ |
| 🔍 研究员B | GLM | 62s | ✅ |
| 📊 分析师  | Kimi | 45s | ✅ |
串行需要约 165s → 并行实际 62s，节省 **62%** ⚡

❌ 誤り — エージェントの順番：

子Agent1的结果...
子Agent2的结果...
子Agent3的结果...  ← 读者要自己拼图，体验差

✅ 正しい — 内容の論理に沿った順番：

## 核心结论
1. 最重要发现A（来自多个Agent综合）
2. 最重要发现B
...

## 详细分析：[主题1]
...（整合所有相关Agent的内容）

## 详细分析：[主题2]
...

## 下一步建议
...

メインエージェントは、すべてを自分の言葉で書き直します。 サブエージェントの出力は素材であり、最終回答ではありません。

結果の後 — レポートを納品する（チャネルに応じて対応）

必ず最初にファイルへ保存してください。その後、現在のチャネルに応じて納品します。

# Step 1: Always save to file first
write("/workspace/projects/{topic-slug}/report.md", content)

次に、チャネルに応じて納品方法を選びます。

チャネル	納品方法
feishu ＋ feishu-all-operations スキルあり	Feishu ドキュメントを作成 → リンクを送信（最適な UX）
feishu ＋ Feishu スキルなし	message(filePath=..., filename="report.md") — 添付ファイルとして送信
Discord / Telegram / Slack	message(message=...) — Markdown が通常どおり表示されます
その他 / 不明	ファイルを保存し、ユーザーにパスを伝えます

重要な理由： Feishu のチャットでは Markdown が表示されません。Markdown の生テキストを送ると、## や |---| の記号がそのまま表示されます。Feishu では必ず添付ファイルまたはドキュメントのリンクを使ってください。

# Feishu (no Feishu doc skill): send as attachment
message(action="send", filePath="/workspace/projects/{topic-slug}/report.md", filename="report.md")

# Discord/Telegram: send markdown directly
message(action="send", message=report_content)

最後は次の1行で締めくくります。

需要调整某个方向，或推送到飞书文档吗？

ルール：

• ✅ チャネルにかかわらず、必ず最初に .md ファイルを保存します
• ✅ 送信方法を決める前に、現在のチャネルを確認します
• ❌ Feishu で300語を超える Markdown テキストを貼り付けないでください — 表示されません
• ❌ 「レポートは /path/xxx に保存しました」とだけ伝えないでください — ユーザーはサーバー上のパスを開けません
• ❌ 「文書にまとめましょうか？」と尋ねないでください — そのまま実行します

順次実行と並列実行 — 分析者は調査担当者の完了を待つ

重要： 同じラウンドで起動されたエージェントは並列で実行され、互いのコンテキストを共有しません。

❌ Wrong: spawn researcher-A + researcher-B + analyst all at once
          → analyst has no data, returns empty

✅ Right: 
  Round 1: spawn researcher-A + researcher-B (parallel, independent)
  Wait for both to return...
  Round 2: main agent consolidates research results
           → then either: main agent writes analysis itself
           → or: spawn analyst with research results injected as context

ベストプラクティス：別のエージェントの出力に依存するエージェントは、依存する情報を収集した後、後続のラウンドで起動してください。

---

🤖 モデル選択ガイド — 役割に応じたモデルの選び方

各エージェントには必ず適切なモデルを選びます。告知ではモデルを明示してください。

モデル一覧

モデル	別名	特徴	適した役割
glm	GLM	低コスト、高速、中国語に強い	検索、簡単な調査、状態確認
kimi	Kimi	長いコンテキスト（128k）、コードに強い	詳細な分析、コード、長文の統合
gemini	Gemini	創造性が高く、マルチモーダル	執筆、コピーライティング、画像理解
sonnet	Claude Sonnet	バランスがよく、ツール呼び出しが安定	複雑な推論、計画、レビュー
opus	Claude Opus	最も強力な推論能力	極めて複雑な分析、アーキテクチャ設計

役割 → モデルの対応（デフォルト）

役割	デフォルトのモデル	理由
🔍 調査担当者 / Researcher	GLM	軽量な検索に十分で、低コスト
📊 分析者 / Analyst	Kimi	長いコンテキストで大量の資料を処理
✍️ 執筆者 / Writer	Gemini	創造的な執筆に最適
💻 プログラマー / Coder	Kimi	長いコンテキストでコードを理解
🔎 レビュアー / Reviewer	GLM	簡単な判断に適し、強力なモデルは不要
📋 プランナー / Planner	Sonnet	構造化された計画の作成に強い
🧐 批評者 / Critic	Sonnet	論理が厳密で、前提に異議を唱えられる

デフォルトを変更する場合

• タスクがとても簡単 → GLM に切り替えます（コストを節約）
• 最高品質が必要 → Opus に切り替えます
• ユーザーがモデルを明示的に指定 → ユーザーの指定に従います
• 複数モデルを比較する場合 → エージェントごとに異なるモデルを使い、告知で説明します

モデルを必ず告知する

起動前の告知では、各エージェントの行にモデルを必ず含めます。

✅ 这样：🔍 研究员A（GLM）— 调研 LangChain
❌ 这样：🔍 研究员A — 调研 LangChain

---

ステップ 0：まず必ず計画する（エージェント数は動的に決定）

起動するエージェントの数を固定しないでください。 適切な数はタスクの複雑さによって異なります。必ず計画ステップから始めてください。

1. Analyze the task → identify subtopics / dimensions
2. Decide: how many agents? which roles? which mode?
3. Spawn accordingly (could be 2, could be 10)
4. Consolidate results

計画出力の例：

Task: "Research the top AI agent frameworks"
→ Plan: 5 researchers (one per framework) + 1 analyst for comparison
→ Mode: Orchestrator (needs web search)
→ Spawn: 5 parallel sub-agents

エージェントの数はテンプレートではなく、タスクに合わせて決めてください。

---

3つのモード — 意図に応じて自動で振り分け

モードを伝える必要はありません。 タスクを説明するだけで構いません。このスキルは次の2つのシグナルを読み取ります。

1. ウェブ検索やリアルタイム情報が必要ですか？ → sessions_spawn を使用（ツールあり）
2. 比較用に複数のドラフトが必要ですか？ → ライターを並列で起動

User says anything
        ↓
  Wants multiple versions / drafts / angles?
        YES ──→ Also needs web search?
        │              YES → 🔀 Hybrid Mode   (search first, then N drafts)
        │              NO  → 🔄 Pipeline Mode (N drafts in parallel, pure text)
        │
        NO  ──→ Needs web search / file ops?
                       YES → 🎯 Orchestrator Mode (sessions_spawn, parallel)
                       NO  → 🔄 Pipeline Mode     (pure text, faster)

スキルが検出するトリガーシグナル：

シグナル	例	起動するモード
複数ドラフトの意図	「いくつかのバージョン」「複数の視点」「選ばせて」「それぞれ書いて」「different styles」	パイプラインまたはハイブリッド
検索の意図	「検索」「最新」「調査」「インターネットで」「search」「latest」	オーケストレーターまたはハイブリッド
両方	「検索した後にレポートを複数案出して」「research then write multiple drafts」	ハイブリッド
どちらもなし	「翻訳」「分析」「執筆」、プレーンテキストのタスク	パイプライン

ルーターに直接確認することもできます。

python scripts/router.py mode "搜索竞品资料，帮我写3个版本的分析"
# → 🔀 HYBRID
python scripts/router.py mode "调研LangChain并写一份报告"
# → 🎯 ORCHESTRATOR
python scripts/router.py mode "用三个角度分析这个方案"
# → 🔄 PIPELINE

🎯 オーケストレーター モード（ツールを使用した真の並列処理）

sessions_spawnを介してサブエージェントを起動します。各エージェントは、ウェブ検索、ファイルの読み書き、コード実行など、OpenClaw のすべてのツールを利用できます。

⚡ 並列処理の仕組み： 同じツール呼び出しラウンドで複数のsessions_spawnを呼び出すと、OpenClaw はそれらを同時に実行します。すべてのサブエージェントが一斉に実行され、完了するとメインエージェントがすべての結果を収集します。

Same round → parallel execution:

sessions_spawn(task="Search LangChain...") ──┐
sessions_spawn(task="Search CrewAI...")    ──┤→ all run simultaneously
sessions_spawn(task="Search AutoGen...")   ──┘
sessions_spawn(task="Search LangGraph...") ─┘

↓  (all finish, main agent receives all 4 results)

Main agent consolidates → writes full report

**逐次処理＝1つ起動し、結果を待ってから次を起動します。**後続のタスクが先行タスクの結果に依存する場合（例：調査の完了後にレポートを作成する場合）にのみ使用してください。

起動方法 — 役割、モデルのヒント、返す内容を必ず含めてください：

# Parallel research: spawn all 4 in the same round → they run simultaneously
sessions_spawn({
    "task": "[CONTEXT] Comparing AI agent frameworks for a tech team report.\n\n[YOUR TASK] Search LangChain: architecture, pros/cons, GitHub stars, latest version. Return 5 bullet points ≤100 words each. Do NOT write a full report.",
    "label": "🔍 researcher-langchain [model: default]"
})
sessions_spawn({
    "task": "[CONTEXT] Same report.\n\n[YOUR TASK] Search CrewAI: architecture, pros/cons, GitHub stars, latest version. Return 5 bullet points ≤100 words each.",
    "label": "🔍 researcher-crewai [model: default]"
})
sessions_spawn({
    "task": "[CONTEXT] Same report.\n\n[YOUR TASK] Search AutoGen: architecture, pros/cons, GitHub stars, latest version. Return 5 bullet points ≤100 words each.",
    "label": "🔍 researcher-autogen [model: default]"
})
sessions_spawn({
    "task": "[CONTEXT] Same report.\n\n[YOUR TASK] Search LangGraph: architecture, pros/cons, GitHub stars, latest version. Return 5 bullet points ≤100 words each.",
    "label": "🔍 researcher-langgraph [model: default]"
})
# All 4 run in parallel → when all return, main agent consolidates and writes report

混合処理：並列処理の後に逐次処理（最も一般的なパターン）：

# Phase 1: parallel research (spawn all at once)
sessions_spawn({"task": "[CONTEXT] ...\n\n[TASK] Search LangChain. 5 bullets ≤100 words.", "label": "🔍 researcher-langchain"})
sessions_spawn({"task": "[CONTEXT] ...\n\n[TASK] Search CrewAI. 5 bullets ≤100 words.", "label": "🔍 researcher-crewai"})
sessions_spawn({"task": "[CONTEXT] ...\n\n[TASK] Search AutoGen. 5 bullets ≤100 words.", "label": "🔍 researcher-autogen"})

# Phase 2: after all 3 return → main agent writes report (sequential, depends on research)
# (main agent does this directly, no need to spawn a writer)

主なルール：

• ✅ 同じラウンド＝並列処理：独立したタスクでは複数のエージェントを一度に起動します
• ✅ 逐次処理：1つ起動し、結果を待ってから次を起動します。タスクが互いに依存する場合にのみ使用してください
• ✅ サブエージェントが返すのは要約のみです（各項目100語以内）
• ✅ メインエージェントが完全なレポートを作成します（トークン上限による失敗を回避します）
• ✅ 各エージェントに、役割と使用モデルを明記します
• ❌ サブエージェントに、検索と長いレポートの作成を両方依頼しないでください

---

🔄 パイプラインモード（純粋なテキスト、あらゆるタスクに対応）

Python CLI を介してエージェントを実行します。ウェブ検索はできませんが、文章作成、分析、翻訳、複数モデルの比較、ブレインストーミング、コード生成など、純粋なテキストタスクに対応します。

cd ~/.openclaw/skills/claw-multi-agent

# Parallel: multiple agents tackle different angles simultaneously
python run.py --mode parallel \
  --agents "fast:🔍 researcher:summarize the pros of microservice architecture" \
           "fast:🔍 researcher:summarize the cons of microservice architecture" \
           "fast:🔍 researcher:list real-world companies using microservices and outcomes" \
           "smart:📊 analyst:compare microservices vs monolith for a 10-person startup" \
  --aggregation synthesize

# Sequential: chain agents, each builds on the previous output
python run.py --mode sequential \
  --agents "fast:📋 planner:break down how to build a REST API in Python" \
           "smart:💻 coder:implement the API based on the plan above" \
           "fast:🔎 reviewer:review the code for bugs and security issues" \
  --aggregation last

# Auto-route: router classifies task and picks tiers automatically
python run.py --auto-route --task "write a technical blog post about GRPO vs PPO"

# Dry-run: preview the plan without executing
python run.py --dry-run \
  --agents "fast:researcher:research X" "smart:writer:write report"

パイプラインモードが特に適している用途：

• 多角的な分析（観点ごとにエージェントを1つ起動）
• 複数モデルの比較（同じタスクを異なるモデルで実行）
• コードパイプライン（計画 → コード作成 → レビュー）
• 一括作成（N件の文書を並列で翻訳／要約）

---

🔀 ハイブリッドモード（検索＋複数の草稿）

両方の利点を組み合わせます。サブエージェントがウェブを検索して（ツールを使用）、その後、複数のライターが調査結果に基づいて並列で草稿を作成します。

**使用する場合：**ユーザーがリアルタイムの調査と、比較用の複数バージョンの両方を求めている場合です。

Phase 1 (Orchestrator — with tools, parallel):
  sessions_spawn(search topic A) ──┐
  sessions_spawn(search topic B) ──┤ → all run simultaneously
  sessions_spawn(search topic C) ──┘
  ↓ research summaries collected

Phase 2 (Pipeline — pure text, parallel):
  openclaw agent (writer style 1) ──┐
  openclaw agent (writer style 2) ──┤ → all run simultaneously
  openclaw agent (writer style 3) ──┘
  ↓ 3 draft versions returned

Main agent: compare drafts → pick best or synthesize

CLI の使用方法：

# Auto: router detects hybrid intent and runs both phases
python run.py --mode hybrid --task "调研主流AI框架，给我3个不同风格的对比报告" --num-drafts 3

# Auto-mode: let router decide the mode automatically
python run.py --auto-mode --task "搜索竞品资料后写几个版本的分析"

会話内での使用方法（sessions_spawn アプローチ）：

# Phase 1: parallel research (spawn all at once)
sessions_spawn({"task": "[CONTEXT] ...\n\n[TASK] Search LangChain. 5 bullets.", "label": "🔍 research-langchain"})
sessions_spawn({"task": "[CONTEXT] ...\n\n[TASK] Search CrewAI. 5 bullets.", "label": "🔍 research-crewai"})
sessions_spawn({"task": "[CONTEXT] ...\n\n[TASK] Search AutoGen. 5 bullets.", "label": "🔍 research-autogen"})

# After all 3 return → Phase 2: main agent writes 3 draft versions itself
# (or spawn 3 pipeline agents with research as context)

---

スマートルーター

組み込みのタスク分類機能です。キーワードに基づいて適切なティアを自動選択します：

python scripts/router.py classify "write a Python web scraper"
# → Tier: CODE  (routes to smart model)

python scripts/router.py classify "research the latest LLM papers"
# → Tier: RESEARCH  (routes to fast model)

python scripts/router.py spawn --json --multi "research X and write a report"
# → splits into 2 tasks: RESEARCH + CREATIVE

ティア	モデル	用途
FAST	default（軽量）	簡単な質問、ステータス確認、翻訳、検索
CODE	default（高性能）	プログラミング、デバッグ、実装
RESEARCH	default（軽量）	調査、検索、比較、概観
CREATIVE	default（高性能）	文章作成、記事、ドキュメント
REASONING	default（最上位）	アーキテクチャ、論理、複雑な分析

---

contextSharing：サブエージェントに背景情報を提供する

サブエージェントは新しいセッションとして開始されるため、あなたの目的を把握していません。[CONTEXT]ブロックを追加してください。

パターン1：recent（推奨 — 95％のケースで有効）

[CONTEXT] User is comparing AI agent frameworks for a team report. Audience: engineers.

[YOUR TASK] Search LangChain pros and cons. Return 5 bullet points ≤100 words each.

パターン2：summary（逐次タスク — 先行タスクの結果を引き継ぐ）

[PRIOR FINDINGS]
- LangChain: richest ecosystem, steep curve
- CrewAI: clean role separation...

[YOUR TASK] Based on above, search AutoGen. Return 3 unique points not covered above.

パターン3：full（複雑な背景情報 — エージェントにファイルを読ませる）

[CONTEXT FILE] Read /workspace/research/context.md for full background.

[YOUR TASK] Search latest Test-Time Compute Scaling advances. Return 3 summaries.

並列エージェント間でコンテキストを再利用する：

BG = "Researching RL post-training for ML engineers. Topics: GRPO/DAPO/PPO, veRL."

sessions_spawn({"task": f"[CONTEXT] {BG}\n\n[TASK] Search GRPO vs PPO benchmarks. 5 bullets ≤100 words.", "label": "🔍 researcher-grpo [model: default]"})
sessions_spawn({"task": f"[CONTEXT] {BG}\n\n[TASK] Search DAPO design. 5 bullets ≤100 words.", "label": "🔍 researcher-dapo [model: default]"})
sessions_spawn({"task": f"[CONTEXT] {BG}\n\n[TASK] Search veRL architecture. 5 bullets ≤100 words.", "label": "🔍 researcher-verl [model: default]"})

---

実行概要 — 必ず出力する

マルチエージェントの実行後は、標準のカードを出力してください：

## 📊 Execution Summary

Mode: 🎯 Orchestrator Mode (sessions_spawn, with tools)

| Agent | Role | Model | Time | Status |
|-------|------|-------|------|--------|
| 🔍 researcher-langchain | Researcher | default | 22s | ✅ |
| 🔍 researcher-crewai    | Researcher | default | 19s | ✅ |
| 🔍 researcher-autogen   | Researcher | default | 24s | ✅ |
| 🔍 researcher-langgraph | Researcher | default | 21s | ✅ |
| ✍️ main (consolidate)   | Writer     | default | 38s | ✅ |

Agents spawned: 4  |  Parallel time: ~24s  |  Serial equivalent: ~86s  |  Saved: ~62s (72%)

必ず含める項目：

• モード（オーケストレーター／パイプライン＋逐次／並列）
• 各エージェントの役割の絵文字＋名前＋使用モデル
• エージェントごとの実際の経過時間
• 並列処理の合計時間と逐次処理の場合の想定時間

---

事前設定済みの役割

役割	絵文字	最適な用途
researcher	🔍	ウェブ検索、情報収集
writer	✍️	レポート、ドキュメント、記事
coder	💻	コード作成、デバッグ、実装
analyst	📊	データ分析、比較、統計
reviewer	🔎	コード／コンテンツのレビュー、QA
planner	📋	タスクの計画、分解
critic	🧐	リスク分析、反対意見の提示

---

⚠️ 注意点

落とし穴 0：アナウンスする前にファイルを読む（最もよくあるミス）

アクティベーションのアナウンスを送信する前にコンテキストを調査すると、沈黙が長引き、コンテキストの圧縮によってアナウンス自体が失われるおそれがあります。

• ❌ タスクを受け取る → operators.py を読む → README を読む → アナウンスする → 起動する
• ✅ タスクを受け取る → すぐにアナウンスする（「タスクを分析中です…」など）→ ファイルを読む → 起動する

落とし穴 1：サブエージェントの出力トークン上限

サブエージェントの出力上限は約 4096 トークンです。上限を超えると → ツール引数が切り詰められ → ファイルへの書き込みが気づかれないまま失敗します。

• ❌ 「検索して、2000 語のレポートを書く」
• ✅ サブエージェントは要約を返し、メインエージェントがレポートを書く

落とし穴 2：Pipeline Mode では Orchestrator Mode にツールがない

python run.py のプロセスでは web_search、exec などを利用できません。

• ❌ Pipeline mode：「X の最新ニュースを検索する」
• ✅ 実際のウェブアクセスが必要な作業 → Orchestrator Mode

落とし穴 3：並列エージェントは互いに依存できない

同じラウンドで起動されたエージェントは同時に実行されます。

• ❌ エージェント 2：「エージェント 1 の結果に基づいて…」
• ✅ 並列＝独立、逐次＝連鎖

落とし穴 4：エージェントの数を固定しない

テンプレートに合わせるのではなく、タスクに合わせてエージェントを割り当てます。

• ❌ 常にエージェントをちょうど 3 つ起動する
• ✅ まず計画し、その後に決定する：単純なタスク → エージェント 2 つ、複雑なタスク → 8 つ以上

---

Pipeline モードのクイックリファレンス

python run.py
  --mode parallel|sequential
  --agents "tier_or_model:🎭role:task description"   # repeatable, any number
  --aggregation synthesize|compare|concatenate|last
  --timeout 300
  --dry-run          # preview without executing
  --auto-route       # router picks tiers automatically
  --list-models      # show current model config

集約方法	効果
synthesize	メインエージェントがすべての出力を要約します（デフォルト）
compare	各エージェントの出力を並べて表示します
concatenate	出力を順番に連結します
last	最後のエージェントの出力のみを使用します（逐次）