Orchestrator
Task orchestration framework for Tencent Coding Plan users.
⚡ Token Budget Control (必读!)
每次spawn前必须评估：
| 子代理数量 | 预估Token消耗 | 执行策略 |
|---|---|---|
| 1-2个 | <10K | 直接执行 |
| 3-5个 | 10K-50K | 告知用户后执行 |
| 6+个 | >50K | 必须用户确认 |
硬限制：
- 单次任务最大子代理数：5个
- 单个文件最大传输：50KB
- 总文件传输上限：200KB
触发确认条件：
- 子代理数 ≥ 3
- 需要传输文件
- 用户没有明确说"并行执行"
🧠 智能路由规则
任务复杂度判断
执行前先问：这个任务真的需要spawn吗？
❌ 不需要spawn的情况：
- 单一简单任务（搜索、翻译、写作）
- 任务之间有强依赖（串行而非并行）
- 能用主会话直接完成的
✅ 需要spawn的情况：
- 多个独立子任务可以并行
- 不同子任务需要不同模型专长
- 任务量巨大，单次处理会超时
任务合并优先
能合并就合并，省钱！
| 原计划 | 优化后 | 省Token |
|---|---|---|
| 3个搜索子代理 | 合并为1个turbos | 66% |
| 搜索+分析 | 合并为1个thinking | 50% |
| 5个小任务 | 按类型合并为2个 | 60% |
模型成本排序
便宜 → 贵：
hunyuan-turbos— 最便宜，搜索/快速任务首选glm-5— 写作，大context但性价比高hunyuan-t1— 代码专用kimi-k2.5— 长文档，262K contexthunyuan-2.0-thinking— 最贵，深度推理
选择原则：能用便宜的就不选贵的
// 正确示例
✅ 简单搜索 → turbos（不是thinking）
✅ 写报告 → glm-5（不是kimi）
✅ 复杂推理 → thinking（值得）
// 错误示例
❌ 简单搜索 → thinking（浪费）
❌ 短文档 → kimi（大材小用）
📁 文件传输优化
发送前检查
// 检查文件大小
if (file.size > 10KB) {
// 先问用户是否发送
if (!userConfirmed) {
// 先摘要再发送
content = summarize(file);
}
}
禁止发送的文件
| 类型 | 原因 |
|---|---|
.git/ |
太大，没必要 |
node_modules/ |
太大，没必要 |
*.exe, *.dll, *.so |
二进制，API处理不了 |
*.zip, *.tar.gz |
压缩包，先解压 |
| 文件 > 50KB | 先摘要 |
智能摘要规则
// 大文件处理策略
if (file.size > 50KB && file.type == "code") {
// 发送文件结构 + 关键函数
content = `
文件: ${filename}
大小: ${size}
结构: ${extractStructure(file)}
关键部分: ${extractKeySections(file)}
`;
}
🚀 执行流程
Step 1: 任务分析
用户输入任务
↓
判断是否需要orchestrate
↓ (需要)
评估复杂度 → 子代理数量估算
↓
检查是否超过阈值 → 需要确认则问用户
↓
执行
Step 2: 分解与合并
原始任务
↓
识别子任务类型
↓
合并同类型子任务
↓
分配最优模型
↓
计算预估Token
↓
确认或执行
Step 3: 执行与聚合
Spawn子代理 (并行)
↓
收集结果
↓
主会话聚合输出
↓
返回用户
⚠️ 重要限制
子代理无本地工具权限！
| 限制 | 说明 |
|---|---|
| 无本地工具 | 子代理运行在腾讯云端，无法调用本地工具（akshare/tushare/浏览器等） |
| 无文件系统 | 无法读取本地文件（除非通过task传入内容） |
| 无网络代理 | 无法使用你的VPN/代理访问内网资源 |
正确做法：
❌ 错误：子代理获取实时A股数据 → 卡住
✅ 正确：主会话用akshare获取数据 → 传给子代理分析
📊 任务类型对照表
| 类型 | 模型 | Context | 适用场景 | 成本 |
|---|---|---|---|---|
| search | hunyuan-turbos | 32K | 快速搜索、简单问答 | 💰 |
| writing | glm-5 | 202K | 文档写作、报告生成 | 💰💰 |
| coding | hunyuan-t1 | 64K | 代码生成、调试 | 💰💰💰 |
| data-processing | kimi-k2.5 | 262K | 长文档、数据分析 | 💰💰💰 |
| reasoning | hunyuan-2.0-thinking | 128K | 复杂推理、深度分析 | 💰💰💰💰 |
🎯 最佳实践
1. 能不spawn就不spawn
用户：帮我搜索FastAPI教程
❌ spawn子代理用turbos搜索
✅ 主会话直接搜索（更省token）
2. 能合并就合并
用户：搜索FastAPI、Flask、Django的对比
❌ spawn 3个子代理分别搜索
✅ spawn 1个turbos搜索三者对比
3. 大文件先摘要
用户：分析这个100KB的日志文件
❌ 直接发送100KB内容
✅ 先提取关键部分，发送5KB摘要
4. 告知用户成本
用户：帮我并行处理这10个任务
✅ 这个任务需要spawn约10个子代理，预估消耗50K+ token，确认执行吗？
🔐 安全摘要
| 方面 | 状态 |
|---|---|
| 凭证存储 | OpenClaw管理（不在技能中） |
| 外部API调用 | 是（腾讯Coding Plan） |
| 数据外发 | 任务上下文、任务中的文件 |
| 自主操作 | 是（spawn子代理） |
| 用户通知 | 是（spawn时） |
| Token预算控制 | 是（本版本新增） |
📝 使用示例
示例1：简单任务（不spawn）
用户：搜索Python异步编程最佳实践
分析：
- 单一搜索任务
- 主会话可完成
决策：主会话直接执行，不spawn
示例2：中等任务（合并spawn）
用户：研究FastAPI并写一个学习指南
分析：
- 搜索FastAPI资料
- 整理信息
- 写学习指南
优化：
- 搜索+整理 → 1个turbos
- 写指南 → 1个glm-5
决策：spawn 2个子代理，预估10K token，告知用户后执行
示例3：复杂任务（需确认）
用户：分析这个项目目录下所有代码，并生成架构文档
分析：
- 需要读取多个文件
- 需要深度分析
- 需要写长文档
检查：
- 文件总大小：估计200KB
- 子代理数量：3-5个
- 预估Token：50K+
决策：询问用户确认，并建议只发送关键文件
License
MIT - Use freely, modify, distribute.
Requires Tencent Coding Plan subscription.