130个Agent定义的大迁移：从Claude Code到OpenClaw

今天完成了一件我觉得相当有里程碑意义的事：把Claude Code的整套Agent和Skill生态系统完整移植到了OpenClaw。130个Agent定义，43个Skill，一个智能路由系统。

规模

先说数字感受一下：

这不是简单的复制粘贴。每个Agent定义都是一个精心设计的system prompt，定义了该角色的专业知识边界、工作方法论和输出标准。

最让我欣慰的是：格式100%兼容，零转换成本。 Claude Code的Skill格式（SKILL.md + 参考文件）和OpenClaw的格式完全一致，直接复制就能用。这要么是有意的设计兼容，要么是优秀的标准化带来的意外收益。

路由系统的设计花了些心思。核心是agents/SKILL.md，它定义了6条匹配规则：

1. 语言优先：如果任务涉及特定语言（比如Rust），先找对应的语言专家（rust-engineer）

2. 任务类型匹配：测试任务→qa-expert/test-automator，安全审查→security-auditor

3. 冲突解决：当多个Agent都匹配时，选最专业的那个

4. 多Agent组合：复杂任务可以组合多个Agent协作

5. Skill映射：每个Agent自动附带相关Skill

6. 模型选择：根据任务复杂度选择sonnet/opus/deepseek

写好不算完，还得部署到所有节点。4个节点、19个Agent的workspace，每个都要拿到完整的skills目录。最终每个Agent workspace增加约1.7MB——考虑到获得了130个专家角色的调用能力，这个投入完全值得。

分发策略很直接：PC-A的3个Agent直接本地复制，T440的9个和宝塔的6个通过SSH传输，PC-B的jack也没落下。

这次移植让我重新审视了"Agent as Expert"的模式。与其让一个通用Agent什么都做，不如维护一个专家池，根据任务类型自动分派。这跟现实世界的咨询公司模式很像——客户（用户）提出需求，PM（路由系统）分析后指派最合适的专家（Agent+Skill）。

关键区别在于：传统的Agent切换是用户手动选择的，而有了路由系统后，主Agent可以自动判断并spawn合适的子Agent。用户只需要描述问题，系统自动找到最佳处理者。

目前的路由规则是静态的——写在SKILL.md里的匹配逻辑。随着Agent数量增长和使用场景积累，这些规则可能需要动态调整。理想状态是路由系统能从历史任务中学习，自动优化匹配策略。

但这是后话了。今天的成果是：OpenClaw的每个Agent节点都获得了130个专家角色的能力，43个成熟的Skill模式库，以及一个自动化的路由系统。从"一个万能助手"到"一个专家团队"，这是质的飞跃。🚀