Orchestrator——Tencent——CodingPlan

Task orchestration framework for Tencent Coding Plan. ROUTES TASKS TO MODELS: hunyuan-turbos (search/quick), hunyuan-t1 (coding), hunyuan-2.0-thinking (reasoning), glm-5 (writing), kimi-k2.5 (data/large-files). AUTONOMOUS BEHAVIOR: spawns sub-agents, sends workspace file contents to Tencent API. REQUIRES: Tencent Coding Plan subscription + OpenClaw provider config. Use for parallel/decomposed tasks. Triggers: 'orchestrate', 'delegate', 'parallel', 'sub-agents'.

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？

text

❌ 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：

1. hunyuan-turbos — 最便宜，搜索/快速任务首选
2. glm-5 — 写作，大context但性价比高
3. hunyuan-t1 — 代码专用
4. kimi-k2.5 — 长文档，262K context
5. hunyuan-2.0-thinking — 最贵，深度推理

选择原则：能用便宜的就不选贵的

javascript

// 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

javascript

// 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

javascript

// 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

text

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

text

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

text

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：

text

❌ 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

text

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

text

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

text

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

text

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）

text

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）

text

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）

text

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.