Управление на AI кодиращи агенти в голям мащаб: Как Fleet организира паралелната работа

AI моделите стават все по-мощни, но истинското предизвикателство не е в тях, а в това как ги управляваме едновременно. Когато някой открива, че може да пусне 50+ Claude Code сесии паралелно, въпросът става: как да не се получи хаос?

Fleet е Python инструмент, който решава точно този проблем – дава структура на паралелната работа с множество AI агенти.

Защо няколко агента водят до объркване

Когато стартирате няколко AI асистента едновременно, бързо се сблъсквате с практически проблеми. Кой агент работи по коя задача? Как да избегнете конфликти между тях? Как следите колко токени се изразходват?

Просто да отворите няколко Claude сесии в различни папки не работи. Нужна е централна система, която да следи зависимостите, приоритетите и състоянието на проекта.

Как е построен Fleet

Fleet разчита на три ключови принципа:

1. Единна опашка за задачи

Вместо да разпръсквате задачите, Fleet използва централизирана база данни (beads), която се намира в ~/.fleet. Когато създавате задача с fleet bd create, системата запомня и директорията, в която работите. Всеки агент получава контекста, който му е необходим.

Това позволява на няколко агента да вземат задачи, да работят независимо и да предават резултати без конфликти.

2. Поддръжка на различни модели

Fleet не е обвързан с един доставчик. Поддържа Claude (тестван), Agy/Antigravity (частично тестван) и Codex (имплементиран, но не тестван). Можете да зададете кой модел да използва конкретна задача – например Claude за архитектура, а друг модел за рутинен код.

3. Контрол на паралелността

По подразбиране Fleet позволява 3 едновременни сесии, но можете да увеличите лимита:

fleet config set max_concurrent=10
fleet bd create --title "Рефактор на модула за удостоверяване"

Системата сама подрежда задачите в опашка и спазва зададения лимит. Ограничението идва от абонамента ви за токени, а не от самия инструмент.

Полезни команди

Fleet предлага прост CLI, който дава нужната информация:

• fleet tasks — показва активните задачи и разхода на токени
• fleet task <id> log — преглед на действията на агента
• fleet task <id> plan — какъв подход е избрал агентът
• fleet config show|set — бърза промяна на настройките

Без излишни табла – само необходимото.

Токените са истинското ограничение

Колкото и агенти да добавяте, рано или късно се удряте в лимитите на абонамента. Потребителите на Fleet решават това чрез ротация на акаунти и по-добра хигиена на контекста.

Често се оказва, че някои файлове (като CLAUDE.md) се зареждат два пъти, което удвоява разхода на токени. Почистването на дублиранията понякога дава по-голям ефект от добавянето на нови агенти.

Какво променя Fleet

Fleet променя начина, по който гледаме на AI разработката. Вместо самостоятелни инструменти, агентите стават част от екип:

• Можете да разбиете голяма задача на подзадачи и да ги разпределите
• Всеки агент работи само с нужния контекст
• Лесно сравнявате различни модели върху една и съща задача

Заключение

Fleet показва, че инфраструктурата за паралелна AI разработка не е сложна технически. Трудността е в правилното разпределение на задачите и управлението на токените.

Ако един агент вече не стига, а няколко създават хаос, Fleet предлага практичен начин да ги организирате.