Správa více AI agentů najednou: Jak Fleet řeší paralelní práci s kódem

Dnešní AI coding nástroje nejsou omezené výkonem modelů, ale tím, jak je dokážeme řídit. Když jeden vývojář zjistil, že spuštění padesáti Claude Code relací vedle sebe výrazně urychlí práci na projektu, vyvstala otázka: jak to udělat bez chaosu?

Odpověď přináší Fleet – jednoduchý Python nástroj, který umožňuje paralelní práci s AI agenty v praxi.

Problém s více agenty současně

Spustit několik AI coding asistentů najednou zní jednoduše. Ve skutečnosti ale rychle narazíte na koordinační problémy. Kdo na čem pracuje? Jak se agenti nepřekrývají? Jak sledovat spotřebu tokenů přes desítky relací?

Ruční přístup – spouštění samostatných Claude relací v různých složkách – selhává hned po pár úlohách. Potřebujete centrální systém, který rozumí závislostem, prioritám a stavu kódu napříč všemi agenty.

Jak Fleet funguje

Fleet staví na třech jednoduchých principech:

Jedna fronta pro všechny úlohy

Místo roztříštěného řízení úloh používá Fleet centrální databázi (beads) uloženou v ~/.fleet. Příkaz fleet bd create uloží nejen úlohu samotnou, ale i adresář, ve kterém byla vytvořena. Každý agent pak dostane přesný kontext, ve kterém má pracovat.

Díky tomu mohou agenti pracovat nezávisle, přebírat úlohy a předávat výsledky, aniž by vznikaly konflikty nebo duplicitní práce.

Podpora různých modelů

Fleet není vázaný na jeden poskytovatele. Momentálně podporuje Claude, Agy/Antigravity a Codex. Přidání nového modelu zabere jen pár minut. To umožňuje přiřadit konkrétní model k úloze podle toho, co od něj očekáváte – například Claude pro architekturu a jiný model pro rutinní úpravy.

Řízení souběžnosti

Výchozí limit je nastaven na tři souběžné agenty, ale můžete jej zvýšit až na deset i více:

fleet config set max_concurrent=10
fleet bd create --title "Refaktorace autentizace" --description "..."

Fleet automaticky řadí úlohy do fronty a dodržuje nastavený limit. Skutečným omezením tak zůstávají limity vašeho předplatného, nikoliv samotný nástroj.

Praktické příkazy

Fleet nabízí jednoduché CLI příkazy, které poskytují potřebné informace bez zbytečné složitosti:

• fleet tasks – přehled běžících úloh a spotřeby tokenů
• fleet task <id> log – co agent skutečně udělal
• fleet task <id> plan – plán, který agent navrhl
• fleet config show|set – změna nastavení za běhu

Žádné dashboardy, jen informace, které potřebujete.

Tokeny jako hlavní limit

Největším omezením nejsou agenti, ale tokeny. Vývojáři, kteří Fleet používají intenzivně, zjistili, že přidávání dalších agentů narazí na limity předplatného. Řešením je rotace účtů a pečlivá správa kontextu – například odstranění duplicitních CLAUDE.md souborů, které zbytečně navyšují spotřebu.

Proč na tom záleží

Fleet mění přístup k AI-asistovanému vývoji. Místo osamocených agentů vytváří koordinovaný tým, kde můžete:

• Rozdělovat úlohy podle specifikací
• Řídit kontext každého agenta centrálně
• Testovat různé modely na stejné úloze současně

Implementace Fleetu je překvapivě jednoduchá. Původní verze byla jen bash smyčka monitorující frontu. Python verze přidává jen tolik struktury, kolik je potřeba pro reálné použití – závislosti, priority a řízení souběžnosti.

Shrnutí

Pokud už jeden AI coding agent nestačí, ale nevíte, jak řídit více najednou, Fleet stojí za vyzkoušení. Nabízí jednoduchý způsob, jak paralelní práci s agenty udělat praktickou a udržitelnou.