Πώς να τρέξεις δεκάδες AI agents ταυτόχρονα χωρίς χάος

Η ταχύτητα ανάπτυξης δεν εξαρτάται πλέον μόνο από την ισχύ του μοντέλου. Εξαρτάται από τον τρόπο που οργανώνεις πολλαπλούς agents να δουλεύουν παράλληλα. Όταν κάποιος κατάφερε να τρέξει πάνω από 50 sessions του Claude ταυτόχρονα, το ερώτημα έγινε πρακτικό: πώς ελέγχεις τόσους agents χωρίς να χάσεις τον έλεγχο;

Η απάντηση είναι το Fleet — ένα Python εργαλείο που διαχειρίζεται πολλαπλούς AI κωδικοποιητές με συγκεντρωτικό τρόπο.

Το πρόβλημα με τα πολλαπλά sessions

Όταν δοκιμάζεις να τρέξεις πολλούς agents μαζί, το πρώτο πρόβλημα που εμφανίζεται είναι ο συντονισμός. Ποιος agent δουλεύει σε ποια εργασία; Πώς αποφεύγεις επικαλύψεις; Πώς παρακολουθείς την κατανάλωση tokens όταν όλα τρέχουν ταυτόχρονα;

Η απλή λύση —ξεχωριστά sessions σε διαφορετικούς φακέλους— διαλύεται γρήγορα. Χρειάζεσαι ένα κεντρικό σύστημα που ξέρει τις εξαρτήσεις, τις προτεραιότητες και την κατάσταση του codebase.

Η αρχιτεκτονική του Fleet

Το Fleet βασίζεται σε τρεις απλές αρχές:

1. Κεντρική ουρά εργασιών

Όλες τις εργασίες τις αποθηκεύει σε ένα beads database μέσα στον φάκελο ~/.fleet. Όταν δημιουργείς μια εργασία με fleet bd create, καταγράφεται και ο φάκελος που ανήκει. Κάθε agent ξεκινά ακριβώς στο περιβάλλον που χρειάζεται.

Αυτό σημαίνει ότι πολλοί agents μπορούν να πάρουν διαφορετικές εργασίες, να δουλέψουν ανεξάρτητα και να παραδώσουν αποτελέσματα χωρίς συγκρούσεις.

2. Υποστήριξη πολλαπλών μοντέλων

Το Fleet δεν περιορίζεται σε έναν πάροχο. Υποστηρίζει Claude (δοκιμασμένο εκτενώς), Agy/Antigravity και Codex. Μπορείς να προσθέσεις νέο agent σε λίγα λεπτά και να επιλέξεις διαφορετικό μοντέλο ανά εργασία.

3. Έλεγχος ταυτόχρονων εκτελέσεων

Η προεπιλεγμένη τιμή είναι 3 παράλληλα sessions, αλλά μπορείς να ανεβάσεις τον αριθμό μέχρι και 10 ή περισσότερα. Το Fleet διαχειρίζεται αυτόματα την ουρά και σέβεται τα όρια που θέτεις.

Οι εντολές που χρησιμοποιείς καθημερινά

Η διεπαφή είναι απλή και πρακτική:

• fleet tasks — βλέπεις τι τρέχει και πόσα tokens καταναλώνει
• fleet task <id> log — διαβάζεις τι έκανε ο agent
• fleet task <id> plan — ελέγχεις το πλάνο πριν την εκτέλεση
• fleet config set max_concurrent=10 — αλλάζεις τα όρια εν κινήσει

Η πραγματικότητα με τα tokens

Τα tokens είναι το πραγματικό όριο, όχι ο αριθμός των agents. Όσοι χρησιμοποιούν το Fleet σε μεγάλη κλίμακα βρήκαν ότι χρειάζονται πολλαπλούς λογαριασμούς Claude και συστηματικό καθαρισμό των context αρχείων. Πολλές φορές διπλές εγγραφές σε CLAUDE.md διπλασίαζαν άσκοπα το κόστος.

Τι αλλάζει στην καθημερινή ανάπτυξη

Το Fleet δείχνει πώς μπορείς να σκέφτεσαι τους agents σαν μέλη μιας ομάδας. Γράφεις προδιαγραφές, το σύστημα τις μοιράζει, και κάθε agent δουλεύει μόνο με το context που χρειάζεται. Έτσι γίνεται εφικτή η παράλληλη πειραματική ανάπτυξη και η σύγκριση διαφορετικών μοντέλων στην ίδια εργασία.

Συμπέρασμα

Το Fleet δεν είναι περίπλοκο. Ξεκίνησε σαν απλό bash script και εξελίχθηκε σε ένα εργαλείο που χειρίζεται dependencies, προτεραιότητες και όρια ταυτόχρονης εκτέλεσης. Το πραγματικό bottleneck δεν είναι η τεχνολογία — είναι ο προϋπολογισμός tokens και η σωστή ανάλυση των εργασιών.