Come orchestrare più agenti AI senza farli litigare

L'intelligenza artificiale ha cambiato il modo di scrivere codice, ma il vero collo di bottiglia non è più la potenza del modello. È la capacità di farli lavorare insieme in modo ordinato.

Quando uno sviluppatore ha provato a lanciare oltre 50 sessioni di Claude Code in parallelo, ha capito subito che serviva un sistema per tenerle sotto controllo. Nasce così Fleet, un supervisore Python che gestisce decine di agenti contemporaneamente senza farli sovrapporsi.

Il problema del caos parallelo

Avviare più agenti AI insieme è semplice. Farli collaborare è un'altra storia. Chi decide quale agente lavora su quale parte del progetto? Come si evita che due agenti modifichino lo stesso file? E soprattutto, come si tiene traccia del consumo di token quando ogni sessione ne brucia a migliaia?

L'approccio "faccio partire tutto e vedo cosa succede" funziona per un paio di agenti. Oltre quel numero diventa ingestibile. Serve un punto centrale che sappia quali task ci sono, quali dipendenze esistono e dove ogni agente deve operare.

Come Fleet tiene tutto sotto controllo

Fleet si basa su tre scelte progettuali semplici ma efficaci.

Una coda unica per tutti i task

Invece di distribuire i compiti tra cartelle diverse, Fleet usa un database centralizzato chiamato beads. Si trova in ~/.fleet ed è collegato a Git. Quando crei un task con fleet bd create, il sistema registra sia la descrizione che la directory di lavoro. Ogni agente sa esattamente dove deve intervenire.

Questo approccio evita conflitti e duplicazioni. Gli agenti prendono i task dalla stessa lista, lavorano in modo indipendente e restituiscono i risultati senza interferire tra loro.

Supporto per modelli diversi

Fleet non ti lega a un solo provider. Al momento supporta Claude in modo nativo, Agy/Antigravity e Codex. Aggiungere un nuovo agente richiede pochi minuti di configurazione.

Questa flessibilità è utile perché non tutti i modelli eccellono nelle stesse cose. Puoi assegnare a Claude i compiti di architettura e usare un altro modello per generare codice boilerplate, tutto dalla stessa interfaccia.

Gestione automatica della concorrenza

Per impostazione predefinita Fleet tiene attivi al massimo tre agenti contemporaneamente. Puoi alzare il limite a dieci o più con un semplice comando di configurazione. Il sistema mette in coda i task in eccesso e li avvia quando si libera uno slot.

Il limite reale non è Fleet. È il tuo abbonamento AI e il numero di token disponibili.

I comandi che usi davvero

L'interfaccia a riga di comando è essenziale. Ti dà le informazioni necessarie senza appesantirti.

Con fleet tasks vedi quali agenti sono attivi e quanto stanno consumando. Con fleet task <id> log controlli cosa ha fatto un agente specifico. Puoi anche consultare il piano di esecuzione o il contesto caricato prima che partisse il lavoro.

Niente dashboard elaborate. Solo i dati che servono.

I token sono il vero vincolo

Chi usa Fleet in modo intensivo ha capito una cosa: aggiungere agenti non risolve il problema se i token finiscono. La soluzione più efficace è stata ruotare gli account e, soprattutto, pulire i file di contesto.

Molti progetti caricavano due volte le stesse istruzioni o plugin, raddoppiando il consumo senza motivo. Rimuovere queste duplicazioni ha avuto un impatto maggiore che aumentare il numero di agenti.

Perché conta per il tuo flusso di lavoro

Fleet cambia il modo di pensare allo sviluppo assistito dall'AI. Gli agenti non sono più strumenti isolati, ma componenti coordinati di un team.

Puoi scrivere una specifica dettagliata, dividere il lavoro in sotto-task e farli distribuire automaticamente. Ogni agente riceve solo il contesto che gli serve. Puoi anche testare due modelli diversi sullo stesso compito e confrontare i risultati in parallelo.

Un'architettura semplice che funziona

La cosa interessante è che Fleet non è complicato. La prima versione era un semplice script bash. Quella attuale aggiunge solo la struttura necessaria per gestire dipendenze, priorità e limiti di esecuzione.

Il messaggio è chiaro: l'infrastruttura per far lavorare più agenti in parallelo esiste già. Quello che manca spesso è una buona scomposizione dei task e una gestione oculata dei token.

Se un solo agente non basta più e vuoi orchestrarne diversi senza perdere il controllo, Fleet è uno strumento da provare.