Slik styrer du flere AI-agenter samtidig uten kaos

Å kjøre mange AI-agenter i parallell handler ikke bare om kraftige modeller. Det handler om å ha et system som holder oversikt.

En utvikler oppdaget at det gikk an å kjøre over 50 Claude-sesjoner samtidig. Spørsmålet ble raskt: hvordan unngår man at alt går i ball?

Svaret heter Fleet – et Python-basert verktøy som koordinerer flere agenter gjennom én sentral kø.

Hvorfor det fort går galt

De fleste som prøver å kjøre flere agenter samtidig, støter på samme problemer. Hvem jobber med hva? Hvordan unngår man at to agenter endrer samme fil? Og hvordan holder man oversikt over token-bruk når flere sesjoner kjører samtidig?

Å starte separate Claude-instanser i ulike mapper fungerer en stund. Men uten sentral styring blir det fort uoversiktlig.

Tre enkle prinsipper bak Fleet

Fleet bygger på tre valg som holder ting ryddig.

Én felles oppgaveliste

Alle oppgaver ligger i en sentral database kalt beads, plassert i ~/.fleet. Når du oppretter en ny oppgave med fleet bd create, lagres både beskrivelsen og mappen den gjelder for. Hver agent henter oppgaver fra samme kø og vet nøyaktig hvor den skal jobbe.

Dette hindrer dobbeltarbeid og konflikter.

Støtte for flere modeller

Fleet er ikke låst til én leverandør. Den støtter Claude, Agy og Codex. Du kan velge hvilken modell som skal brukes per oppgave. Det gir fleksibilitet når ulike modeller er bedre på ulike ting.

Begrenset parallellitet

Standard er tre samtidige agenter, men du kan øke til ti eller flere. Fleet styrer køen automatisk:

fleet config set max_concurrent=10
fleet bd create --title "Refaktorér autentisering" --description "..."

Token-grensene dine blir likevel den reelle begrensningen.

Nyttige kommandoer

Fleet har en enkel CLI som viser det du trenger:

• fleet tasks viser pågående arbeid og token-forbruk
• fleet task <id> log viser hva agenten faktisk gjorde
• fleet task <id> plan viser planen før kjøring
• fleet config show|set lar deg endre innstillinger

Ingen tunge dashbord. Bare det som trengs.

Token-bruk er den virkelige flaskehalsen

Erfaringen til de som bruker Fleet mye, er klar: flere agenter hjelper lite hvis du går tom for tokens. Løsningen blir ofte å rotere mellom flere Claude-kontoer og rydde opp i kontekst.

Mange oppdager at filer som CLAUDE.md lastes inn flere ganger. Det koster unødvendig mange tokens. Å rydde opp her gir ofte større gevinst enn å starte flere agenter.

Hva Fleet betyr i praksis

Fleet viser at det går an å behandle AI-agenter som et team, ikke som isolerte verktøy. Du kan skrive detaljerte spesifikasjoner, la Fleet fordele deloppgaver, og la agentene koordinere seg gjennom én kø.

Samtidig blir kontekst en ressurs du styrer – hver agent får bare det den trenger.

Enkelt, men effektivt

Fleet startet som en enkel bash-løkke. Python-versjonen legger til det som trengs for ekte prosjekter: avhengigheter, prioritering og begrenset parallellitet.

Det tekniske er altså ikke det vanskelige. Det vanskelige er å bryte ned oppgaver riktig og holde token-bruken under kontroll.

Kort oppsummert

Fleet gjør det mulig å kjøre flere agenter samtidig på en organisert måte. Men gevinsten kommer først når du kombinerer parallell kjøring med god oppgavefordeling og smart token-håndtering.

Hvis én agent ikke lenger er nok, er Fleet et verktøy verdt å se nærmere på.