Jak zarządzać wieloma agentami AI do pisania kodu

Rewolucja w programowaniu z pomocą AI nie ogranicza się do coraz mocniejszych modeli. Kluczem jest koordynacja. Gdy jeden z deweloperów odkrył, że równoległe uruchomienie kilkudziesięciu sesji Claude Code przyspiesza pracę nad projektem, pojawiło się pytanie: jak to wszystko ogarnąć, żeby nie zamieniło się w bałagan?

Odpowiedzią jest Fleet – prosty supervisor napisany w Pythonie, który pozwala uruchamiać wiele agentów jednocześnie bez utraty kontroli.

Problem z wieloma agentami naraz

Uruchomienie kilku asystentów AI w tym samym czasie szybko ujawnia ten sam problem: brak koordynacji. Który agent ma zajmować się czym? Jak uniknąć sytuacji, w której dwa procesy nadpisują sobie nawzajem pliki? Jak śledzić zużycie tokenów, gdy kilka sesji działa równolegle?

Rozproszenie agentów po różnych katalogach i liczenie na to, że „jakoś to będzie”, szybko się nie sprawdza. Potrzebny jest system centralny – taki, który zna zależności między zadaniami, ich priorytety i stan całego projektu.

Architektura Fleet: centralizacja zamiast chaosu

Fleet opiera się na trzech prostych założeniach.

Jedna kolejka dla wszystkich zadań

Zamiast rozrzucać zadania po różnych projektach, Fleet trzyma je w jednym miejscu – w bazie beads w katalogu ~/.fleet. Baza ta jest wersjonowana przez Git. Polecenie fleet bd create zapisuje nie tylko treść zadania, ale też katalog roboczy, w którym zostało utworzone. Dzięki temu każdy agent wie dokładnie, gdzie ma pracować.

Taka centralizacja pozwala agentom przejmować zadania, pracować niezależnie i przekazywać wyniki bez ryzyka konfliktów scalania.

Wsparcie dla różnych agentów

Fleet nie ogranicza Cię do jednego dostawcy. Obsługuje obecnie:

• Claude (najlepiej przetestowany)
• Agy/Antigravity (testowany w mniejszym zakresie)
• Codex (zaimplementowany, ale jeszcze nie sprawdzony w praktyce)

Dodanie nowego typu agenta zajmuje kilka minut. To ważne, bo różne modele sprawdzają się w różnych zadaniach – jedne lepiej radzą sobie z architekturą, inne z generowaniem powtarzalnego kodu.

Kontrola równoległości

Domyślnie Fleet pozwala na trzy równoległe sesje, ale możesz zwiększyć tę liczbę:

fleet config set max_concurrent=10
fleet bd create --title "Refaktoryzacja modułu autentykacji"
fleet bd create --coder agy --model opus --title "Testy API"

Fleet sam kolejkuje zadania i pilnuje limitu jednoczesnych uruchomień. Prawdziwym ograniczeniem nie jest narzędzie, tylko limity tokenów w Twojej subskrypcji.

Praktyczne komendy

Fleet oferuje zestaw komend CLI, które dają potrzebną wiedzę bez zbędnego szumu:

• fleet tasks – pokazuje, co aktualnie się dzieje i ile tokenów zużywa każdy agent
• fleet task <id> log – pozwala zobaczyć, co agent faktycznie zrobił
• fleet task <id> plan – prezentuje plan działania przed wykonaniem
• fleet task <id> knowledge – sprawdza, jaki kontekst był dostępny
• fleet config show|set – szybka zmiana ustawień

Bez dashboardów i zbędnych warstw – tylko to, co naprawdę jest potrzebne.

Tokeny to prawdziwe ograniczenie

Niezależnie od tego, ile agentów uruchomisz, prędzej czy później trafisz w limit tokenów. Użytkownicy Fleet odkryli, że najwięcej daje nie dodawanie kolejnych agentów, ale rotacja kont Claude oraz porządki w plikach kontekstowych. Często zdarza się, że te same pliki CLAUDE.md lub pluginy są ładowane dwa razy – co podwaja koszt bez żadnej korzyści.

Co to oznacza dla Twojego workflow

Fleet pokazuje, że agenci AI mogą działać jak zespół, a nie jak odizolowane narzędzia. Możesz rozpisać specyfikację, podzielić ją na mniejsze zadania i rozesłać je do różnych agentów. Każdy z nich dostaje tylko potrzebny kontekst, a Ty kontrolujesz tempo i koszty.

Jeśli jeden agent już Ci nie wystarcza, ale nie wiesz, jak sensownie uruchomić ich więcej, Fleet jest prostym punktem wyjścia. Narzędzie nie jest skomplikowane – pierwotna wersja to była pętla w bashu monitorująca kolejkę. Pythonowa implementacja dodaje tylko tyle struktury, ile potrzeba do realnej pracy.

Największe zyski nie pochodzą z samej równoległości. Pochodzą z dobrego podziału zadań i świadomego zarządzania tokenami.