Så hanterar du flera AI-kodare samtidigt – Fleet gör det enkelt

Att köra AI-kodare i parallell handlar inte bara om starka modeller. Det handlar om att hålla ordning på vem som gör vad. En utvecklare upptäckte att över 50 Claude-sessioner kunde köras samtidigt – men hur undviker man kaos när det sker?

Svaret heter Fleet. Ett Python-verktyg som styr flera kodande agenter från en gemensam kö.

Problemet med parallella agenter

När flera agenter kör samtidigt uppstår snabbt frågor om samordning. Vem tar vilken uppgift? Hur undviker man att två agenter skriver över samma kod? Och hur håller man koll på tokenförbrukningen när flera sessioner tuggar i sig kontext samtidigt?

Att bara starta separata Claude-sessioner i olika mappar fungerar inte i längden. Du behöver ett system som förstår beroenden, prioriteringar och var i kodbasen varje agent ska arbeta.

Fleet bygger på tre enkla principer

En gemensam kö för alla uppgifter

Fleet använder en central databas kallad beads, som lagras i ~/.fleet. Den är Git-baserad och fungerar som en enkel ärendehanterare. När du skapar en ny uppgift med fleet bd create sparas både uppgiften och den mapp den skapades i. Varje agent startar sedan i rätt kontext.

Detta innebär att flera agenter kan plocka uppgifter, arbeta självständigt och lämna över resultat utan att skapa konflikter.

Stöd för olika modeller

Fleet låser inte fast dig vid en leverantör. Idag finns stöd för Claude, Agy/Antigravity och Codex. Att lägga till en ny modell tar bara några minuter.

Detta är användbart eftersom olika modeller presterar olika bra beroende på uppgift. Du kan till exempel låta Claude hantera arkitektur medan en annan modell tar hand om enklare kod.

Begränsad samtidighet

Som standard tillåter Fleet tre samtidiga sessioner, men du kan höja gränsen till tio eller mer:

fleet config set max_concurrent=10

Fleet hanterar kön automatiskt och ser till att inte överskrida gränsen. Flaskhalsen är oftast inte verktyget – utan din prenumerationsgräns för tokens.

Praktiska kommandon

Fleet har ett enkelt kommandoradsgränssnitt:

• fleet tasks visar pågående uppgifter och tokenförbrukning
• fleet task <id> log visar vad agenten faktiskt gjorde
• fleet task <id> plan visar agentens plan innan den körs
• fleet config set låter dig ändra inställningar direkt

Inget onödigt gränssnitt – bara det du behöver.

Tokens är den verkliga begränsningen

Många som använder Fleet upptäcker att det inte är antalet agenter som sätter stopp – det är tokenbudgeten. Lösningen blir ofta att rotera mellan flera Claude-konton och att hålla kontexten ren.

En oväntad insikt var att vissa filer, som CLAUDE.md, laddades dubbelt och därmed fördubblade tokenkostnaden. Att städa upp detta gav större effekt än att lägga till fler agenter.

Vad Fleet betyder för utvecklare

Fleet visar hur AI-kodare kan fungera som ett team istället för isolerade verktyg. Du skriver specifikationer, Fleet delar upp dem i uppgifter och agenter arbetar parallellt mot en gemensam kö.

Det gör det möjligt att testa olika modeller mot samma uppgift, hålla kontexten hanterbar och skala upp experiment utan att tappa översikten.

Enkel implementation, stor effekt

Fleet började som en enkel bash-loop som bevakade en kö. Python-versionen lägger bara till det som behövs: hantering av beroenden, prioriteringar och livscykel för agenter.

Detta visar att tekniken för parallell AI-kodning inte är särskilt komplicerad. Utmaningen ligger istället i hur du bryter ner uppgifter och hanterar dina tokenkostnader.

Sammanfattning

Fleet löser inte alla problem, men den ger dig verktygen för att köra flera agenter effektivt. Kombinationen av parallell körning, smart uppgiftsuppdelning och tokenoptimering är vad som faktiskt driver produktiviteten framåt.

Om en ensam kodande agent inte längre räcker – då är Fleet värt att titta närmare på.