黑色星期五: 充值即得双倍余额,最多免费赠送 $50($25 → $50,$50 → $100)。可用于一切:域名、主机、邮箱。 优惠码:BLACKFRIDAY2026 获取双倍余额 →
Fleet 并行执行框架:大规模管理 AI 编码代理的实战拆解

Fleet 并行执行框架:大规模管理 AI 编码代理的实战拆解

五月 24, 2026 ai coding agents claude code parallel execution python task queues ai development tools token optimization beads agent orchestration

AI 写代码不只是模型够强就行,关键在于怎么协调它们。有人试过同时跑 50 多个 Claude Code 会话,发现开发速度确实上去了,但问题也来了——这么多代理一起干活,怎么避免互相干扰?

Fleet 就是为了解决这个问题而生的。它是一个 Python 工具,把「并行跑 AI 代理」这事儿变成了可操作的日常工作流。

多个代理同时跑,问题出在哪?

你要是自己试过同时开几个 AI 编码助手,大概率会遇到这些麻烦:任务怎么分配?代理之间怎么不踩脚?token 用得飞快,怎么跟踪消耗情况?

最简单的做法——在不同目录开几个 Claude 会话,然后听天由命——很快就会乱套。你需要一个统一的系统,能看清任务之间的依赖关系、优先级,还有整个代码库的状态。

让 AI 帮您部署

将 Claude Code 连接到 NameOcean,让它为您创建服务器、部署应用并解析域名。应用服务器低至 $5/月,按小时计费。

claude mcp add --transport http nameocean https://nameocean.net/mcp
Cursor、VS Code 及其他客户端 →

Fleet 的核心思路:集中管理

Fleet 通过三个设计解决了这个问题:

1. 所有任务放一个队列

Fleet 把任务统一存在 ~/.fleet 目录里的 beads 数据库(一个基于 Git 的 issue 跟踪器)里。当你用 fleet bd create 创建任务时,它会同时记录任务内容和所在目录。每个代理启动时都能拿到正确的上下文。

这样一来,多个代理可以各自认领任务、独立工作,最后把结果合并,不会产生冲突或重复劳动。

2. 支持多种代理模型

Fleet 不绑定某个特定模型,目前支持:

  • Claude(用得最多)
  • Agy/Antigravity(简单测试过)
  • Codex(已实现但还没充分测试)

换个模型只要几分钟。这点很重要,因为不同模型擅长不同的事儿——架构设计可能 Claude 更强,写样板代码可能新模型更快。你可以给每个任务指定用哪个模型。

3. 控制并发数量

默认最多同时跑 3 个会话,你也可以调到 10 个以上:

fleet config set max_concurrent=10
fleet bd create --title "重构认证模块" --description "..."
fleet bd create --coder agy --model opus --title "写 API 测试" --description "..."

Fleet 会自动排队,保证不超过你设置的并发上限。真正的瓶颈往往不是工具,而是你订阅的 token 额度。

几个好用的命令

Fleet 的命令行界面简单实用:

  • fleet tasks —— 查看正在跑的任务、用了哪个模型、实时 token 消耗
  • fleet task <id> log —— 查看代理具体做了什么
  • fleet task <id> plan —— 看代理执行前的计划
  • fleet task <id> knowledge —— 检查代理拿到了哪些上下文
  • fleet config show|set —— 随时调整配置

没有花里胡哨的界面,就给你需要的信息。

现实问题:token 才是瓶颈

说实话,限制你的从来不是能跑多少代理,而是 token 额度。

用 Fleet 比较多的人发现,单纯增加代理数量很快就会撞上限。他们的做法是:用多个 Claude 账号轮换 token,同时严格控制上下文长度。

后者其实更重要。他们检查过 CLAUDE.md 文件、插件目录和技能库,发现有些内容被重复加载了两次,白白浪费 token。清理这些之后,效果比多开几个代理还明显。

为什么这个思路值得关注

Fleet 改变了我们对 AI 辅助开发的理解。它不是把代理当单个工具用,而是把它们当成一个团队来协调:

  • 基于规格的开发变得可行 —— 你写好详细的需求,Fleet 把子任务分给不同代理,它们通过共享队列协作。
  • 上下文变成可管理的资源 —— 集中跟踪任务,每个代理只关注自己需要的部分。
  • 实验更容易做 —— 想对比 Claude 和 Agy 在基础设施代码上的表现?用同一个任务规格并行跑两个模型,直接看结果。

实现并不复杂

Fleet 真正厉害的地方在于它不复杂。最初版本就是一个 bash 循环在监控 beads 队列。Python 版本只是加了任务依赖、优先级、并发控制和代理生命周期管理这些必要功能。

这说明一个问题:并行 AI 编码的基础设施,技术上并不难。真正的难点在于 token 预算和任务拆解。

总结

随着 AI 编码代理越来越强,问题从「能不能跑多个代理」变成了「怎么高效地跑」。Fleet 给出了答案。

真正用起来的人发现,收益来自三件事的结合:

  1. 并行执行(Fleet 负责)
  2. 合理的任务拆分(你来做)
  3. token 优化(你来管)

如果你发现单个代理不够用,但又不知道怎么协调多个代理,Fleet 值得试试。它不是什么高深的技术,而是把「显而易见」的需求先做了出来。

让 AI 帮您部署

将 Claude Code 连接到 NameOcean,让它为您创建服务器、部署应用并解析域名。应用服务器低至 $5/月,按小时计费。

claude mcp add --transport http nameocean https://nameocean.net/mcp
Cursor、VS Code 及其他客户端 →

以其他语言阅读:

BG CS DA DE EL EN ES FI FR HU IT NB NL PL PT RO RU SV TR UZ