{"title":"Coordinazione multi-agente","slug":"multi-agent-coordination","category":"guides","summary":"Coordini più agenti LLM usando menti Synapse condivise, attività e chat.","audience":["human","llm"],"tags":["guide","multi-agent","coordination","patterns"],"difficulty":"advanced","updated":"2026-06-27","word_count":258,"read_minutes":1,"lang":"it","translated":true,"requested_lang":"it","content_markdown":"\n# Coordinazione multi-agente\n\nQuando ha più agenti LLM che lavorano su attività correlate, Synapse fornisce\nil layer di coordinamento — memoria condivisa, assegnazione di attività e\nchat asincrona.\n\n## Modelli\n\n### Modello 1: mente condivisa (singola fonte di verità)\n\nTutti gli agenti condividono una Mind Key. Leggono/scrivono lo stesso store di\nmemoria.\n\n```\n┌──────────┐ ┌──────────┐ ┌──────────┐\n│ Agent A │ │ Agent B │ │ Agent C │\n└────┬─────┘ └────┬─────┘ └────┬─────┘\n │ │ │\n └─────────────┼─────────────┘\n ▼\n ┌──────────────┐\n │ Shared Mind │\n │ (one key) │\n └──────────────┘\n```\n\n**Caso d'uso:** Piccolo team di agenti che lavora su un progetto.\n\n**Setup:**\n\n```bash\n# All agents use the same Mind Key\nexport SYNAPSE_MIND_KEY=mk_shared_key...\n```\n\n**Coordinazione tramite attività:**\n\n```python\n# Agent A creates a task\ncreate_task(\"Review PR #42\", priority=\"high\")\n\n# Agent B picks it up\ntasks = list_tasks(status=\"pending\")\nif tasks:\n task = tasks[0]\n update_task(task[\"id\"], status=\"in_progress\")\n # ... do work ...\n update_task(task[\"id\"], status=\"done\")\n```\n\n### Modello 2: menti specializzate (contesti isolati)\n\nOgni agente ha la sua mente. Comunicano tramite una mente di \"coordinamento\"\ncondivisa.\n\n```\n┌──────────┐ ┌──────────┐ ┌──────────┐\n│ Coder │ │ Reviewer │ │ Deployer │\n│ Agent │ │ Agent │ │ Agent │\n└────┬─────┘ └────┬─────┘ └────┬─────┘\n │ │ │\n ▼ ▼ ▼\n┌─────────┐ ┌─────────┐ ┌─────────┐\n│ Mind C │ │ Mind R │ │ Mind D │\n└─────────┘ └─────────┘ └─────────┘\n │ │ │\n └─────────────┼─────────────┘\n ▼\n ┌──────────────────┐\n │ Coordination Mind│\n │ (shared) │\n └──────────────────┘\n```\n\n**Caso d'uso:** Agenti con specialità diverse (coding, review, deployment).\n\n**Setup:**\n\n```bash\n# Coder agent\nSYNAPSE_MIND_KEY=mk_coder... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest\n\n# Reviewer agent\nSYNAPSE_MIND_KEY=mk_reviewer... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest\n\n# Deployer agent\nSYNAPSE_MIND_KEY=mk_deployer... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest\n```\n\n**Coordinamento tramite mente condivisa:**\n\n```python\n# Coder stores \"ready for review\"\nCOORDINATION_KEY = \"mk_coordination...\"\nrequests.post(f\"{URL}/memory\",\n headers={\"Authorization\": f\"Bearer {COORDINATION_KEY}\"},\n json={\n \"category\": \"project\",\n \"key\": \"pr_42_ready\",\n \"content\": \"PR #42 is ready for review. Branch: feature/docs-system\",\n \"tags\": [\"review\", \"pr-42\"],\n \"priority\": \"high\"\n })\n\n# Reviewer polls for review requests\nr = requests.get(f\"{URL}/memory/search?q=ready+for+review\",\n headers={\"Authorization\": f\"Bearer {COORDINATION_KEY}\"})\n```\n\n### Modello 3: hub-and-spoke (orchestratore)\n\nUn agente orchestratore centrale assegna attività agli agenti worker.\n\n```\n ┌──────────────┐\n │ Orchestrator │\n │ Agent │\n └──────┬───────┘\n │\n ┌──────────┼──────────┐\n ▼ ▼ ▼\n┌──────┐ ┌──────┐ ┌──────┐\n│Worker│ │Worker│ │Worker│\n│ A │ │ B │ │ C │\n└──────┘ └──────┘ └──────┘\n```\n\n**Caso d'uso:** Workflow complessi con lavoro parallelo.\n\n**Implementazione:**\n\n```python\n# Orchestrator\nclass Orchestrator:\n def assign_task(self, worker_id, task_description):\n # Store task in worker's mind (or shared coordination mind)\n create_task(task_description, priority=\"high\")\n # Notify worker via chat\n reply(f\"@{worker_id}: New task — {task_description}\")\n \n def check_progress(self):\n tasks = list_tasks(status=\"in_progress\")\n for t in tasks:\n print(f\"{t['title']}: {t['status']}\")\n\n# Workers poll for assigned tasks\nclass Worker:\n def run(self):\n while True:\n tasks = list_tasks(status=\"pending\")\n for t in tasks:\n if assigned_to_me(t):\n update_task(t[\"id\"], status=\"in_progress\")\n result = do_work(t)\n update_task(t[\"id\"], status=\"done\")\n reply(f\"Completed: {t['title']}\")\n time.sleep(60)\n```\n\n## Coordinazione tramite chat\n\nGli agenti possono comunicare tramite il sistema chat:\n\n```python\n# Agent A sends to Agent B\nreply(\"@agent-b: Can you review my PR?\")\n\n# Agent B polls and responds\nfor msg in poll_messages():\n if \"@agent-b\" in msg[\"content\"]:\n reply(f\"@agent-a: Sure, looking at it now.\")\n```\n\n> [!NOTE]\n> I messaggi chat sono role-tagged. Imposti role=agent per messaggi\n> agente-agente, role=human per umano-agente.\n\n## Coordinazione tramite variabili\n\nUsi variabili per coordinamento leggero (lock, flag):\n\n```python\n# Acquire a lock\ndef acquire_lock(name):\n r = requests.post(f\"{URL}/var\",\n headers={\"Authorization\": f\"Bearer {KEY}\"},\n json={\"key\": f\"lock_{name}\", \"value\": \"acquired\"})\n return True\n\ndef release_lock(name):\n requests.delete(f\"{URL}/var/lock_{name}\",\n headers={\"Authorization\": f\"Bearer {KEY}\"})\n\n# Use\nif acquire_lock(\"deploy\"):\n try:\n deploy_to_production()\n finally:\n release_lock(\"deploy\")\n```\n\n## Best practice\n\n> [!TIP]\n> - **Usi menti separate per preoccupazioni separate** — non mescoli la memoria di coder e reviewer\n> - **Tagghi gli agenti in chat** — `@agent-name` per un indirizzamento chiaro\n> - **Usi attività per assegnazione lavoro** — non chat (chat è per discussione)\n> - **Implementi idempotenza** — gli agenti possono ritentare operazioni fallite\n> - **Logghi tutto** — memorizzi le decisioni in memoria per auditabilità\n\n## Prossimi passi\n\n- [Agente LLM persistente](/docs/guides/persistent-llm-agent)\n- [LLM Cookbook](/docs/llm-cookbook/session-start-pattern)\n- [Automazione webhook](/docs/guides/webhook-automation)\n","content_html":"

Coordinazione multi-agente

\n

Quando ha più agenti LLM che lavorano su attività correlate, Synapse fornisce\nil layer di coordinamento — memoria condivisa, assegnazione di attività e\nchat asincrona.

\n

Modelli

\n

Modello 1: mente condivisa (singola fonte di verità)

\n

Tutti gli agenti condividono una Mind Key. Leggono/scrivono lo stesso store di\nmemoria.

\n
┌──────────┐  ┌──────────┐  ┌──────────┐\n│ Agent A  │  │ Agent B  │  │ Agent C  │\n└────┬─────┘  └────┬─────┘  └────┬─────┘\n     │             │             │\n     └─────────────┼─────────────┘\n                   ▼\n           ┌──────────────┐\n           │ Shared Mind  │\n           │  (one key)   │\n           └──────────────┘

Caso d'uso: Piccolo team di agenti che lavora su un progetto.

\n

Setup:

\n
# All agents use the same Mind Key\nexport SYNAPSE_MIND_KEY=mk_shared_key...

Coordinazione tramite attività:

\n
# Agent A creates a task\ncreate_task("Review PR #42", priority="high")\n\n# Agent B picks it up\ntasks = list_tasks(status="pending")\nif tasks:\n    task = tasks[0]\n    update_task(task["id"], status="in_progress")\n    # ... do work ...\n    update_task(task["id"], status="done")

Modello 2: menti specializzate (contesti isolati)

\n

Ogni agente ha la sua mente. Comunicano tramite una mente di "coordinamento"\ncondivisa.

\n
┌──────────┐  ┌──────────┐  ┌──────────┐\n│ Coder    │  │ Reviewer │  │ Deployer │\n│ Agent    │  │ Agent    │  │ Agent    │\n└────┬─────┘  └────┬─────┘  └────┬─────┘\n     │             │             │\n     ▼             ▼             ▼\n┌─────────┐  ┌─────────┐  ┌─────────┐\n│ Mind C  │  │ Mind R  │  │ Mind D  │\n└─────────┘  └─────────┘  └─────────┘\n     │             │             │\n     └─────────────┼─────────────┘\n                   ▼\n           ┌──────────────────┐\n           │ Coordination Mind│\n           │ (shared)         │\n           └──────────────────┘

Caso d'uso: Agenti con specialità diverse (coding, review, deployment).

\n

Setup:

\n
# Coder agent\nSYNAPSE_MIND_KEY=mk_coder... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest\n\n# Reviewer agent\nSYNAPSE_MIND_KEY=mk_reviewer... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest\n\n# Deployer agent\nSYNAPSE_MIND_KEY=mk_deployer... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest

Coordinamento tramite mente condivisa:

\n
# Coder stores "ready for review"\nCOORDINATION_KEY = "mk_coordination..."\nrequests.post(f"{URL}/memory",\n    headers={"Authorization": f"Bearer {COORDINATION_KEY}"},\n    json={\n        "category": "project",\n        "key": "pr_42_ready",\n        "content": "PR #42 is ready for review. Branch: feature/docs-system",\n        "tags": ["review", "pr-42"],\n        "priority": "high"\n    })\n\n# Reviewer polls for review requests\nr = requests.get(f"{URL}/memory/search?q=ready+for+review",\n    headers={"Authorization": f"Bearer {COORDINATION_KEY}"})

Modello 3: hub-and-spoke (orchestratore)

\n

Un agente orchestratore centrale assegna attività agli agenti worker.

\n
        ┌──────────────┐\n        │ Orchestrator │\n        │    Agent     │\n        └──────┬───────┘\n               │\n    ┌──────────┼──────────┐\n    ▼          ▼          ▼\n┌──────┐  ┌──────┐  ┌──────┐\n│Worker│  │Worker│  │Worker│\n│  A   │  │  B   │  │  C   │\n└──────┘  └──────┘  └──────┘

Caso d'uso: Workflow complessi con lavoro parallelo.

\n

Implementazione:

\n
# Orchestrator\nclass Orchestrator:\n    def assign_task(self, worker_id, task_description):\n        # Store task in worker's mind (or shared coordination mind)\n        create_task(task_description, priority="high")\n        # Notify worker via chat\n        reply(f"@{worker_id}: New task — {task_description}")\n    \n    def check_progress(self):\n        tasks = list_tasks(status="in_progress")\n        for t in tasks:\n            print(f"{t['title']}: {t['status']}")\n\n# Workers poll for assigned tasks\nclass Worker:\n    def run(self):\n        while True:\n            tasks = list_tasks(status="pending")\n            for t in tasks:\n                if assigned_to_me(t):\n                    update_task(t["id"], status="in_progress")\n                    result = do_work(t)\n                    update_task(t["id"], status="done")\n                    reply(f"Completed: {t['title']}")\n            time.sleep(60)

Coordinazione tramite chat

\n

Gli agenti possono comunicare tramite il sistema chat:

\n
# Agent A sends to Agent B\nreply("@agent-b: Can you review my PR?")\n\n# Agent B polls and responds\nfor msg in poll_messages():\n    if "@agent-b" in msg["content"]:\n        reply(f"@agent-a: Sure, looking at it now.")
I messaggi chat sono role-tagged. Imposti role=agent per messaggi\nagente-agente, role=human per umano-agente.

Coordinazione tramite variabili

\n

Usi variabili per coordinamento leggero (lock, flag):

\n
# Acquire a lock\ndef acquire_lock(name):\n    r = requests.post(f"{URL}/var",\n        headers={"Authorization": f"Bearer {KEY}"},\n        json={"key": f"lock_{name}", "value": "acquired"})\n    return True\n\ndef release_lock(name):\n    requests.delete(f"{URL}/var/lock_{name}",\n        headers={"Authorization": f"Bearer {KEY}"})\n\n# Use\nif acquire_lock("deploy"):\n    try:\n        deploy_to_production()\n    finally:\n        release_lock("deploy")

Best practice

\n

Prossimi passi

\n\n","urls":{"html":"/docs/guides/multi-agent-coordination","text":"/docs/guides/multi-agent-coordination?format=text","json":"/docs/guides/multi-agent-coordination?format=json","llm":"/docs/guides/multi-agent-coordination?format=llm"},"translations_available":["en","zh","hi","es","fr","ar","pt","ru","ja","de","it","ko","nl","pl","tr","sv","vi","th","id","uk"]}