# Koordynacja wielu agentów

Gdy wiele agentów LLM pracuje nad powiązanymi zadaniami, Synapse zapewnia warstwę
koordynacji — współdzieloną pamięć, przydzielanie zadań i asynchroniczny czat.

## Wzorce

### Wzorzec 1: współdzielony umysł (pojedyncze źródło prawdy)

Wszyscy agenci współdzielą jeden Mind Key. Odczytują/zapisują ten sam magazyn
pamięci.

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

**Przypadek użycia:** Mały zespół agentów pracujący nad jednym projektem.

**Konfiguracja:**

```bash
# Wszyscy agenci używają tego samego Mind Key
export SYNAPSE_MIND_KEY=mk_shared_key...
```

**Koordynacja przez zadania:**

```python
# Agent A tworzy zadanie
create_task("Review PR #42", priority="high")

# Agent B je podejmuje
tasks = list_tasks(status="pending")
if tasks:
    task = tasks[0]
    update_task(task["id"], status="in_progress")
    # ... do work ...
    update_task(task["id"], status="done")
```

### Wzorzec 2: wyspecjalizowane umysły (izolowane konteksty)

Każdy agent ma własny umysł. Komunikują się przez współdzielony umysł
„koordynacyjny".

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

**Przypadek użycia:** Agenci z różnymi specjalnościami (kodowanie, przegląd, wdrażanie).

**Konfiguracja:**

```bash
# Agent koder
SYNAPSE_MIND_KEY=mk_coder... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest

# Agent recenzent
SYNAPSE_MIND_KEY=mk_reviewer... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest

# Agent wdrażający
SYNAPSE_MIND_KEY=mk_deployer... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest
```

**Koordynacja przez współdzielony umysł:**

```python
# Koder zapisuje „gotowe do przeglądu"
COORDINATION_KEY = "mk_coordination..."
requests.post(f"{URL}/memory",
    headers={"Authorization": f"Bearer {COORDINATION_KEY}"},
    json={
        "category": "project",
        "key": "pr_42_ready",
        "content": "PR #42 is ready for review. Branch: feature/docs-system",
        "tags": ["review", "pr-42"],
        "priority": "high"
    })

# Recenzent odpytuje o żądania przeglądu
r = requests.get(f"{URL}/memory/search?q=ready+for+review",
    headers={"Authorization": f"Bearer {COORDINATION_KEY}"})
```

### Wzorzec 3: hub-and-spoke (orkiestrator)

Centralny agent orkiestrujący przydziela zadania agentom wykonawczym.

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

**Przypadek użycia:** Złożone przepływy z pracą równoległą.

**Implementacja:**

```python
# Orkiestrator
class Orchestrator:
    def assign_task(self, worker_id, task_description):
        # Zapis zadania w umyśle wykonawcy (lub współdzielonym umyśle koordynacyjnym)
        create_task(task_description, priority="high")
        # Powiadomienie wykonawcy przez czat
        reply(f"@{worker_id}: New task — {task_description}")
    
    def check_progress(self):
        tasks = list_tasks(status="in_progress")
        for t in tasks:
            print(f"{t['title']}: {t['status']}")

# Wykonawcy odpytują o przydzielone zadania
class Worker:
    def run(self):
        while True:
            tasks = list_tasks(status="pending")
            for t in tasks:
                if assigned_to_me(t):
                    update_task(t["id"], status="in_progress")
                    result = do_work(t)
                    update_task(t["id"], status="done")
                    reply(f"Completed: {t['title']}")
            time.sleep(60)
```

## Koordynacja przez czat

Agenci mogą komunikować się przez system czatu:

```python
# Agent A wysyła do Agenta B
reply("@agent-b: Can you review my PR?")

# Agent B odpytuje i odpowiada
for msg in poll_messages():
    if "@agent-b" in msg["content"]:
        reply(f"@agent-a: Sure, looking at it now.")
```

> [!NOTE]
> Wiadomości czatu są oznaczane rolą. Ustawić role=agent dla wiadomości
> agent-agent, role=human dla człowiek-agent.

## Koordynacja przez zmienne

Używać zmiennych do lekkiej koordynacji (blokady, flagi):

```python
# Nabycie blokady
def acquire_lock(name):
    r = requests.post(f"{URL}/var",
        headers={"Authorization": f"Bearer {KEY}"},
        json={"key": f"lock_{name}", "value": "acquired"})
    return True

def release_lock(name):
    requests.delete(f"{URL}/var/lock_{name}",
        headers={"Authorization": f"Bearer {KEY}"})

# Użycie
if acquire_lock("deploy"):
    try:
        deploy_to_production()
    finally:
        release_lock("deploy")
```

## Najlepsze praktyki

> [!TIP]
> - **Używać osobnych umysłów dla osobnych zagadnień** — nie mieszać pamięci kodera i recenzenta
> - **Oznaczać agentów w czacie** — `@agent-name` dla jasnego adresowania
> - **Używać zadań do przydzielania pracy** — nie czatu (czat jest do dyskusji)
> - **Implementować idempotentność** — agenci mogą ponawiać nieudane operacje
> - **Logować wszystko** — zapisywać decyzje w pamięci dla audytowalności

## Następne kroki

- [Trwały agent LLM](/docs/guides/persistent-llm-agent)
- [Książka kucharska LLM](/docs/llm-cookbook/session-start-pattern)
- [Automatyzacja webhookami](/docs/guides/webhook-automation)