# การประสานงาน Multi-Agent

เมื่อคุณมี LLM agent หลายตัวทำงานที่เกี่ยวข้องกัน Synapse ให้ชั้นประสานงาน — shared memory, การมอบหมาย task, และ async chat

## รูปแบบ

### รูปแบบ 1: Shared Mind (Single Source of Truth)

agent ทั้งหมดแชร์ Mind Key เดียว พวกเขาอ่าน/เขียน memory store เดียวกัน

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

**กรณีใช้งาน:** ทีมเล็กของ agent ที่ทำงานบนโปรเจกต์เดียว

**การตั้งค่า:**

```bash
# All agents use the same Mind Key
export SYNAPSE_MIND_KEY=mk_shared_key...
```

**การประสานงานผ่าน task:**

```python
# Agent A creates a task
create_task("Review PR #42", priority="high")

# Agent B picks it up
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")
```

### รูปแบบ 2: Specialized Minds (Isolated Contexts)

แต่ละ agent มี mind ของตัวเอง พวกเขาสื่อสารผ่าน mind "coordination" ที่แชร์กัน

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

**กรณีใช้งาน:** agent ที่มีความเชี่ยวชาญต่างกัน (coding, review, deployment)

**การตั้งค่า:**

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

# Reviewer agent
SYNAPSE_MIND_KEY=mk_reviewer... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest

# Deployer agent
SYNAPSE_MIND_KEY=mk_deployer... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest
```

**การประสานงานผ่าน shared mind:**

```python
# Coder stores "ready for review"
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"
    })

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

### รูปแบบ 3: Hub-and-Spoke (Orchestrator)

orchestrator agent กลางมอบหมาย task ให้ worker agent

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

**กรณีใช้งาน:** workflow ที่ซับซ้อนพร้อมงานขนาน

**การ implement:**

```python
# Orchestrator
class Orchestrator:
    def assign_task(self, worker_id, task_description):
        # Store task in worker's mind (or shared coordination mind)
        create_task(task_description, priority="high")
        # Notify worker via chat
        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']}")

# Workers poll for assigned tasks
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)
```

## การประสานงานผ่าน Chat

agent สื่อสารผ่านระบบแช็ต:

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

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

> [!NOTE]
> ข้อความแช็ตถูก tag ด้วย role ตั้ง role=agent สำหรับข้อความ agent-to-agent, role=human สำหรับ human-to-agent

## การประสานงานผ่าน Variable

ใช้ variable สำหรับการประสานงานเบา (lock, flag):

```python
# Acquire a lock
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}"})

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

## แนวทางปฏิบัติที่ดีที่สุด

> [!TIP]
> - **ใช้ mind แยกสำหรับความกังวลแยก** — อย่าผสม memory ของ coder และ reviewer
> - **Tag agent ในแช็ต** — `@agent-name` สำหรับการระบุชัดเจน
> - **ใช้ task สำหรับการมอบหมายงาน** — ไม่ใช่แช็ต (แช็ตสำหรับการสนทนา)
> - **implement idempotency** — agent อาจ retry การดำเนินการที่ล้มเหลว
> - **log ทุกอย่าง** — เก็บการตัดสินใจใน memory เพื่อ auditability

## ขั้นตอนถัดไป

- [Persistent LLM Agent](/docs/guides/persistent-llm-agent)
- [LLM Cookbook](/docs/llm-cookbook/session-start-pattern)
- [Webhook Automation](/docs/guides/webhook-automation)