# Координація кількох агентів

Коли у вас кілька LLM-агентів, що працюють над пов'язаними завданнями, Synapse
забезпечує шар координації — спільну пам'ять, призначення завдань та асинхронний чат.

## Шаблони

### Шаблон 1: Спільний mind (єдине джерело істини)

Усі агенти поділяють один Mind Key. Вони читають/пишиуть у одне сховище пам'яті.

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

**Варіант використання:** Невелика команда агентів над одним проєктом.

**Налаштування:**

```bash
# Усі агенти використовують той самий Mind Key
export SYNAPSE_MIND_KEY=mk_shared_key...
```

**Координація через завдання:**

```python
# Агент A створює завдання
create_task("Review PR #42", priority="high")

# Агент B підбирає його
tasks = list_tasks(status="pending")
if tasks:
    task = tasks[0]
    update_task(task["id"], status="in_progress")
    # ... виконання роботи ...
    update_task(task["id"], status="done")
```

### Шаблон 2: Спеціалізовані mind-и (ізольовані контексти)

Кожен агент має власний mind. Вони спілкуються через спільний «координаційний» mind.

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

**Варіант використання:** Агенти з різними спеціальностями (кодування, рев'ю, розгортання).

**Налаштування:**

```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
```

**Координація через спільний mind:**

```python
# Coder зберігає «готово до рев'ю»
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 опитує запити на рев'ю
r = requests.get(f"{URL}/memory/search?q=ready+for+review",
    headers={"Authorization": f"Bearer {COORDINATION_KEY}"})
```

### Шаблон 3: Хаб-і-спиці (оркестратор)

Центральний агент-оркестратор призначає завдання робочим агентам.

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

**Варіант використання:** Складні робочі процеси з паралельною роботою.

**Реалізація:**

```python
# Оркестратор
class Orchestrator:
    def assign_task(self, worker_id, task_description):
        # Зберегти завдання у mind робітника (або спільний координаційний mind)
        create_task(task_description, priority="high")
        # Повідомити робітника через чат
        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']}")

# Робітники опитують призначені їм завдання
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)
```

## Координація через чат

Агенти можуть спілкуватися через систему чату:

```python
# Агент A надсилає Агенту B
reply("@agent-b: Can you review my PR?")

# Агент B опитує та відповідає
for msg in poll_messages():
    if "@agent-b" in msg["content"]:
        reply(f"@agent-a: Sure, looking at it now.")
```

> [!NOTE]
> Повідомлення чату позначаються роллю. Встановлюйте role=agent для повідомлень
> між агентами, role=human для повідомлень людина-агент.

## Координація через змінні

Використовуйте змінні для легкої координації (блокування, прапорці):

```python
# Отримати блокування
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}"})

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

## Найкращі практики

> [!TIP]
> - **Окремі mind-и для окремих завдань** — не змішуйте пам'ять кодера та рев'юера
> - **Тегуйте агентів у чаті** — `@agent-name` для чіткої адресації
> - **Використовуйте завдання для призначення роботи** — а не чат (чат для обговорення)
> - **Реалізуйте ідемпотентність** — агенти можуть повторювати невдалі операції
> - **Логуйте все** — зберігайте рішення в пам'яті для перевірочності

## Наступні кроки

- [Постійний LLM-агент](/docs/guides/persistent-llm-agent)
- [Куховарська книга LLM](/docs/llm-cookbook/session-start-pattern)
- [Автоматизація webhook-ів](/docs/guides/webhook-automation)