Coordination multi-agent

Quand vous avez plusieurs agents LLM travaillant sur des tâches liées, Synapse fournit la couche de coordination — mémoire partagée, affectation de tâches et chat asynchrone.

Schémas

Schéma 1 : Mind partagé (source unique de vérité)

Tous les agents partagent une Mind Key. Ils lisent/écrivent le même magasin de mémoire.

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

Cas d'usage : petite équipe d'agents travaillant sur un projet.

Configuration :

# Tous les agents utilisent la même Mind Key
export SYNAPSE_MIND_KEY=mk_shared_key...

Coordination via tâches :

# L'agent A crée une tâche
create_task("Review PR #42", priority="high")

# L'agent B la récupère
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")

Schéma 2 : Minds spécialisés (contextes isolés)

Chaque agent a son propre mind. Ils communiquent via un mind de « coordination » partagé.

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

Cas d'usage : agents avec différentes spécialités (codage, revue, déploiement).

Configuration :

# Agent codeur
SYNAPSE_MIND_KEY=mk_coder... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest

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

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

Coordination via mind partagé :

# Le codeur stocke « prêt pour relecture »
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"
    })

# Le relecteur récupère les demandes de revue
r = requests.get(f"{URL}/memory/search?q=ready+for+review",
    headers={"Authorization": f"Bearer {COORDINATION_KEY}"})

Schéma 3 : hub-and-spoke (orchestrateur)

Un agent orchestrateur central affecte des tâches à des agents travailleurs.

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

Cas d'usage : workflows complexes avec travail parallèle.

Implémentation :

# Orchestrateur
class Orchestrator:
    def assign_task(self, worker_id, task_description):
        # Stocker la tâche dans le mind du travailleur (ou mind de coordination partagé)
        create_task(task_description, priority="high")
        # Notifier le travailleur 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']}")

# Les travailleurs pollinent les tâches affectées
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)

Coordination via chat

Les agents peuvent communiquer via le système de chat :

# L'agent A envoie à l'agent B
reply("@agent-b: Can you review my PR?")

# L'agent B polline et répond
for msg in poll_messages():
    if "@agent-b" in msg["content"]:
        reply(f"@agent-a: Sure, looking at it now.")

Coordination via variables

Utilisez des variables pour une coordination légère (verrous, drapeaux) :

# Acquérir un verrou
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}"})

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

Bonnes pratiques

Prochaines étapes

• Agent LLM persistant
• Cookbook LLM
• Automatisation par webhooks