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:

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

Koordynacja przez zadania:

# 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:

# 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:

# 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:

# 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:

# 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.")

Koordynacja przez zmienne

Używać zmiennych do lekkiej koordynacji (blokady, flagi):

# 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

Następne kroki

• Trwały agent LLM
• Książka kucharska LLM
• Automatyzacja webhookami