Agent Swarm: Multi-Agent-Orchestrierungs-Framework für KI-Codierungsassistenten

Multi-Agenten-Koordination für Entwicklungsaufgaben
Agent Swarm bietet ein Framework zum Betrieb von Teams aus KI-Codierungsagenten, die autonom zusammenarbeiten. Das System verwendet einen Hauptagenten, der Aufgaben aus verschiedenen Quellen erhält, sie in Teilaufgaben zerlegt und an Arbeitsagenten delegiert, die in isolierten Docker-Containern laufen.
Wichtige Architektur und Funktionen
- Haupt-/Arbeitskoordination – Ein Hauptagent delegiert und verfolgt Arbeit über mehrere Arbeitsagenten
- Docker-Isolierung – Jeder Arbeitsagent läuft in seinem eigenen Container mit einer vollständigen Entwicklungsumgebung
- Integrationspunkte – Slack-, GitHub- und E-Mail-Integration zur Erstellung von Aufgaben
- Task-Lebenszyklus-Management – Prioritätswarteschlangen, Abhängigkeiten, Pause/Fortsetzung über Bereitstellungen hinweg
- Kumulatives Gedächtnis – Agenten lernen aus jeder Sitzung und verbessern sich mit der Zeit
- Persistente Identität – Jeder Agent behält seine eigene Persönlichkeit, Expertise und Arbeitsweise
- Dashboard-UI – Echtzeit-Überwachung von Agenten, Aufgaben und Agenten-Chats
- Service-Erkennung – Arbeitsagenten können HTTP-Dienste bereitstellen und sich gegenseitig finden
- Geplante Aufgaben – Cron-basierte Automatisierung wiederkehrender Aufgaben
Schnellstart-Optionen
Das Framework unterstützt mehrere Bereitstellungsansätze:
Option A: Docker Compose (empfohlen)
git clone https://github.com/desplega-ai/agent-swarm.git
cd agent-swarm
# Konfiguriere Umgebung
cp .env.docker.example .env
# Bearbeite .env — setze mindestens API_KEY und CLAUDE_CODE_OAUTH_TOKEN
# Starte alles
docker compose -f docker-compose.example.yml --env-file .env up -dDie API läuft auf Port 3013.
Option B: Lokale API + Docker-Arbeitsagenten
git clone https://github.com/desplega-ai/agent-swarm.git
cd agent-swarm
bun install
# 1. Konfiguriere und starte den API-Server
cp .env.example .env
# Bearbeite .env — setze API_KEY
bun run start:httpIn einem neuen Terminal starte einen Arbeitsagenten:
# 2. Konfiguriere und starte einen Docker-Arbeitsagenten
cp .env.docker.example .env.docker
# Bearbeite .env.docker — setze API_KEY (wie oben) und CLAUDE_CODE_OAUTH_TOKEN
bun run docker:build:worker
mkdir -p ./logs ./work/shared ./work/worker-1
bun run docker:run:workerOption C: Claude Code als Hauptagent
# Nach dem Start des API-Servers (Option B, Schritt 1):
bunx @desplega.ai/agent-swarm setupDies konfiguriert Claude Code für die Verbindung zum Schwarm. Starte Claude Code und sage ihm: "Registriere dich selbst als Hauptagent im agent-swarm."
So funktioniert es
Das System folgt diesem Ablauf: Du sendest eine Aufgabe per Slack-DM, GitHub-@Erwähnung, E-Mail oder direkt über die API. Der Hauptagent plant, indem er die Aufgabe zerlegt und Teilaufgaben an Arbeitsagenten vergibt. Arbeitsagenten führen in isolierten Docker-Containern mit Git, Node.js, Python und anderen Entwicklungswerkzeugen aus. Der Fortschritt wird in Echtzeit über das Dashboard verfolgt.
Diese Art von Multi-Agenten-System ist nützlich für Entwickler, die komplexe Entwicklungs-Workflows automatisieren möchten, bei denen Aufgaben zerlegt und parallel ausgeführt werden müssen, wobei jeder Agent auf verschiedene Aspekte der Arbeit spezialisiert ist.
📖 Source: HN AI Agents
👀 Siehe auch

Projekt-Ledger: Mensch-im-Loop-Gedächtnissystem für KI-Coding-Agenten
Ein GitHub-Projekt stellt ein YAML-basiertes Ledger-System vor, in dem Menschen kuratieren, woran KI-Agenten über Codebasen erinnert werden. Es umfasst eine /ledger-Fähigkeit, einen UserPromptSubmit-Hook für automatische Kontextinjektion und eine Haiku-Auditor-Überprüfung.

GLM-5.1 vs MiniMax M2.7: Leistungsvergleich für KI-Coding-Agenten
GLM-5.1 erreicht SWE-bench-Verified 77,8 und Terminal Bench 2.0 56,2 Punkte, die höchsten unter Open-Source-Modellen, während MiniMax M2.7 schnelle Antworten mit niedrigem TTFT und hohem Durchsatz bietet, ideal für CI-Bots und Batch-Bearbeitungen.

Claude Code Prompt Architektur Reverse-Engineered für lokale Modelle
Eine Cleanroom-Neuimplementierung der 26-Prompt-Architektur von Claude Code ist jetzt auf GitHub verfügbar. Sie bietet System-Prompts, Tool-Prompts, Sicherheitsregeln, Speicherkompression und Verifizierungsmuster für den Aufbau von Coding-Agenten auf lokalen Modellen wie Ollama, llama.cpp oder vLLM.

ClawCodex /Beratungsmodus: Billigen Arbeiter mit teurem Prüfer kombinieren, um Kosten zu senken ohne Qualitätsverlust
Der Open-Source-Python-Coding-Agent ClawCodex bietet einen /advisor-Modus, der ein günstiges Worker-Modell (z. B. Haiku) mit einem teuren Reviewer (z. B. Opus) an Entscheidungspunkten kombiniert und so die Kosten mehrfach senkt, ohne die Architekturqualität zu beeinträchtigen.