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

OpenHelm: Eine macOS-App zur Automatisierung von Claude-Code-Aufgaben
OpenHelm ist eine kostenlose, lokale macOS-Anwendung, die repetitive Claude-Coding-Aufgaben automatisiert, indem sie Jobs nach Zeitplan ausführt, Fehler automatisch wiederholt und Arbeit in Teile aufteilt, um Sitzungslimits zu vermeiden. Sie nutzt Ihr bestehendes Claude-Abonnement für LLM-Aufrufe.

Open-Source Agent OS: Rust-basiertes Betriebssystem für KI-Agenten mit WASM-Sandboxing und Hands-Funktion
Ein Open-Source-Betriebssystem für KI-Agenten wurde veröffentlicht, das 137.000 Zeilen Rust-Code unter MIT-Lizenz enthält. Das System führt Agenten in WASM-Sandboxen mit 16 Sicherheitsebenen aus und führt 'Hands' für geplante, autonome Agentenoperationen ein.

LocalSynapse MCP-Server fügt macOS-Unterstützung und Suchverbesserungen hinzu
LocalSynapse, ein Offline-MCP-Server zur Suche in lokalen Dokumenten, unterstützt jetzt macOS und enthält Korrekturen für Suchanfragen mit mehreren Wörtern. Der Entwickler hat Feedback-gesteuerte Verbesserungen implementiert, darunter positionsangepasstes Klick-Boosting und Zeitverfall als Förderung.

Toroidal Logit Bias: Einfacher Inferenz-Trick reduziert Halluzinationen um 40%
Eine neue Methode bildet Tokens auf einen Torus ab und verstaerkt nahe Logits, reduziert Fehler ohne Fine-Tuning oder RAG.