Agent Swarm : Cadre d'Orchestration Multi-Agents pour Assistants de Codage IA

Coordination Multi-Agents pour les Tâches de Développement
Agent Swarm fournit un framework pour exécuter des équipes d'agents d'IA de codage qui collaborent de manière autonome. Le système utilise un agent principal qui reçoit des tâches de diverses sources, les décompose en sous-tâches et les délègue à des agents travailleurs s'exécutant dans des conteneurs Docker isolés.
Architecture et Fonctionnalités Clés
- Coordination Principal/Travailleur – Un agent principal délègue et suit le travail à travers plusieurs travailleurs
- Isolation Docker – Chaque travailleur s'exécute dans son propre conteneur avec un environnement de développement complet
- Points d'intégration – Intégration avec Slack, GitHub et email pour créer des tâches
- Gestion du cycle de vie des tâches – Files d'attente par priorité, dépendances, pause/reprise entre les déploiements
- Mémoire cumulative – Les agents apprennent de chaque session et s'améliorent avec le temps
- Identité persistante – Chaque agent conserve sa propre personnalité, expertise et style de travail
- Interface Dashboard – Surveillance en temps réel des agents, tâches et discussions inter-agents
- Découverte de services – Les travailleurs peuvent exposer des services HTTP et se découvrir mutuellement
- Tâches planifiées – Automatisation des tâches récurrentes basée sur Cron
Options de Démarrage Rapide
Le framework prend en charge plusieurs approches de déploiement :
Option A : Docker Compose (recommandé)
git clone https://github.com/desplega-ai/agent-swarm.git
cd agent-swarm
# Configurer l'environnement
cp .env.docker.example .env
# Modifier .env — définir au minimum API_KEY et CLAUDE_CODE_OAUTH_TOKEN
# Tout démarrer
docker compose -f docker-compose.example.yml --env-file .env up -dL'API s'exécute sur le port 3013.
Option B : API Locale + Travailleurs Docker
git clone https://github.com/desplega-ai/agent-swarm.git
cd agent-swarm
bun install
# 1. Configurer et démarrer le serveur API
cp .env.example .env
# Modifier .env — définir API_KEY
bun run start:httpDans un nouveau terminal, démarrer un travailleur :
# 2. Configurer et exécuter un travailleur Docker
cp .env.docker.example .env.docker
# Modifier .env.docker — définir API_KEY (identique ci-dessus) et 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 comme Agent Principal
# Après avoir démarré le serveur API (Option B, étape 1) :
bunx @desplega.ai/agent-swarm setupCela configure Claude Code pour se connecter à l'essaim. Démarrer Claude Code et lui dire : "Enregistrez-vous comme l'agent principal dans l'agent-swarm."
Comment Ça Marche
Le système suit ce flux : Vous envoyez une tâche via un message direct Slack, une mention GitHub @, un email, ou directement via l'API. L'agent principal planifie en décomposant la tâche et en assignant des sous-tâches aux travailleurs. Les travailleurs s'exécutent dans des conteneurs Docker isolés avec git, Node.js, Python et d'autres outils de développement. La progression est suivie en temps réel via le tableau de bord.
Ce type de système multi-agents est utile pour les développeurs qui souhaitent automatiser des flux de travail de développement complexes où les tâches doivent être décomposées et exécutées en parallèle, chaque agent se spécialisant dans différents aspects du travail.
📖 Lire la source complète : HN AI Agents
👀 See Also

Surveillance de Jetons IA : Un Outil macOS pour Suivre l'Utilisation et le Coût de Claude en Local
Un développeur a créé AI Token Monitor, une application macOS pour la barre de menus qui lit les fichiers de session locaux de Claude pour suivre l'utilisation des tokens, la répartition des modèles et les équivalents de coût sans clés API. L'outil open source a révélé 6,5 millions de tokens (4 924 $ au tarif API) sur 35 jours dans le cas d'un utilisateur.

Le module complémentaire OpenClaw Outlook connecte l'agent local à la barre latérale des e-mails
Un développeur a créé un module complémentaire Outlook qui se connecte à une passerelle OpenClaw locale via WebSocket, offrant un accès complet à l'agent avec des outils et des automatisations directement dans la barre latérale des e-mails. L'outil lit les e-mails sélectionnés comme contexte, maintient des sessions de chat par e-mail et fonctionne avec Outlook Desktop et Web.

Backend personnalisé llama.cpp décharge la multiplication matricielle des LLM vers le NPU AMD XDNA2 sur Ryzen AI MAX 385
Un développeur a créé un backend personnalisé pour llama.cpp qui envoie directement les opérations GEMM vers le NPU AMD XDNA2 sur le Ryzen AI MAX 385 (Strix Halo), atteignant 43,7 t/s en décodage avec 0,947 J/tok pour Meta-Llama-3.1-8B-Instruct Q4_K_M. Le chemin de décodage via le NPU économise environ 10W par rapport au Vulkan seul tout en maintenant le débit de décodage.

Recherche sémantique locale pour conversations IA avec fastembed et LanceDB
Un développeur a indexé localement 368 000 messages de conversation IA en utilisant fastembed pour les embeddings basés sur CPU et LanceDB comme base de données vectorielle serverless, obtenant une latence de recherche p50 de 12 ms sans clés API.