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

✍️ OpenClawRadar📅 Publié: February 26, 2026🔗 Source
Agent Swarm : Cadre d'Orchestration Multi-Agents pour Assistants de Codage IA
Ad

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
Ad

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 -d

L'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:http

Dans 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:worker

Option C : Claude Code comme Agent Principal

# Après avoir démarré le serveur API (Option B, étape 1) :
bunx @desplega.ai/agent-swarm setup

Cela 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

Ad

👀 See Also

L'outil GrapeRoot réduit les coûts de Claude Code de 45 % grâce à un contexte de référentiel pré-analysé.
Tools

L'outil GrapeRoot réduit les coûts de Claude Code de 45 % grâce à un contexte de référentiel pré-analysé.

Un outil gratuit appelé GrapeRoot qui pré-analyse les dépôts et construit des graphes de dépendances a réduit les coûts de Claude Code de 45 % en moyenne sur 10 tâches d'ingénierie tout en améliorant la qualité des réponses de 13 %. L'outil élimine les boucles d'exploration qui consomment normalement des tokens.

OpenClawRadar
Claude Code charge paresseusement les schémas d'outils via ToolSearch pour économiser des tokens
Tools

Claude Code charge paresseusement les schémas d'outils via ToolSearch pour économiser des tokens

Claude Code diffère le chargement des schémas d'outils en envoyant uniquement les noms des outils au préalable et en nécessitant un appel ToolSearch pour récupérer les schémas avant utilisation. Cette architecture réduit considérablement la consommation de tokens.

OpenClawRadar
Plugin OpenClaw Budget Guard empêche le dépassement simultané du budget
Tools

Plugin OpenClaw Budget Guard empêche le dépassement simultané du budget

Un nouveau plugin OpenClaw appelé @runcycles/openclaw-budget-guard résout les dépassements de budget concurrents en mettant en œuvre des vérifications atomiques du solde, des réservations avant exécution et des tentatives idempotentes. Il nécessite un serveur Cycles avec Redis et peut être installé via une commande bash.

OpenClawRadar
Relvy améliore la précision de l'analyse des causes racines de Claude de 12 points de pourcentage sur le benchmark OpenRCA.
Tools

Relvy améliore la précision de l'analyse des causes racines de Claude de 12 points de pourcentage sur le benchmark OpenRCA.

Relvy, un outil qui automatise les runbooks, a démontré une amélioration de 12 points de pourcentage de la précision de Claude sur le benchmark OpenRCA pour l'analyse des causes racines. Les résultats ont été partagés via un post Hacker News avec 11 points.

OpenClawRadar