Jak uruchomić orkiestrę agentów AI w zwykłym czacie

Przechodząc od pojedynczego asystenta AI w edytorze kodu do wielu autonomicznych agentów, szybko napotykasz problem kontroli. Agenci zaczynają spawnować procesy w tle, zużywać tokeny, a gdy coś pójdzie nie tak, cicho psują środowisko gdzieś w czeluściach Dockera. Jest jeszcze gorzej, gdy musisz im dać dostęp do kluczy API lub GitHuba: przekazanie osobistego tokena skryptowi, który generuje i wykonuje kod samodzielnie, jest co najmniej stresujące.

Ostatnio natknąłem się na projekt AgentTeams od zespołu AgentScope. To platforma runtime, która pakuje agentów sieci neuronowych w ujednolicone środowisko zespołowe oparte na protokole Matrix. Zamiast abstrakcyjnych demonów w tle otrzymujesz zwykły komunikator, gdzie ty, agent menedżer i wyspecjalizowani agenci pracownicy siedzicie w tym samym czacie.

Jaka jest idea architektury

AgentTeams nie próbuje wymyślać własnego silnika do uruchamiania LLM ani pisać kolejnego wrappera nad promptami. Projekt działa jako orkiestrator kontenerów. Cały system jest zbudowany wokół koncepcji Menedżer-Pracownicy:

1. Menedżer otrzymuje twoje zadania wysokiego poziomu, rozkłada je na podzadania i przypisuje je konkretnym pracownikom.
2. Pracownicy wykonują zadania w odizolowanych środowiskach.
3. Komunikator Matrix służy jako ujednolicona szyna dla wszystkich wiadomości.

W rezultacie widzisz absolutnie całą korespondencję między agentami. Jeśli pracownik zboczy z kursu, po prostu piszesz do niego w czacie @alice измени логику валидации i korygujesz przebieg na bieżąco, bez restartu całego łańcucha.

Bez dostępu do prawdziwych kluczy

Głównym problemem większości autonomicznych agentów jest bezpieczeństwo. Aby agent mógł wykonać Pull Request na GitHub lub wywołać zewnętrzne API, zazwyczaj przekazujesz odpowiednie sekrety bezpośrednio do zmiennych środowiskowych.

Twórcy AgentTeams rozwiązali to przez wbudowaną Bramkę AI Higress. Schemat interakcji wygląda następująco:

• Pracownik otrzymuje tylko tymczasowy token konsumenta.
• Wszystkie zewnętrzne żądania do API LLM, GitHub lub serwerów MCP przechodzą przez bramkę.
• Prawdziwe klucze API i osobiste tokeny są przechowywane wewnątrz bramki i nigdy nie docierają do kontenerów pracowników.

Nawet jeśli kod wewnątrz pracownika próbuje odczytać zmienne środowiskowe i wysłać je na zewnątrz, znajdzie tylko lokalny token dostępu do bramki.

Różne środowiska wykonawcze w jednym pokoju

Interesującą cechą platformy jest możliwość łączenia różnych typów agentów w jednym pokoju. Obecnie wspierane są trzy środowiska wykonawcze pod maską:

• OpenClaw na Node.js do wywoływania narzędzi i koordynacji zadań.
• QwenPaw na Pythonie, skupiony na lekkich zadaniach i automatyzacji przeglądarki.
• Hermes do autonomicznego pisania kodu z izolowanym środowiskiem terminala.

Zapewnia to sporą elastyczność. Możesz wyznaczyć deterministycznego agenta OpenClaw jako lidera grupy, a podłączyć Hermesa do pisania i debugowania kodu. Agenci komunikują się ze sobą przez wbudowane wspomnienia i współdzielone magazyny plików MinIO. System plików znacząco oszczędza na oknie kontekstu: agenci nie przekazują dużych fragmentów kodu ani logów bezpośrednio w tekstach wiadomości, ale wrzucają linki do plików w magazynie.

Jak to jest zbudowane w środku

Architektonicznie AgentTeams jest dostarczany jako zestaw połączonych usług:

• Controller odpowiada za cykl życia zasobów i konfigurację deklaratywną.
• Bramka AI Higress zarządza ruchem i przechowuje dane autoryzacyjne.
• Tuwunel i Element Web zapewniają funkcjonalność serwera Matrix i klienta webowego.
• MinIO przechowuje artefakty generowane przez agentów.

Docker wystarcza do uruchomienia platformy w trybie lokalnym. Minimalne wymagania systemowe to 2 rdzenie CPU i 4 GB RAM. Jeśli planujesz odpalać 3-4 pracowników jednocześnie, lepiej załóż 8 GB RAM lub więcej.

Instalacja uruchamiana jest jednym poleceniem:

bash <(curl -sSL https://raw.githubusercontent.com/agentscope-ai/AgentTeams/main/install/agentteams-install.sh)

Skrypt zapyta o klucz do wybranego dostawcy LLM (działają dowolne punkty końcowe kompatybilne z OpenAI), skonfiguruje lokalne usługi i poda link do Element Web pod http://127.0.0.1:18088.

W przypadku poważniejszych instalacji projekt ma oficjalnie wspierany Helm chart dla Kubernetes. Przy wdrażaniu do K8s możesz definiować pracowników i zespoły bezpośrednio przez Custom Resource Definitions (CRD) w stylu znajomych manifestów.

helm install agentteams higress.io/agentteams \
  -n agentteams-system --create-namespace \
  --set credentials.llmApiKey=<your-api-key> \
  --set credentials.adminPassword=<your-admin-password> \
  --set gateway.publicURL=http://localhost:18080

Przed uruchomieniem kontrolera Helm automatycznie przeprowadza sprawdzenie preflight: wysyła krótkie żądanie testowe do określonego modelu, aby natychmiast przerwać instalację, jeśli klucz API jest nieprawidłowy lub limity są wyczerpane.

Wrażenia i werdykt

Projekt wygląda świeżo na tle niezliczonych skryptów konsolowych. Koncepcja użycia klasycznego komunikatora zamiast kolejnego panelu webowego okazała się nieoczekiwanie wygodna, zwłaszcza że możesz połączyć się z Matrix z dowolnego klienta mobilnego jak FluffyChat czy Element Mobile.

Minusem są wymagania sprzętowe: uruchomienie kupki kontenerów wraz z MinIO i bramką szybko zjada pamięć na maszynie lokalnej. Jeśli potrzebujesz prostego asystenta do podpowiedzi w IDE, AgentTeams będzie wyraźnie przesadą.

Ale dla zespołów próbujących zbudować pełny pipeline wielu programistów AI, nie chcąc przy tym wyciekać kluczy API ani tracić kontroli nad tym, co się dzieje, narzędzie zdecydowanie warto sprawdzić.