30个AI Agent自己造了管自己的系统
在AI辅助编程日益普及的今天,单个Agent的高效能力已被广泛验证。然而,当尝试同时运行多个Agent并行处理不同任务时,开发者往往会陷入管理的泥潭:不仅要处理代码冲突,还需在各个Agent之间充当“传话筒”,导致效率不升反降。Composio工程师Prateek Karnal开源的“Agent Orchestrator”系统提供了一种解决方案,通过“让Agent管理Agent”的架构,在8天内调度30个AI Agent完成了40000行TypeScript代码的编写,并实现了对自身的构建与管理。
01架构设计:分层编排与独立工作区
Agent Orchestrator的核心逻辑是将“管理者”与“执行者”角色分离。系统指定一个Agent作为“项目经理”,负责读取代码库、理解Backlog、将大任务拆解为可并行的小任务,并分配给各个Coding Agent。人类开发者仅在需要最终判断时介入。为了解决多Agent并行开发中的资源冲突问题,该架构引入了两个关键设计。
| 关键设计 | 技术实现 | 解决的问题 |
|---|---|---|
| Git Worktree隔离 | 每个Agent分配独立的文件系统副本和分支 | 避免多Agent修改同一文件导致的冲突,互不干扰 |
| Reactions系统 | CI失败日志自动注入回Agent Session | 消除人工介入,实现Agent自主读取日志并修复Bug |
Agent Orchestrator核心机制解析
02实测表现:自动化构建与自我迭代
该系统最显著的特性是其“自我构建”能力。Prateek最初使用2500行Bash脚本管理Tmux Session和Git Worktree,随后让30个Agent基于该脚本构建TypeScript版本。这意味着正在构建的系统本身就是管理构建过程的工具。实测数据显示,8天开发周期内共产生747次Commit,单日最高合并27个PR,而人类仅贡献了1%的Code Review Comment。
在错误修复方面,Reactions系统展现了高度的自动化。某个PR经历了12次CI失败到修复的循环,全程零人工干预。总体数据中,41次CI失败全部由Agent自修复,整体CI成功率达到84.6%。这表明自动化不仅仅是代码生成,更包含了测试反馈与修复的闭环。
03竞品与局限:适用性分析
| 产品/方案 | 特点 | 适合人群 |
|---|---|---|
| Claude Squad | 终端TUI封装,每次编辑需人工批准 | 保守派,偏好精细控制 |
| OpenAI Symphony | Erlang容错路线,PR失败直接重开 | 追求容错性,不关注单次PR修复 |
| Agent Orchestrator | 全自动PR生命周期管理,覆盖从Issue到合并全链路 | 需并行推进大量中大型任务的开发团队 |
主流Agent编排方案对比
- 早期风险
项目于2月开源,文档尚在完善,曾发生包名变更导致旧教程失效的情况。 - 运行效率
用户反馈Agent在步骤之间存在空转(Idle)现象,耗时超出预期。 - 环境依赖
高度依赖完善的测试覆盖和CI Pipeline。若测试质量差,Agent的自动化修复将无效(垃圾进,垃圾出)。 - 成本门槛
30个并行Agent运行Claude Opus模型,API成本较高;且需同时访问GitHub和Claude API,国内网络环境受限。
尽管Hacker News社区有观点认为,在文档足够完善的情况下,单个优质Agent配合良好的Context即可完成任务,无需复杂编排。但Agent Orchestrator的价值主要体现在中大型代码库、具备完善CI测试环境且需同时推进十几个并行任务的场景中。对于目前仅享受单个Agent Pair Programming的开发者而言,引入该系统可能为时尚早;但对于已被多Agent管理拖累的团队,这是一种以API成本换取开发效率的可行路径。
当前文章无评论,是时候发表评论了