Come Eseguire un'Orchestra di Agenti AI in una Chat Normale

Quando passi da un singolo assistente AI nel tuo editor di codice a più agenti autonomi, ti ritrovi subito con un problema di controllo. Gli agenti iniziano a generare processi in background, consumano token, e quando qualcosa va storto, rompono silenziosamente l'ambiente da qualche parte nelle profondità di Docker. È ancora peggio quando devi dare loro accesso a chiavi API o GitHub: consegnare un token personale a uno script che genera ed esegue codice autonomamente è, per dirla in modo gentile, stressante.

Recentemente mi sono imbattuto nel progetto AgentTeams del team AgentScope. È una piattaforma runtime che raggruppa agenti di reti neurali in un ambiente team unificato basato sul protocollo Matrix. Invece di daemon di background astratti, ottieni un normale messenger dove tu, un agente manager e agenti worker specializzati siete tutti nella stessa chat.

Qual è l'Idea dell'Architettura

AgentTeams non cerca di inventare un proprio motore per eseguire LLM o scrivere un altro wrapper per i prompt. Il progetto funziona come un orchestratore di container. L'intero sistema è costruito attorno al concetto Manager-Workers:

1. Il manager riceve i tuoi task di alto livello, li suddivide in sottotask e li assegna a worker specifici.
2. I worker eseguono i task in ambienti isolati.
3. Il messenger Matrix funziona come bus unificato per tutti i messaggi.

Di conseguenza, vedi assolutamente tutta la corrispondenza tra gli agenti. Se un worker va fuori pista, scrivi semplicemente nella chat @alice измени логику валидации e aggiusta il corso al volo, senza riavviare l'intera catena.

Senza Accesso alle Chiavi Reali

Il problema principale della maggior parte degli agenti autonomi è la sicurezza. Perché un agente faccia una Pull Request su GitHub o chiami un'API di terze parti, di solito passi i segreti corrispondenti direttamente nelle variabili d'ambiente.

Gli sviluppatori di AgentTeams hanno risolto questo problema attraverso un Higress AI Gateway integrato. Lo schema di interazione funziona così:

• Il worker riceve solo un token consumatore temporaneo.
• Tutte le richieste esterne alle API LLM, GitHub o server MCP passano attraverso il gateway.
• Le chiavi API reali e i token personali sono archiviati all'interno del gateway e non raggiungono mai i container dei worker.

Anche se il codice all'interno di un worker cerca di leggere le variabili d'ambiente e inviarle, troverà solo il token di accesso al gateway locale.

Runtime Diversi in una Stanza

Una caratteristica interessante della piattaforma è la possibilità di combinare diversi tipi di agenti in una stanza. Attualmente sono supportati tre runtime sottostanti:

• OpenClaw su Node.js per tool calling e coordinamento dei task.
• QwenPaw su Python, focalizzato su task leggeri e automazione del browser.
• Hermes per la scrittura autonoma di codice con un ambiente sandbox terminale isolato.

Questo fornisce una discreta flessibilità. Puoi assegnare un agente OpenClaw deterministico come leader del gruppo e connettere Hermes per scrivere e debuggare codice. Gli agenti comunicano tra loro attraverso mention integrate e un file store MinIO condiviso. Il filesystem fa risparmiare significativamente sul context window: gli agenti non passano grandi porzioni di codice o log direttamente nei testi dei messaggi, ma inseriscono link ai file nello storage.

Come è Strutturato all'Interno

Architetturalmente, AgentTeams viene distribuito come un insieme di servizi interconnessi:

• Controller è responsabile del ciclo di vita delle risorse e della configurazione dichiarativa.
• Higress AI Gateway gestisce il traffico e archivia i dati di autorizzazione.
• Tuwunel e Element Web forniscono funzionalità di server Matrix e client web.
• MinIO archivia gli artefatti generati dagli agenti.

Docker è sufficiente per eseguire la piattaforma in modalità locale. I requisiti minimi di sistema sono 2 core CPU e 4 GB di RAM. Se prevedi di avviare 3-4 worker contemporaneamente, è meglio prevedere 8 GB di RAM o più.

L'installazione viene avviata con un singolo comando:

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

Lo script chiederà una chiave per il provider LLM scelto (funzionano qualsiasi endpoint compatibili con OpenAI), configurerà i servizi locali e fornirà un link a Element Web su http://127.0.0.1:18088.

Per installazioni più serie, il progetto ha una Helm chart ufficialmente supportata per Kubernetes. Quando esegui il deployment su K8s, puoi definire worker e team direttamente attraverso Custom Resource Definitions (CRD) nello stile dei manifest familiari.

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

Prima di lanciare il controller, Helm esegue automaticamente un preflight check: invia una breve richiesta di test al modello specificato per fallire l'installazione immediatamente se la chiave API è invalida o i limiti sono esauriti.

Impressioni e Verdetto

Il progetto appare fresco sullo sfondo degli infiniti script da console. Il concetto di usare un classico messenger invece di un altro web dashboard si è rivelato inaspettatamente conveniente, soprattutto considerando che puoi connetterti a Matrix da qualsiasi client mobile come FluffyChat o Element Mobile.

Gli svantaggi includono i requisiti hardware: eseguire un insieme di container insieme a MinIO e il gateway consuma rapidamente la memoria su una macchina locale. Se hai bisogno di un semplice assistente per suggerimenti nel tuo IDE, AgentTeams sarà chiaramente una soluzione eccessiva.

Ma per i team che cercano di costruire una pipeline completa di più sviluppatori AI senza voler perdere chiavi API o perdere il controllo su ciò che sta accadendo, lo strumento vale sicuramente la pena di provarlo.