‏Agent Swarm: تیمی از ایجنت‌ها که با حافظه رشد می‌کنه

به گفته‌ی سازنده‌ها، بیشترِ فریم‌ورک‌های ایجنتی برای دموی خوب بهینه شدن، ولی Agent Swarm برای افقِ دوساله و رشدِ تدریجی ساخته شده. ایده‌ی محوری اینه که ایجنت‌ها به‌جای اینکه هر تسک رو از صفر شروع کنن، اول چیزی که هفته‌ی پیش تحویل دادن رو می‌خونن. حافظه و هویت هم تو دیتابیس و فایل‌سیستمِ خودت می‌شینه، پس می‌تونی audit کنی، fork بگیری یا کلاً باهاش بلند شی و بری.

ساختارِ کار سه بخشه: یه ایجنتِ «لید» تسک رو می‌خونه، می‌شکنه و به worker ها می‌سپاره — یا مستقیم اختصاص می‌ده، یا برای قبول‌کردن پیشنهاد می‌ده، یا از یه استخر برداشته می‌شه. هر worker تو کانتینرِ Docker جدای خودش با یه /workspace ماندگار اجرا می‌شه؛ هرچی لازم داره نصب می‌کنه، از main شاخه می‌زنه و بدون اینکه رو کارِ بقیه پا بذاره، تحویل می‌ده.

نویسنده‌ها می‌گن این سیستم اونجایی که کار تکراریه و کانتکست مهمه بیشترین ارزش رو داره. یه‌جا که کار می‌کنی — Slack، GitHub، GitLab، Linear یا ایمیل — بات رو mention می‌کنی یا یه تسک بهش می‌سپاری و همون می‌شه کارِ لید. چون روی Model Context Protocol و یه spec از نوع OpenAPI 3.1 سوار شده، هرچی HTTP بلده می‌تونه swarm رو هدایت کنه یا ازش هدایت شه.

راه‌اندازیش هم به گفته‌ی خودشون بدونِ DAG و بدونِ زبانِ تعریفِ ایجنته: مخزن رو clone می‌کنی، توکنِ OAuth رو تو فایل .env می‌ذاری و docker compose up می‌زنی؛ سرورِ API، لید و worker ها هرکدوم تو کانتینرِ خودشون بالا میان. بعد از هر تسک، خلاصه‌ش تو حافظه‌ی مشترک embed می‌شه و فایل‌هایی مثل SOUL.md و IDENTITY.md به‌مرور کامل‌تر می‌شن.

مقاله فرقِ اصلیش با بقیه رو هم توضیح می‌ده: برخلاف SDKهایی مثل LangGraph و AutoGen که خودت باید گراف رو بنویسی، رانتایم رو host کنی و حافظه و اینتگریشن‌ها رو بسازی، این یه سیستمِ درحال‌اجراست که همه‌چیش از پیش سیم‌کشی شده. هیچ لاک‌این‌ای هم نداره: سورسش MIT ـه، هرجا Docker اجرا شه بالا میاد، مدل و کلیدِ خودتو میاری (BYOK/BYOM) و می‌تونی Claude Code رو با Codex عوض کنی. نسخه‌ی Cloud هم برای راحتیه، نه اجبار.

نکات کلیدی:

• Agent Swarm یه سیستمِ متن‌باز MIT برای اجرای تیمی هماهنگ از ایجنت‌های هوش مصنوعیه
• یه ایجنتِ لید کارها رو تقسیم می‌کنه و هر worker تو کانتینرِ Docker جدای خودش کار می‌کنه
• حافظه‌ی مشترک بین تسک‌ها حفظ می‌شه، پس هر اجرا از کارِ قبلی جلوتر شروع می‌کنه
• تو Slack، GitHub، Linear و ایمیل زندگی می‌کنه و روی MCP و OpenAPI 3.1 سواره
• برخلاف SDKها آماده‌ست: با docker compose up بالا میاد و مدل رو خودت میاری