AI-субагенты в Claude Code и Codex: Руководство по оркестрации мультиагентных систем
Практический гайд по запуску мультиагентных сетей в Claude Code, Codex и Rust: Dynamic Workflows, P2P Agent Teams и монтаж в DaVinci Resolve через CLI.
Маркетинг-стратег, IT-предприниматель, ментор по вайбкодингу
10+ лет в маркетинге, 300+ клиентских проектов: сайты, реклама, боты. Создатель GoBanana (228K+ пользователей, 11.6 млн ₽ выручки) и VibeCoderz. Делаю AI-продукты сам через Claude Code, Cursor, Windsurf и консультирую тех, кто хочет так же.
🎯 О чём этот конспект: Практический разбор работы с мультиагентными системами: от базовых субагентов в Codex и Claude Code до создания собственного легковесного движка на Rust, способного удерживать параллельную работу более 100 агентов. В конспекте детально разбираются реальные сценарии: автономный парсер-дайджест с MCP-серверами, генерация видеоконтента через команды агентов (Agent Teams), пайплайны Dynamic Workflows и прямая автоматизация монтажа в DaVinci Resolve через терминал.
👤 Кому будет полезно: Вайбкодерам, AI-инженерам, разработчикам автоматизаций и создателям контента, которые переросли возможности одиночных чат-сессий и хотят делегировать тяжелые ресурсоёмкие пайплайны распределенным агентным сетям.
✨ Что получите: Понимание архитектурных различий между базовыми субагентами, Agent Teams, Dynamic Workflows и кастомными системами. Готовые шаблоны промптов для оркестрации агентов, методы оптимизации токенов (стриппинг системных промптов и тулов), методику интеграции LLM с DaVinci Resolve через CLI и сравнительный бенчмарк поведения ведущих моделей (Claude Opus, GPT, Kimi, MiniMax) при управлении подчиненными.
1. Декомпозиция задач и преодоление контекстных лимитов LLM
Контекст: Попытка заставить одну LLM выполнить гигантскую монолитную задачу (например, написать 20 000 уникальных анекдотов, полностью смонтировать длинный ролик или сгенерировать 100 страниц технической документации) неизбежно приводит к отказу модели либо к катастрофической потере качества и галлюцинациям. Ограничение контекстного окна и деградация внимания («attention drift») внутри длинной сессии не позволяют удерживать все детали одновременно. Решение заключается в линейном масштабировании исполнителей под объем входных и выходных данных: если агент справляется с 10 страницами, то для 100 страниц необходимо развернуть 10 субагентов с изолированными контекстами под управлением одного координатора. Такой подход изолирует промежуточный «мусорный» контекст каждого исполнителя, предотвращая засорение памяти оркестратора.
Тайминг:[01:14], [01:32], [02:88]
Выгода: Устранение отказов модели из-за переполнения контекста; сохранение 100% детализации на каждом сегменте задачи; возможность параллельной обработки гигантских массивов данных без потери фокуса.
Как применить:
Шаг 1: Оценка зависимости задачи от объёма данных — Вычислите предел качественной генерации выбранной модели. Если задача превышает устойчивый порог (например, более 5–10 страниц связного текста или анализ более 10 разнородных источников за раз), разбейте её на изолированные кванты.
Шаг 2: Проектирование двухуровневой иерархии — Выделите один агент верхнего уровня (оркестратор/редактор), который принимает финальный результат, и $N$ субагентов (воркеров), каждый из которых отвечает строго за одну тему, один файл или один источник.
Шаг 3: Изоляция контекста субагентов — Настройте запуск субагентов так, чтобы в сессию родительского агента возвращалась только финальная выжимка (структурированный JSON или сжатый Markdown), а не промежуточные шаги поиска и рассуждений.
Ты — главный редактор. Твоя задача — собрать итоговый отчет из 10 глав.Не пытайся генерировать текст глав самостоятельно.Для каждой из 10 глав запусти отдельного изолированного субагента:- Передай субагенту: тему главы, требования к стилю и целевой объем.- Требуй от субагента возврата строго готового текста главы в Markdown.После получения всех 10 результатов собери финальный документ и проверь связность переходов.
Результат: Параллельное и глубокое выполнение крупномасштабной задачи без сбоев контекста и без поверхностных обобщений.
2. Автономный новостной дайджест: связка Codex, MCP и параллельных сорсеров
Контекст: Создание качественного новостного дайджеста классическим кодом требует написания хрупких парсеров под десятки сайтов, сложных алгоритмов нечеткого поиска для дедупликации и дорогостоящих Vision-пайплайнов для подбора обложек. Использование одного LLM-агента для мониторинга всех площадок быстро приводит к деградации ресерча: агент путает даты, упускает источники и выдает нерелевантную «кашу». Эффективная архитектура строится на виртуальной редакции: главный редактор координирует работу шести специализированных субагентов-сорсеров (по одному на каждый тип площадок: X/Twitter, Telegram, репозитории GitHub, новостные порталы, блоги, научные статьи). Агенты взаимодействуют с базой данных и внешним миром через стандарт Model Context Protocol (MCP).
Тайминг:[02:41], [02:64], [03:20], [03:47]
Выгода: Полная ликвидация ручного труда по мониторингу индустрии; замена сотен строк кастомных парсеров универсальными вызовами MCP-инструментов; автоматическая оценка важности материалов по шкале 0–100.
Как применить:
Шаг 1: Развёртывание базы данных — Создайте локальную или облачную базу PostgreSQL с таблицами materials (для сбора сырых находок) и posts (для готовых дайджестов).
Шаг 2: Подключение MCP-серверов — Сконфигурируйте в Codex или Claude Code два MCP-сервера: сервер для работы с PostgreSQL (поиск, чтение, вставка) и сервер для поиска по Telegram/веб-источникам.
Шаг 3: Задание строгого промпта для распределения задач — Запустите оркестратор с инструкцией порождения 6 параллельных субагентов. Укажите жесткие критерии скоринга и обязательный возврат нормализованных оценок.
Шаг 4: Выбор калиброванной модели — Для предотвращения сбоев в шкале скоринга (когда слабые модели оценивают большинство новостей ниже 10 из-за неверной интерпретации диапазона 0–100) используйте флагманские модели уровня GPT-5 / Claude 3.5 Sonnet.
Напиши программу, которая будет иметь базу Postgres и миграции.Две таблицы: materials и posts.Подключи MCP для работы с базой (поиск и вставка записей) плюс MCP для поиска в Telegram и вебе.Программа запускается раз в сутки по cron.Промпт главного агента:Запусти 6 изолированных субагентов. Каждый субагент должен найти ровно по 10 уникальных новостей, событий или материалов за последние 24 часа.Закрепи за каждым субагентом строго один тип источника:- Субагент 1: Репозитории GitHub и релизы фреймворков.- Субагент 2: Тренды и треды в X (Twitter).- Субагент 3: Тематические Telegram-каналы.- Субагент 4: Профильные медиа и новостные порталы.- Субагент 5: Технические блоги компаний.- Субагент 6: Исследования, препринты и гайды.Каждый субагент обязан:1. Проверить материал на дубликаты через таблицу materials (поиск похожих заголовков/ссылок).2. Оценить важность и хайп каждого материала строго по шкале от 0 до 100 (где 0 — нерелевантно, 100 — эпохальный прорыв).3. Записать 10 отобранных материалов в таблицу materials.После завершения работы всех 6 субагентов:1. Выбери из таблицы materials топ-5 материалов с наивысшим скорингом за сегодня.2. Составь пост-дайджест: броский заголовок дня, для каждого из 5 материалов сделай подзаголовок, краткое summary (2-3 предложения) и прямую ссылку.3. Подбери одну наиболее релевантную иллюстрацию из найденных материалов.4. Опубликуй пост в целевой Telegram-канал и запиши результат в таблицу posts.
Результат: Автономная ежедневная публикация подборок из 60 найденных источников с валидированным отбором топ-5 событий без участия человека.
3. Автоматизация динамического монтажа: Claude Code Agent Teams и P2P-коммуникация
Контекст: Сборка длинных разговорных видео по сценарию требует колоссального времени: поиск сотен тематических футажей, выкачивание видео, покадровый отсмотр на предмет мусорных перебивок и склеек, расчет таймингов под аудиодорожку и нарезка. При попытке решить это одним агентом процесс зависает из-за гигантского объема бинарных данных и мультимодального анализа. Решение — использование архитектуры Claude Code Agent Teams. В отличие от стандартной схемы «родитель — ребенок», в Agent Teams субагенты могут общаться напрямую друг с другом по принципу Peer-to-Peer (P2P) через инструмент message, обмениваясь замечаниями, споря о качестве материалов и запрашивая перепоиск без постоянного дергания главного менеджера.
Выгода: Автоматический отбор, скачивание и покадровая верификация сотен уникальных медиафайлов под тайминги сценария; исключение испорченных кадров с чужими склейками за счет выделенного агента-верификатора.
Как применить:
Шаг 1: Подготовка ассетов — Поместите в рабочую директорию сценарий script.txt и начитку диктора voice.mp3.
Шаг 2: Настройка сетевой изоляции и прокси — При парсинге сотен видеосервисов (YouTube, стоки) агенты моментально получают бан по IP. Передайте в окружение терминала пул HTTP/SOCKS5 прокси.
Шаг 3: Разворачивание команды специализированных ролей — Сконфигурируйте иерархию агентов:
Transcriber: обращается к Whisper или ElevenLabs API, формируя посекундную разметку слов.
Chapter Managers: отдельные менеджеры на каждую смысловую главу сценария.
Searcher: поиск и скачивание сырых B-roll футажей под тезисы главы.
Segmenter: вычисление точных тайм-кодов внутри найденного видео под скорость диктора.
Verifier: покадровый отсмотр выбранного отрезка, проверка на отсутствие дёрганых 25-х кадров, чужих переходов и плашек. При браке verifier напрямую пишет searcher'у: «Кусок содержит артефакты, скачай альтернативу».
Renderer: финальная сборка таймлайна через FFmpeg.
Нужно создать видео для сценария и озвучки, которые лежат в файлах voice.mp3 и script.txt.Используй команду агентов (Claude Code Agent Teams) со следующей структурой:1. Transcriber: выполняет точную транскрибацию voice.mp3 с таймстемпами каждого слова через API.2. Renderer: общий финальный агент, собирающий утвержденные куски в единое видео.3. Под каждую отдельную главу сценария создай изолированную рабочую группу: - Chapter Manager (руководитель главы). - Searcher (поиск и выкачивание исходников через yt-dlp/curl с использованием предоставленного пула прокси). - Segmenter (определение таймингов вырезки из исходника под аудиоряд главы). - Verifier (покадровый анализ вырезанного куска на отсутствие склеек, мусорных перебивок и водяных знаков).Правила взаимодействия:- Агенты внутри группы общаются между собой peer-to-peer через инструмент message.- Если Verifier отклоняет сегмент, он напрямую отправляет задачу Searcher на поиск замены, не прерывая работу остальных глав.- Все скачанные файлы структурировать по папкам: /chapters/chapter_[N]/segment_[M]/.
Результат: Полностью смонтированный черновик ролика с более чем 300 найденными и верифицированными иллюстративными футажами, идеально совпадающими по смыслу и таймингам с голосом диктора.
4. Стабилизация пайплайна: Claude Code Dynamic Workflows и генерация моушн-графики через API
Контекст: Хаотичное общение агентов в P2P-режиме (Agent Teams) хорошо подходит для исследовательских задач, но на повторяющихся пайплайнах часто дает сбои: агенты зацикливаются в бесконечных спорах, превышают лимиты контекста или произвольно меняют структуру каталогов. Для строгих производственных задач необходим детерминизм. В Claude Code для этого применяется механизм Dynamic Workflows — декларативное описание цепочки шагов, где агенты выступают узлами графа (nodes), а данные передаются между ними через строго типизированные переменные. В таком графе параллельно подключаются внешние генераторы графики (например, API сервиса «Чертила») для автоматической отрисовки стилизованных плашек и титров.
Выгода: 100% повторяемость процесса генерации; предотвращение падений агентов по лимитам вывода за счет жестких контрактов между этапами; автоматический брендинг видео моушн-графикой в едином стиле через API.
Как применить:
Шаг 1: Формирование строгих правил монтажа — Введите жесткие ограничения на длину перебивок: не более 5 секунд на фрагмент, соотношение видео/фото — минимум 80/20, запрет на резкую тряску при эффекте Ken Burns (плавный зум без грубого округления координат).
Шаг 2: Интеграция генератора титров — Настройте вызов API графического сервиса, передав агенту спецификацию API, токен, ID стиля и образец структуры JSON для генерации интро каждой главы.
Шаг 3: Сборка и валидация Dynamic Workflow — Попросите Claude сгенерировать workflow-схему. Проверьте через команду /workflows распределение фаз, чтобы транскрайбер и парсеры не упирались в системные ограничения максимальной длины ответа (token output limit).
Собери пайплайн генерации видео через Dynamic Workflows.Условия монтажа:- Длина видеовставок: строго от 2 до 5 секунд.- 80% всех материалов должны быть видео, не более 20% — статичные изображения.- Для статичных изображений применять мягкий Pan/Zoom без артефактов дискретности и обрезания краев.- Для каждой главы сгенерировать брендированный моушн-титр через API сервиса Чертила.Параметры для Title-агента:- Endpoint: https://api.chertila.io/v1/render- Auth Bearer: $CHERTILA_API_KEY- Style_preset: "national-geographic-minimal"- Payload: передавать точный заголовок главы и тайминг показа в секундах.Зафиксируй граф:[Transcribe Phase] -> [Chapter Splitter] -> [Parallel: Asset Fetch & Title Render] -> [Verification Node] -> [Final Assembly FFmpeg]Управление сессиями отслеживать через команду /workflows.
Результат: Предсказуемый, повторно используемый конвейер, который стабильно проходит все фазы от сырого аудио до готового MP4 с титрами и отцентрированными футажами без ручного вмешательства.
5. Мультиагентная сеть в Telegram: оркестрация через взаимное тегирование (@mentions)
Контекст: Сложные агентские фреймворки часто страдают непрозрачностью: тяжело отследить, о чем думает агент и где возник сбой. Альтернативный архитектурный паттерн — превращение корпоративного мессенджера (Telegram, Slack) в среду оркестрации. Разворачивается пул независимых ботов, каждый из которых представляет собой обертку над LLM с кастомным системным промптом и MCP-инструментами. Бот активируется строго по упоминанию через @username. Если разрешить ботам тегать других ботов в ветках (threads), возникает полностью прозрачная агентская сеть, где ветка сообщений естественным образом формирует изолированный контекст задачи.
Выгода: Наглядный UI прямо в телефоне; нулевые затраты на реализацию сложных механизмов долгосрочной памяти (контекстом служит история треда); прозрачный контроль каждого шага делегирования в реальном времени.
Как применить:
Шаг 1: Создание ботов под роли — Зарегистрируйте в @BotFather пул ботов:
@DirectorBot (Режиссер: декомпозирует ролик, ставит задачи остальным).
@SubtitlerBot (Субтитры и тайминги слов).
@ClipManagerBot (Менеджер вставок под конкретные предложения).
@TitleMakerBot (Генератор плашек и титров).
@MediaCheckerBot (Проверка кропа, зума и ориентации медиа).
Шаг 2: Реализация логики слушателя (Event Loop) — Бот прослушивает чат. При обнаружении своего @mention он собирает всю историю сообщений текущего треда, оборачивает её в промпт модели и выполняет вызов.
Шаг 3: Делегирование между ботами — Если в выводе модели содержится тег другого бота (например, @ClipManagerBot, найди вставку для тайминга 00:15–00:18), система отправляет это сообщение в тот же тред, триггеря следующего исполнителя.
Ты — @DirectorBot. Твоя задача — руководить монтажом ролика по сценарию.В чате присутствуют боты-специалисты:- @SubtitlerBot: умеет извлекать точные тайминги каждого слова из аудиофайла.- @ClipManagerBot: подбирает видеовставки под конкретный текст.- @MediaCheckerBot: проверяет геометрию и качество видео.Твой алгоритм:1. Прими от пользователя ссылку на сценарий и черновой проект.2. Тегни @SubtitlerBot и попроси расписать тайминги для каждого предложения.3. Дождись ответа в этом треде.4. Разбей ролик на смысловые фразы и для каждого диапазона таймингов вызови @ClipManagerBot с описанием требуемого визуала.5. Контролируй выполнение работы. Когда все материалы собраны, напиши пользователю: "Монтаж завершен".
Результат: Автономная дискуссия и решение комплексной задачи монтажа командой узких специалистов в общем чате с полным логированием процесса.
6. Кастомный агентский движок на Rust: радикальный стриппинг системного промпта и прямое управление DaVinci Resolve CLI
Контекст: При масштабировании системы до 100–250 одновременно работающих агентов стандартные CLI-инструменты (стоковый Codex или Claude Code) крашат систему: процессор перегружен сотнями тяжелых Node.js/Python процессов, UI зависает, а системные промпты стоковых инструментов (содержащие тысячи токенов инструкций по программированию и десятки ненужных тулов) сжигают миллионы лишних токенов на каждом шаге каждого агента. Переход на кастомный монолитный движок на Rust, где агент — это легковесный асинхронный Task (Green Thread), а не отдельный процесс ОС, решает проблему нагрузки. Из системного промпта вырезаются все инструкции по написанию кода, остаются только терминал и файловая система, а интеграция с DaVinci Resolve переводится на программные вызовы терминальной CLI-утилиты, манипулирующей открытым проектом в реальном времени.
Выгода: Возможность держать 100+ параллельных агентов на обычном MacBook без просадки FPS; сокращение расхода токенов на 70–80% за счет удаления мусорных системных промптов; прямой монтаж на таймлайне DaVinci Resolve без костылей в виде XML/EDL файлов.
Как применить:
Шаг 1: Архитектура легковесного рантайма — Соберите приложение на Rust (с использованием tokio), где запуск субагента представляет собой спавн легковесной асинхронной корутины.
Шаг 2: Радикальная зачистка контекста (Prompt Stripping) — Сократите базовый системный промпт агента до минимума. Оставьте только 2 инструмента: execute_terminal и file_operations. Удалите любые упоминания написания кода, если агент занимается медиаобработкой.
Шаг 3: CLI-мост для DaVinci Resolve — Напишите утилиту командной строки, взаимодействующую с DaVinci Resolve API (через Lua/Python API DaVinci). Предоставьте агенту консольные команды для вставки клипов, настройки дорожек, включения зума и разрезания слоев.
# Пример терминальных команд, которые агент выполняет напрямую в DaVinci Resolve:resolve-cli project open "AI_Video_Draft"resolve-cli timeline select "Main_Timeline"resolve-cli media import --path "/assets/b_rolls/deep_sea_squid.mp4" --bin "B-Roll"resolve-cli clip insert --bin-item "deep_sea_squid.mp4" --track 2 --start-tc "00:01:14:12" --end-tc "00:01:17:05"resolve-cli clip transform --track 2 --index 5 --zoom-x 1.05 --zoom-y 1.05 --smooth-zoom true
// Концепт системного промпта минималистичного воркера на Rust:const STRIPPED_SYSTEM_PROMPT: &str = "Ты — монтажный агент DaVinci Resolve.Твоя единственная функция: определять параметры медиафайлов и вызывать терминальные команды resolve-cli.Не пиши код. Не создавай тесты.Формат ответа: строго вызов шелл-команды resolve-cli с точными флагами таймингов и путей.";
Результат: Монтаж 18-минутного ролика на таймлайне профессионального видеоредактора силами 250 субагентов всего за 4 часа и ~$10 затрат на API.
7. Модель Network-архитектуры: самоорганизующиеся пулы задач и ограничения рекурсивного спавна
Контекст: Если позволить агентам бесконтрольно порождать любых других агентов, более мощные модели (например, GPT-5 / Claude Opus) уходят в рекурсивный самоспавн, плодя бесконечные сущности уровня «вице-президент по контролю качества», сжигая 50% недельного лимита за 20 минут без выдачи кода. Чтобы сеть работала автономно и стабильно, требуется архитектура Network с типизированными декларативными манифестами. В манифесте агента жестко фиксируется: условия вызова, ожидаемый входной формат, выходной результат и исчерпывающий список типов агентов, которых ему разрешено порождать (только нижестоящие исполнители, никаких «гигабоссов»). Задачи помещаются в общий нераспределенный пул (Unassigned Tasks Pool), откуда свободные агенты берут тикеты по мере освобождения.
Выгода: Полная защита от неконтролируемого прожигания баланса API; самобалансировка нагрузки: агенты не простаивают, а последовательно забирают задачи из очереди; структурированная передача данных через синхронизированные каналы (channels).
Как применить:
Шаг 1: Описание манифестов типов агентов — Для каждой сущности определите строгий контракт:
trigger_condition: когда активировать.
expected_input: спецификация входных данных (JSON-схема).
output_schema: контракт ответа.
allowed_spawn_types: массив типов, которые агент имеет право инстанциировать.
Шаг 2: Реализация Task Pool (пула задач) — Создайте очередь задач. Когда супервайзер разбивает видео на 50 предложений, он публикует 50 задач в очередь. Агенты-воркеры берут их по мере завершения текущей работы.
Шаг 3: Синхронизация через каналы (Results Channel) — Каждый исполнитель отдает результат в общий канал результатов, откуда сборщик забирает готовые данные для компиляции проекта.
Результат: Самоорганизующаяся агентская среда, исключающая бесконечные циклы порождения боссов и гарантирующая доведение каждого фрагмента задачи до финала.
8. Сравнительный бенчмарк оркестрации: от чего зависят затраты и поведение моделей
Контекст: Одинаковый промпт на запуск команды агентов приводит к совершенно разным результатам в зависимости от используемой LLM под капотом. Эксперимент по автономной разработке игры показал: Kimi K1.5 действует предельно консервативно и спавнит всего 5 агентов; MiniMax моментально заваливает проект десятками задач и сырыми концепт-артами; GPT-5 / o3 склонны к агрессивному рекурсивному ветвлению и созданию гигантских иерархий; Claude 3.5/3.7 Opus отлично держит логику, но сжигает колоссальное количество токенов, быстро упираясь в недельные лимиты подписок. Успех вайбкодинга с субагентами зависит от правильного сопоставления модели и архитектурного паттерна под бюджет задачи.
Выгода: Экономия сотен долларов на API; осознанный выбор между Subagents, Agent Teams, Workflows и кастомными движками в зависимости от детерминированности процесса.
Как применить:
Шаг 1: Выбор архитектурного паттерна под задачу:
Базовые субагенты (Codex/Claude Subagents): низкая стоимость, минимальная гибкость. Идеально для одноразовых задач, где нужно просто распараллелить вычисления (сбор новостей, написание тестов).
Agent Teams (P2P): высокая гибкость, средняя стоимость. Подходит для креативного ресерча, где агентам полезно спорить друг с другом и перепроверять чужие решения.
Dynamic Workflows: высокая надежность, строго повторяемый процесс. Рекомендуется для стабильных конвейеров (продакшн контента, CI/CD).
Кастомный движок (Rust/Python Network): максимальная производительность, поддержка 100+ агентов, работа без наценок и ограничений платформенных харнессов.
Шаг 2: Гибридизация моделей — Ставьте на позицию оркестратора (директора) дорогую модель с глубоким планированием (Claude Opus / GPT-5), а в воркеры и чекеры — дешевые быстрые модели (GPT-4o mini, Kimi, Claude Haiku), отсекая лишние расходы.
Шаг 3: Движение к детерминизму — По мере стабилизации пайплайна заменяйте свободные агентские рассуждения фиксированным программным кодом с точечными вызовами LLM строго там, где требуется распознавание неструктурированных данных.
Сравнительная таблица мультиагентных подходов
Подход
Гибкость
Стоимость токенов
Повторяемость
Лучший сценарий применения
Базовые субагенты
Низкая
Низкая / Средняя
Средняя
Одноразовый ресерч, изоляция контекста
Agent Teams (P2P)
Средняя
Средняя / Высокая
Низкая
Креативный отбор, дизайн, взаимный ревью
Dynamic Workflows
Высокая
Высокая
Очень высокая
Регулярный продакшн, строгие пайплайны
Custom Network Engine
Абсолютная
Оптимальная (при Prompt Stripping)
Максимальная
Крупные системы (100+ агентов), интеграции с софтом (Resolve, Blender)
Результат: Оптимально настроенная агентская фабрика, выдающая предсказуемый результат при минимальной стоимости за токен.
FAQ
В: Почему нельзя поручить монтаж или длинный ресерч одному агенту в одной сессии? О: Потому что по мере роста контекста модель неизбежно сталкивается с проблемой деградации внимания («needle in a haystack» эффект). Агент начинает пропускать тайминги, поверхностно обобщать факты и забывать начальные инструкции. Изоляция контекста через субагентов позволяет каждому исполнителю держать в памяти только свой узкий фрагмент работы.
В: В чём ключевая разница между Agent Teams и базовыми субагентами в Claude Code? О: В базовой схеме общение идет строго по вертикали: супервайзер ставит задачу субагенту и получает ответ. В Agent Teams агенты могут взаимодействовать между собой горизонтально (Peer-to-Peer), обмениваясь сообщениями напрямую. Например, агент-верификатор может завернуть кадр агенту-поисковику без возврата контекста наверх к главному менеджеру.
В: Зачем переписывать агентскую систему на Rust, если есть готовые решения (CrewAI, AutoGen, Claude Code)? О: Коробочные решения тянут за собой тяжелые среды исполнения и огромные системные промпты (до 4000–8000 токенов на каждый запрос каждого агента). На 100+ параллельных агентах машина упирается в память и процессор, а расход токенов на служебный мусор делает запуск экономически нецелесообразным. Решение на Rust запускает агентов как асинхронные задачи внутри одного процесса и передает модели строго очищенный промпт без мусорных инструкций.
В: Как предотвратить бесконечный самоспавн агентов и слив баланса? О: Необходимо программно ограничить манифест прав агента: ввести поле allowed_spawn_types, в котором жестко указать, какие именно типы субагентов имеет право создавать данный узел. Ни один агент не должен иметь права создавать себе подобных или иерархически вышестоящих координаторов.
В: Как агент работает с DaVinci Resolve без использования мыши и Computer Use? О: Через специализированный CLI-мост. DaVinci Resolve имеет встроенный Python/Lua API. На его базе пишется консольная утилита, которая принимает простые шелл-команды (resolve-cli clip insert, resolve-cli transform zoom) и моментально применяет их к активному таймлайну без эмуляции графического интерфейса.
В: Что делать, если при массовом поиске видео YouTube блокирует IP-адреса агентов? О: Обязательно внедрять ротацию прокси в модули выкачивания (curl / yt-dlp). В системном окружении или конфигурации субагента-поисковика прописывается список HTTP/SOCKS5 прокси, через которые направляется весь исходящий трафик скрапинга.
Ресурсы и ссылки
Synapse AI (Synnx AI) — Мультимодельный AI-агрегатор, объединяющий доступ к 40+ LLM (Claude, GPT, Gemini), генераторам изображений и видеомоделям (Kling, Veo, CogVideo, Shengshu/Vidu).
Claude Code CLI — Терминальный инструмент от Anthropic с поддержкой Agent Teams, субсессий и Dynamic Workflows.
Чертила — Проприетарный сервис автора для программной генерации моушн-инфографики и титров через API.
DaVinci Resolve Studio API — Официальный интерфейс автоматизации монтажа через скрипты (Lua/Python).
Model Context Protocol (MCP) — Открытый стандарт Anthropic для безопасного подключения баз данных (PostgreSQL), мессенджеров и веб-инструментов к контексту AI-моделей.
Конспект создан на основе видео «Я запустил 100 AI Агентов» канала Oleg (Алик LLM). Все права на оригинальный материал принадлежат авторам.Источник: https://www.youtube.com/watch?v=gNsjZvzdGEE
