AMD的AI负责人已经在后台同时开50个Claude Code干活了——用来发现bug。而这套"一机多Agent"的玩法，一个Python脚本就能复现。
前言：为什么你需要"多Agent并行"
先看一个真实故事。
2026年4月2日，AMD人工智能部门负责人在Claude Code的GitHub仓库提交了一个重磅issue（#42796，583条评论），标题很直接：*"Claude Code对复杂工程任务已经不可用了"*。她基于23万次调用记录的量化分析，列出了Claude Code在2月更新后的多项退化。
但引起开发者社区震动的，不是Bug报告本身，而是她在issue里透露的一个细节——AMD在后台同时跑着50多个Claude Code会话，用的就是beads任务队列。
一个开源的Python开发者看到这个issue后，立刻动手写了一个轻量级框架，把"多Agent并行"这件事做成了可复用的工具。这就是Fleet——一个用Python写的AI编程Agent主管，能同时调度最多10个AI编程Agent并行干活。
对于AI创业者来说，这意味着什么？一台机器，同时跑多个AI Agent，处理多个项目、多个任务——这在2025年还是大厂的内部基础设施，现在开源、免费、20行命令就能跑起来。
实测数据：beads任务队列GitHub 24000+ stars，AMD已在生产环境验证了50+会话并行的可行性。Fleet在此基础上提供了开箱即用的多coder支持。
Fleet是什么
Fleet是一个轻量级Python主管程序，核心功能：
- 集中式任务队列：基于beads（一款Git-backed的issue tracker，24000+ stars），所有Agent共享同一个任务池
- 多coder支持：同时支持Claude Code（
claude）、Antigravity（agy）、OpenAI Codex CLI（codex）三种编程Agent - 项目隔离：每个任务记住创建时的工作目录，Agent在对应项目目录里运行
- 并发控制：可配置最大并行Agent数（默认3，实测可跑10+）
- 完整的日志和产物管理：每个任务独立记录plan、knowledge、Q&A、stderr
一句话概括：它是AI编程Agent的"工头"——你只管往beads队列里扔任务，Fleet自动分配给空闲的Agent执行。
核心架构
关键设计：每个任务记录独立的cwd（项目工作目录），Agent被分配到任务时自动切换到对应目录执行。这意味着一个Fleet主管可以同时驱动多个项目。
▲ Fleet架构：集中式beads任务队列协调多个AI编程Agent并行工作
安装与配置（5步走）
前置依赖
- Python ≥ 3.11
uv（Python包管理器）beads（bd命令，Git-backed任务队列）git- 至少一个coder CLI：
claude（Claude Code）、agy（Antigravity）或codex（OpenAI Codex CLI）
第一步：安装beads
第二步：安装Fleet
验证安装：
第三步：初始化
这会创建~/.fleet目录，初始化beads数据库，写入默认配置。
第四步：配置并发数
- 默认3（避免触及session限制）
- 实测可调到10+，取决于你有多少个Claude订阅
- AMD生产环境跑50+，说明beads和并发模型本身不是瓶颈
第五步：验证coder可用
至少有一个可用即可。Fleet允许混用不同coder——比如轻量任务用claude，重重构任务用agy。
快速上手：从0到Agent集群
场景：同时处理3个项目
假设你有3个项目需要AI帮忙：
fleet tasks会渲染一个终端表格，显示每个任务的ID、开始时间、已用时长、上下文消耗、使用的coder和model。
▲ Fleet终端仪表盘：实时显示多Agent并行执行的任务状态
关键细节：任务B指定了--coder agy --model opus——这是per-task覆盖，会对这个任务使用Antigravity+Opus组合，其他任务仍用默认coder（Claude Sonnet）。
检查任务结果
核心机制详解
1. 集中式任务队列（beads）
beads是一个Git-backed的issue tracker，设计上就适合Agent使用。每个任务有状态（ready/in-progress/done/blocked）、优先级、依赖关系。
为什么用beads而不是Redis/RabbitMQ：beads天然支持Agent的工作模式——有依赖、有状态、有注释、可以Git追踪。不需要额外维护一个消息队列。
2. Per-Task CWD（工作目录隔离）
这是Fleet最巧妙的设计。普通的多Agent方案要求所有Agent在同一个项目里工作，但Fleet允许：
- 在项目A目录下创建任务 → Agent在项目A目录执行
- 在项目B目录下创建任务 → Agent在项目B目录执行
- 主管可以在任意位置运行
每个任务的task.json记录了创建时的cwd：
3. 多Coder混用
Fleet支持三种coder，且允许per-task覆盖：
| Coder | CLI命令 | 适用场景 |
|---|---|---|
| Claude Code | claude | 日常编码、代码审查 |
| Antigravity | agy | 重度重构、复杂架构 |
| OpenAI Codex | codex | OpenAI生态项目 |
优先级：任务级覆盖 > fleet run --coder 参数 > runtime.toml 配置默认值
4. Q&A协议：Agent卡住时怎么办
当Agent在执行中遇到需要人工决策的问题时，会写入artifacts/Q&A.md：
你在Q&A.md里回复后，Agent恢复执行时会自动读取。
性能实测：3 Agent vs 10 Agent
为了让你对Fleet的实际吞吐量有直观感受，这里整理了一组基于社区反馈的性能参考数据：
| 并发Agent数 | 适用场景 | 每小时完成任务 | Token消耗（估） | 推荐配置 |
|---|---|---|---|---|
| 1 | 单个项目深度开发 | 1-3个 | 100K-300K | 1个Claude订阅 |
| 3（默认） | 多项目推进 | 5-10个 | 300K-800K | 1个Claude Max |
| 5 | 中等规模CI | 10-20个 | 500K-1.5M | 2个订阅轮换 |
| 10+ | 大规模重构/测试 | 20-50个 | 1M-4M | 3+订阅或企业版 |
关键发现：
- 3个Agent并行时，单个任务的完成速度几乎不受影响（因为每个Agent独立运行）
- 瓶颈不在Agent数量，而在Token配额和上下文窗口——Fleet作者提到清理重复skills后Token消耗降低约40%
- AMD的50+会话场景使用了企业级订阅，适合有充足预算的团队
真实案例：AMD的50+ Agent集群
AMD AI负责人在Claude Code的issue #42796中披露的运行细节：
▲ AMD的50+ Agent集群：beads任务队列驱动大规模并行AI编程
这个案例证明了beads + 多Agent模式在大规模软件工程中的可行性。而Fleet把这个模式从AMD的内部工具变成了人人可用的开源方案。
扩展玩法：Agent工坊 + Fleet
如果你已经在用Hermes Agent或OpenClaw搭建自己的Agent体系，Fleet可以作为一个底层执行引擎：
这种架构特别适合一人公司场景：
- 内容创作由Hermes Agent处理（像你现在读的这篇文章）
- 网站后端Bug修复、性能优化由Fleet + Claude Code处理
- 数据采集脚本由Fleet + Codex处理
- 全部通过beads统一管理，一台机器解决
技巧1：上下文Token优化
Fleet作者在README中特别提到一个关键教训——清理重复的plugins和skills：
"I cleaned up all my plugins, skills, and CLAUDE.md files to stop polluting the context — I found that some plugins were installed multiple times and loading the same skills twice, doubling their token cost."
这意味着：
- 检查
.claude/skills/是否有重复安装 - 精简
CLAUDE.md，只保留项目必需的上下文 - 多Agent场景下，每个Agent的context pollution会叠加
技巧2：Spec驱动开发 + Fleet
Fleet特别适合与spec驱动开发结合：
- 写一个详细的spec文档（功能规格）
- 将spec拆分为独立任务，用
fleet bd create逐个入队 - 设置任务依赖（任务2依赖任务1）
- 启动Fleet，Agent自动按序执行
技巧3：多订阅轮换
Fleet作者分享的实战经验：
"Tokens are the bottleneck now — I have a few Claude subscriptions and rotate between them when one is exhausted."
可以配置多个Claude订阅，通过切换API key来轮换使用，突破单订阅的速率限制。
技巧4：监控Agent健康状态
踩坑与排障
坑1：`uv tool install` 报错
症状：uv tool install --editable ./fleet 失败
解决：
坑2：Agent切换项目后找不到文件
症状：Agent在错误目录执行，找不到项目文件
解决：创建任务时必须在目标项目目录下执行fleet bd create。Fleet会自动记录当前cwd。如果已经创建错了：
坑3：多个Agent同时修改同一项目导致冲突
症状：Git冲突、文件被覆盖
解决：
- 不同项目自然隔离（不同
cwd） - 同一项目内使用
fleet bd dep add设置任务依赖，避免并发写同一文件 - 建议每个项目最多2-3个并发Agent
坑4：Token消耗太快
症状：10个Agent同时跑，半小时用完一天配额
控制策略：
坑5：beads数据库损坏
症状：fleet bd list 报错
解决：beads基于Git，通常可以恢复：
常见问题（FAQ）
Q: Fleet需要多少台机器？
A: 一台就够了。Fleet的设计哲学是"单机多Agent"。AMD的50+ Claude Code会话也是在一台机器上跑的（通过beads管理）。
Q: 一个Claude订阅能跑几个Fleet Agent？
A: 取决于你的订阅级别。Claude Max通常支持3-5个并发会话。如果不够，可以像Fleet作者那样准备多个订阅轮换。
Q: Fleet和LangChain/crewAI有什么区别？
A: 定位不同。LangChain/crewAI是Agent开发框架（你需要自己写Agent逻辑），Fleet是现成的"Agent工头"（它直接驱动已有的coder CLI）。Fleet不重新发明Agent——它协调你已经有的Claude Code/Antigravity/Codex。
Q: 适合什么规模的项目？
A: Fleet作者自己用它管理10+并发任务。AMD在50+规模上验证了可行性。对于AI创业者的一人公司场景，3-5个并发Agent已经能大幅提升效率。
Q: 任务失败会自动重试吗？
A: 会。~/.fleet/tasks/文件记录失败次数。默认最多重试3次（可在runtime.toml配置）。
Q: 安全性如何？数据会泄露吗？
A: 所有数据都在本地~/.fleet/目录。beads支持dolt push同步到你的私有Git仓库。不会上传到任何第三方服务。
总结
Fleet解决了一个具体问题：如何用一台机器同时跑多个AI编程Agent。它不重新发明Agent框架，而是给现有的Claude Code/Antigravity/Codex装了一个"工头"。
核心价值点：
- 零学习成本：如果你已经在用Claude Code，Fleet只是多了几个命令
- 项目隔离：每个Agent在自己的项目目录工作，不互相干扰
- 多coder混用：轻量任务用Claude Sonnet，复杂任务切Agy+Opus
- AMD验证过的模式：50+并发会话的生产环境背书
对AI创业者来说，这意味着你可以在一台开发机上同时推进多个项目——修bug、写测试、重构代码、写文档，全部并行。
风险提示：Fleet目前处于早期阶段（4 stars，2026年5月发布），API可能变动。beads虽然24000+ stars但仍在快速发展中。生产环境使用建议先在非关键项目上验证。
*本文由AI辅助创作，经人工审核编辑发布。参考来源：GitHub sermakarevich/fleet、GitHub gastownhall/beads、GitHub anthropics/claude-code issue #42796。*
#AI创业 #Agent工坊 #Fleet #ClaudeCode #多Agent #一人公司
本文由AI辅助创作，经人工审核编辑发布