Comment diriger 30 agents IA : décupler votre productivité de codage par 10 avec Gastown
TuBrief 편집팀
2026년 2월 25일
0
Computing/Software원본 영상을 바탕으로 AI의 도움을 받아 작성했습니다. 원본 영상이 기준입니다.
커뮤니티의 다른 글
댓글 (0)
Log in to leave a comment
아직 작성된 글이 없습니다
원본 영상을 바탕으로 AI의 도움을 받아 작성했습니다. 원본 영상이 기준입니다.
Log in to leave a comment
아직 작성된 글이 없습니다
L'ère où l'on posait une simple question sur le code à un chatbot en attendant sa réponse est révolue. Bien que Claude Code ou GitHub Copilot soient d'excellents assistants, ils s'avèrent trop lents et linéaires pour modifier des systèmes d'entreprise où s'entremêlent des centaines de fichiers. Confier l'intégralité d'une tâche à une seule IA, qui finit par perdre le contexte et s'égarer au fil des sessions prolongées, n'est désormais plus qu'un goulot d'étranglement pour la productivité.
Nous sommes désormais à l'ère de l'orchestration d'agents. Le projet open-source Gastown, proposé par Steve Yegge, vise à créer un système d'usine de codage capable de faire fonctionner plus de 30 agents IA simultanément pour décomposer les fonctionnalités et les construire en parallèle. Vous ne devez plus être un simple codeur, mais l'orchestrateur à la tête d'une légion d'IA.
Gastown n'est pas un simple habillage (wrapper) d'IA. Il adopte les principes du calcul distribué pour résoudre l'instabilité individuelle des agents grâce à la structure même du système. La clé réside dans une séparation claire des rôles et une division du travail en unités atomiques.
L'essence de cette structure est de s'échapper du Vibe Coding (codage au ressenti). Gastown empêche physiquement les agents de soumettre des commits directement sur la branche principale via un système de hooks PreToolUse. Tout le code est rédigé sur des branches de fonctionnalités distinctes et ne peut être intégré qu'après avoir passé les tests rigoureux de la raffinerie.
Déployer des dizaines d'agents pour chaque tâche serait un gaspillage de coûts d'API. Il convient de répartir la puissance de feu de manière appropriée selon la complexité du travail.
| Taille du projet | Configuration des agents | Stratégie clé d'utilisation |
|---|---|---|
| Petite (Correction de bug) | 1 Maire + 1~2 Polecats | Se concentrer sur les instructions et la revue des résultats plutôt que sur le codage direct |
| Moyenne (Nouvelle API) | 1 Maire + 5~10 Polecats | Avancement parallèle des tâches front-end et back-end |
| Grande (Changement d'architecture) | 1 Maire + 20~30 Polecats | Déploiement d'agents témoins pour résoudre les goulots d'étranglement en temps réel |
Lors d'une transition à grande échelle, faire tourner 30 agents permet de réduire à environ 20 minutes une tâche qui en prendrait 6 manuellement. Cependant, cela suppose une optimisation de l'allocation des modèles. Confiez les tâches de conception au Maire avec un modèle haute performance comme Claude 3.5 Sonnet, et affectez des modèles au bon rapport qualité-prix comme Gemini aux Polecats chargés de l'implémentation simple ou des tests afin de maximiser l'efficacité des coûts.
Imaginons l'ajout d'une authentification JWT à une application Go. Voici comment mettre en mouvement votre légion avec une seule ligne de commande :
gt mayor attach.gt convoy list.gt status.Si le fonctionnement n'est pas fluide, vérifiez d'abord votre environnement. Il est notamment essentiel de s'assurer que la version de Dolt est 1.82.4 ou supérieure. Les anciennes versions provoquent des erreurs de synchronisation de la base de données Git, entraînant des conflits de travail entre les agents. De plus, si vous rencontrez des problèmes avec l'exécution du démon, vérifiez que la version de tmux -V est 3.0 ou plus, puis réinitialisez l'environnement avec gt doctor --fix.
Faire fonctionner 30 agents IA simultanément signifie que vous ne tapez plus de code vous-même. Désormais, la véritable compétence d'un ingénieur réside dans sa capacité à consigner avec précision les décisions architecturales dans des documents d'instruction tels que CLAUDE.md.
Les agents sont de formidables alliés, mais sans une gestion adéquate, ils ressemblent à des chimpanzés super-intelligents capables de paralyser le système. Veillez à les faire fonctionner dans un environnement expérimental (Rig) séparé et fixez des limites de budget API. Pour réduire la fatigue liée à l'examen de dizaines de Pull Requests, déployez un agent supplémentaire jouant le rôle de "shérif des PR" pour filtrer en amont les erreurs de syntaxe et les échecs de tests. Votre usine logicielle est maintenant prête à tourner.