agentleFS
AlekseiULAlekseiUL/sprut-agent-kit/skills/subagent-runner/SKILL.md

subagent-runner

Skill66 starsChanged 15 days agoMITView on GitHub

Автоматический запуск и управление субагентами для параллельной обработки задач. Разбивает большие задачи на подзадачи, запускает субагенты параллельно, собирает результаты.

  • Sends data out

The file

Files
SKILL.md

Subagent Runner

Автоматический запуск субагентов для параллельной обработки сложных задач.

Когда использовать

✅ Используй когда:

  • Задача разбивается на 2+ независимых подзадачи
  • Нужна параллельная обработка (исследование + написание + дизайн)
  • Большой объём работы, который можно распараллелить
  • Разные части задачи требуют разных специализаций

❌ НЕ используй когда:

  • Задача простая, выполнима за 1-2 шага
  • Подзадачи зависят друг от друга (нужна последовательность)
  • Результат одной подзадачи нужен для начала другой

Workflow

1. Анализ задачи

Определи:

  • Можно ли разбить на независимые части?
  • Сколько субагентов нужно? (обычно 2-4)
  • Какая специализация у каждого?

2. Запуск субагентов

Используй HTTP API daemon-а (localhost:4632):

# Отправь progress сообщение
bun ~/.claude/plugins/cache/claudeclaw/claudeclaw/1.0.0/commands/progress.ts "🤖" "Запускаю 3 субагента для задачи: [название]"

# Запусти субагента через REST API
curl -X POST http://localhost:4632/api/subagent/run \
  -H "Content-Type: application/json" \
  -d '{"name": "researcher", "prompt": "Исследуй тему X, найди 5 источников"}'

# Получи task_id из ответа:
# {"ok":true,"taskId":"uuid-here","name":"researcher","prompt":"..."}

Сохрани task_id для мониторинга:

TASK_ID="полученный-uuid"

3. Мониторинг

Проверяй статус через API:

# Получи статус субагента
curl http://localhost:4632/api/subagent/status/$TASK_ID

# Ответ:
# {"ok":true,"status":{"id":"uuid","name":"researcher","status":"running|completed|failed",...}}

# Или дождись результата (блокирующий вызов, таймаут 60 сек по умолчанию)
curl "http://localhost:4632/api/subagent/wait/$TASK_ID?timeout=120000"

# Ответ при успехе:
# {"ok":true,"result":"текст результата субагента"}

Альтернатива - читай файлы напрямую:

# Проверь все запущенные субагенты
ls -la ~/.claude/claudeclaw/subagents/

# Читай результаты по мере готовности
cat ~/.claude/claudeclaw/subagents/$TASK_ID.txt

4. Сборка результатов

Когда все субагенты завершили:

  • Прочитай результаты из .claude/claudeclaw/subagents/
  • Объедини в финальный ответ
  • Отправь progress сообщение о завершении

Примеры

Пример 1: Исследование + Контент

Задача: "Напиши статью об AI агентах с исследованием"

Разбивка:

  1. Субагент-исследователь: найти 10 источников, ключевые тренды
  2. Субагент-писатель: написать черновик на основе исследования
  3. Субагент-редактор: проверить факты, улучшить стиль

Запуск:

bun ~/.claude/plugins/cache/claudeclaw/claudeclaw/1.0.0/commands/progress.ts "🤖" "Запускаю 3 субагента: исследователь, писатель, редактор"

# Запусти параллельно
curl -X POST http://localhost:4632/api/subagent/run -H "Content-Type: application/json" \
  -d '{"name":"researcher","prompt":"Найди 10 источников об AI агентах, выдели ключевые тренды 2026"}' &

curl -X POST http://localhost:4632/api/subagent/run -H "Content-Type: application/json" \
  -d '{"name":"writer","prompt":"Напиши черновик статьи об AI агентах, структура: intro, 3 секции, вывод"}' &

curl -X POST http://localhost:4632/api/subagent/run -H "Content-Type: application/json" \
  -d '{"name":"editor","prompt":"Проверь факты и улучши стиль статьи, убери воду"}' &

wait

Пример 2: Многофайловый рефакторинг

Задача: "Обнови 5 файлов под новую архитектуру"

Разбивка:

  1. Субагент-1: рефактор файлов A, B
  2. Субагент-2: рефактор файлов C, D
  3. Субагент-3: рефактор файла E, обновить тесты

API Endpoints

Daemon работает на: http://localhost:4632

POST /api/subagent/run

Запускает субагента в фоне.

Request:

{
  "name": "researcher",
  "prompt": "Исследуй тему X"
}

Response:

{
  "ok": true,
  "taskId": "uuid-here",
  "name": "researcher",
  "prompt": "Исследуй тему X"
}

GET /api/subagent/status/:taskId

Получает статус субагента.

Response:

{
  "ok": true,
  "status": {
    "id": "uuid",
    "name": "researcher",
    "status": "running|completed|failed",
    "prompt": "...",
    "result": "..." // если completed
  }
}

GET /api/subagent/wait/:taskId?timeout=60000

Блокирующий вызов, ждёт завершения субагента.

Параметры:

  • timeout - таймаут в миллисекундах (5000-300000, по умолчанию 60000)

Response:

{
  "ok": true,
  "result": "текст результата"
}

Ошибки:

  • Таймаут автоматически ограничен диапазоном 5-300 секунд для стабильности

Статус интеграции

  1. ✅ Progress сообщения - работают полностью
  2. ✅ REST API для запуска субагентов - работает через localhost:4632
  3. ✅ Мониторинг статуса - через GET /api/subagent/status/:taskId
  4. ✅ Ожидание результата - через GET /api/subagent/wait/:taskId

Автофиксация

НЕ записывай в лог - субагенты это техническая операция, не событие для памяти.


Статус: ✅ Skill полностью рабочий. REST API интегрирован в daemon (localhost:4632).

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.