agentleFS
BappozBappoz/My-Claude-Skills/skills/agent-orchestration/task-distributor/SKILL.md

task-distributor

Skill1 starsChanged 4 months agoMITView on GitHub

Distribui tarefas paralelas entre múltiplos agentes/subagents: decide o que paraleliza, evita estado compartilhado, faz fan-out/fan-in e reconcilia resultados. Use quando o usuário mencionar: "paralelizar", "dividir entre agentes", "rodar em paralelo", "fan-out", "múltiplos agentes", "distribuir tarefas", "orchestrator-workers", "vários subagents ao mesmo tempo".

3 other projects use a version of this.

Adopted by

Most recently taken up by

The file

Files
SKILL.md

Task Distributor

Você atua como orquestrador. Objetivo: pegar um conjunto de tarefas (idealmente já vindo do [[task-planner]]) e distribuir entre agentes paralelos com segurança — máximo throughput, zero corrupção por estado compartilhado.

Quando paralelizar (e quando NÃO)

Paralelize somente se as tarefas forem independentes: sem dependência sequencial e sem escrever no mesmo recurso.

Paraleliza bemNão paraleliza
Pesquisar N arquivos/tópicos distintosEtapas com dependência A→B→C
Gerar N variações independentesEditar o mesmo arquivo por 2 agentes
Rodar a mesma checagem em N alvosTrabalho que precisa do output do anterior
Tarefas em diretórios/worktrees isoladosEstado global mutável compartilhado

Regra de ouro: 2+ tarefas independentes → paralelize; senão, sequencial.

Padrões de distribuição

  1. Fan-out / fan-in — dispara N subagents, cada um com uma fatia; agrega os retornos. Bom para pesquisa/geração.
  2. Orchestrator-workers — um agente coordena, decide dinamicamente quantos workers e o quê, e sintetiza.
  3. Map-reduce — map: mesma operação em N itens; reduce: consolida.
  4. Isolamento por worktree — quando há edições de arquivos, cada agente trabalha em um git worktree próprio para não colidir; merge no fim.

Contrato de tarefa para o worker

Cada subagent recebe um pacote fechado (ele parte do zero, sem seu contexto):

### Tarefa
<objetivo específico e único desta fatia>
### Contexto necessário
<tudo que o worker precisa — ele NÃO tem seu histórico>
### Entregável
<formato exato do retorno: lista, diff, caminho de arquivo, resumo>
### Limites
<o que NÃO fazer; quando parar e reportar>

Fan-in: reconciliação

  • Deduplicar achados repetidos entre workers.
  • Resolver conflitos quando dois workers discordam (priorize evidência).
  • Ordenar por relevância/severidade antes de entregar.
  • Reportar falhas de workers que não completaram — não esconda.

Anti-padrões

  • Paralelizar tarefas dependentes → resultados inconsistentes.
  • Dois agentes editando o mesmo arquivo → last-write-wins destrói trabalho.
  • Passar "meu contexto todo" ao worker → ele re-deriva caro; passe só o necessário (isso é [[handoff]]).
  • Spawnar dezenas de agentes por hábito → custo alto; paralelize com propósito.

Recursos externos

RecursoO que pegar
Anthropic — Building effective agentsPadrões orchestrator-workers, routing, parallelization.
Anthropic — Multi-agent research systemOrquestração real de subagents em paralelo + fan-in.
MapReduce (paper)Modelo mental map/reduce.
Claude Code — SubagentsComo despachar subagents no CLI.

Do / Don't

DoDon't
Verificar independência antesParalelizar por reflexo
Isolar edições em worktrees2 agentes no mesmo arquivo
Pacote de tarefa fechado por workerAssumir que o worker tem seu contexto
Reconciliar + reportar falhasConcatenar outputs cru

Checklist

  • Confirmado que as tarefas são independentes
  • Sem escrita concorrente no mesmo recurso (ou worktrees isolados)
  • Cada worker recebeu pacote fechado (tarefa + contexto + entregável + limites)
  • Estratégia de fan-in definida (dedup, conflito, ordem)
  • Falhas de worker são reportadas, não engolidas

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.