# Koordinasi Multi-Agent

Saat Anda memiliki beberapa agen LLM yang mengerjakan tugas terkait, Synapse
menyediakan lapisan koordinasi — memori bersama, penugasan tugas, dan chat asinkron.

## Pola

### Pola 1: Mind Bersama (Sumber Kebenaran Tunggal)

Semua agen berbagi satu Mind Key. Mereka membaca/menulis ke penyimpanan memori yang sama.

```
┌──────────┐  ┌──────────┐  ┌──────────┐
│ Agent A  │  │ Agent B  │  │ Agent C  │
└────┬─────┘  └────┬─────┘  └────┬─────┘
     │             │             │
     └─────────────┼─────────────┘
                   ▼
           ┌──────────────┐
           │ Shared Mind  │
           │  (one key)   │
           └──────────────┘
```

**Kasus penggunaan:** Tim kecil agen yang mengerjakan satu proyek.

**Pengaturan:**

```bash
# All agents use the same Mind Key
export SYNAPSE_MIND_KEY=mk_shared_key...
```

**Koordinasi via tugas:**

```python
# Agent A creates a task
create_task("Review PR #42", priority="high")

# Agent B picks it up
tasks = list_tasks(status="pending")
if tasks:
    task = tasks[0]
    update_task(task["id"], status="in_progress")
    # ... do work ...
    update_task(task["id"], status="done")
```

### Pola 2: Mind Khusus (Konteks Terisolasi)

Setiap agen memiliki mind sendiri. Mereka berkomunikasi melalui mind "koordinasi" bersama.

```
┌──────────┐  ┌──────────┐  ┌──────────┐
│ Coder    │  │ Reviewer │  │ Deployer │
│ Agent    │  │ Agent    │  │ Agent    │
└────┬─────┘  └────┬─────┘  └────┬─────┘
     │             │             │
     ▼             ▼             ▼
┌─────────┐  ┌─────────┐  ┌─────────┐
│ Mind C  │  │ Mind R  │  │ Mind D  │
└─────────┘  └─────────┘  └─────────┘
     │             │             │
     └─────────────┼─────────────┘
                   ▼
           ┌──────────────────┐
           │ Coordination Mind│
           │ (shared)         │
           └──────────────────┘
```

**Kasus penggunaan:** Agen dengan spesialisasi berbeda (coding, review, deployment).

**Pengaturan:**

```bash
# Coder agent
SYNAPSE_MIND_KEY=mk_coder... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest

# Reviewer agent
SYNAPSE_MIND_KEY=mk_reviewer... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest

# Deployer agent
SYNAPSE_MIND_KEY=mk_deployer... MCP_TRANSPORT=stdio npx synapse-mcp-api@latest
```

**Koordinasi via mind bersama:**

```python
# Coder stores "ready for review"
COORDINATION_KEY = "mk_coordination..."
requests.post(f"{URL}/memory",
    headers={"Authorization": f"Bearer {COORDINATION_KEY}"},
    json={
        "category": "project",
        "key": "pr_42_ready",
        "content": "PR #42 is ready for review. Branch: feature/docs-system",
        "tags": ["review", "pr-42"],
        "priority": "high"
    })

# Reviewer polls for review requests
r = requests.get(f"{URL}/memory/search?q=ready+for+review",
    headers={"Authorization": f"Bearer {COORDINATION_KEY}"})
```

### Pola 3: Hub-and-Spoke (Orchestrator)

Agen orchestrator pusat menugaskan tugas ke agen pekerja.

```
        ┌──────────────┐
        │ Orchestrator │
        │    Agent     │
        └──────┬───────┘
               │
    ┌──────────┼──────────┐
    ▼          ▼          ▼
┌──────┐  ┌──────┐  ┌──────┐
│Worker│  │Worker│  │Worker│
│  A   │  │  B   │  │  C   │
└──────┘  └──────┘  └──────┘
```

**Kasus penggunaan:** Alur kerja kompleks dengan pekerjaan paralel.

**Implementasi:**

```python
# Orchestrator
class Orchestrator:
    def assign_task(self, worker_id, task_description):
        # Store task in worker's mind (or shared coordination mind)
        create_task(task_description, priority="high")
        # Notify worker via chat
        reply(f"@{worker_id}: New task — {task_description}")
    
    def check_progress(self):
        tasks = list_tasks(status="in_progress")
        for t in tasks:
            print(f"{t['title']}: {t['status']}")

# Workers poll for assigned tasks
class Worker:
    def run(self):
        while True:
            tasks = list_tasks(status="pending")
            for t in tasks:
                if assigned_to_me(t):
                    update_task(t["id"], status="in_progress")
                    result = do_work(t)
                    update_task(t["id"], status="done")
                    reply(f"Completed: {t['title']}")
            time.sleep(60)
```

## Koordinasi via Chat

Agen dapat berkomunikasi melalui sistem chat:

```python
# Agent A sends to Agent B
reply("@agent-b: Can you review my PR?")

# Agent B polls and responds
for msg in poll_messages():
    if "@agent-b" in msg["content"]:
        reply(f"@agent-a: Sure, looking at it now.")
```

> [!NOTE]
> Pesan chat diberi tag peran. Tetapkan role=agent untuk pesan agen-ke-agen,
> role=human untuk manusia-ke-agen.

## Koordinasi via Variabel

Gunakan variabel untuk koordinasi ringan (lock, flag):

```python
# Acquire a lock
def acquire_lock(name):
    r = requests.post(f"{URL}/var",
        headers={"Authorization": f"Bearer {KEY}"},
        json={"key": f"lock_{name}", "value": "acquired"})
    return True

def release_lock(name):
    requests.delete(f"{URL}/var/lock_{name}",
        headers={"Authorization": f"Bearer {KEY}"})

# Use
if acquire_lock("deploy"):
    try:
        deploy_to_production()
    finally:
        release_lock("deploy")
```

## Praktik Terbaik

> [!TIP]
> - **Gunakan mind terpisah untuk kepentingan terpisah** — jangan campur memori coder dan reviewer
> - **Tandai agen di chat** — `@agent-name` untuk pengalamatan yang jelas
> - **Gunakan tugas untuk penugasan kerja** — bukan chat (chat untuk diskusi)
> - **Implementasikan idempotensi** — agen mungkin mencoba ulang operasi yang gagal
> - **Catat semuanya** — simpan keputusan di memori untuk auditabilitas

## Langkah Berikutnya

- [Agen LLM Persisten](/docs/guides/persistent-llm-agent)
- [LLM Cookbook](/docs/llm-cookbook/session-start-pattern)
- [Otomasi Webhook](/docs/guides/webhook-automation)