← всі звіти · agent-orchestration-framework-research-2026-05-12.md

type: research title: Agent Orchestration Framework — як компанія (CEO → Departments → Teams) date: 2026-05-12 author: VPS Claude (WebSearch) trigger: Сергій 2026-05-12 voice — «штатна структура як компанія, з директорами, командами, HR-агентом»

Multi-Agent Orchestration — як «компанія» з директорами і командами

Контекст вимог Сергія

Що повинно бути:

  1. CEO = Сергій (ти), під ним — департаменти з директорами
  2. Кожен директор — окремий агент-координатор своєї команди
  3. Приклади департаментів:
    • IT (з командою dev-crew)
    • Marketing (з командою ads-analyzer-team + keyword planner)
    • Security (агент що регулярно перевіряє безпеку)
    • Resources / Cost (агент що моніторить витрати)
    • Passepartout / Access (агент-кустодіан credentials)
    • HR (агент що оптимізує штат, виявляє «хлам» і шукає скіли)
  4. Кожен агент має профіль: посада, скіли, обов'язки, контекст, ліки на проекти + задачі
  5. Тригер автоматичний (cron / event)
  6. Видимість у пам'яті — хто за що відповідає

Архітектурні patterns у 2026

Дослідження виявило 4 ключові patterns:

  1. Graph-based — LangGraph, Microsoft Agent Framework. Агенти як вузли directed graph. Найгнучкіше, але складно.
  2. Role-based — CrewAI, Agno. Кожен агент має role/goal/backstory + tools. Природньо мапиться на «штатну структуру».
  3. Handoff-based — OpenAI Agents SDK. Агенти передають контекст один одному.
  4. Hierarchical tree — Google ADK. Дерево manager → workers, парасолі → команди.

Для вимог Сергія найкращий fit — комбінація role-based + hierarchical, що CrewAI підтримує нативно.

Side-by-side frameworks

CrewAI

Що це: open-source Python framework, role-based з 3 process types (sequential, hierarchical, consensual).

Підтримує:

Чому підходить нам:

Мінуси:

Google ADK (Agent Development Kit)

Що це: Google's framework для hierarchical agent trees.

Плюси:

Мінуси:

MetaGPT

Що це: simulation software company з ролями PM/Architect/Engineer/QA.

Плюси:

Мінуси:

LangGraph

Що це: graph-based state machines над агентами.

Плюси:

Мінуси:

Microsoft AutoGen

Що це: multi-agent conversation framework з GroupChat patterns.

Плюси:

Мінуси:

OpenAI Agents SDK

Що це: новий SDK від OpenAI з handoff pattern.

Плюси:

Мінуси:

Ключові інсайти з research

Anthropic /schedule (лютий 2026)

Anthropic пошипив /schedule команду — задачі що бігають автоматично (наприклад weekly competitor analysis щопонеділка). Це native scheduling у Claude Code. У нас вже є /schedule skill.

Agent Manager — нова enterprise роль 2026

З'явилась нова посада «Agent Manager» — людина (чи інший AI agent) що:

«Domain expertise matters more than AI expertise» — Agent Manager має знати business process. Для нас це твоя роль (CEO) + HR Director agent що координує оптимізацію штату.

HR agent (2026 trend)

HR-agentic AI у 2026:

«Company-run-by-agents» case studies

Реальний кейс: 7 AI agents на одному VPS з ієрархією CEO + CTO + 5 employees:

Рекомендована архітектура для нас

Гібрид CrewAI як runtime + наш існуючий шар memory/skills/cron.

Шар 1: Файлова структура

/srv/wiki/agents/
├── _org-chart.md                 # Візуалізація ієрархії (Mermaid diagram)
├── ceo/
│   └── sergey.md                 # CEO profile (твій)
├── it-director/
│   ├── index.md                  # Job description, scope, KPIs
│   ├── dev-crew/                 # Department crew
│   │   ├── index.md
│   │   └── members/
│   │       ├── backend.md
│   │       ├── frontend.md
│   │       ├── qa.md
│   │       └── ...
│   ├── security-agent.md         # IT-direct report
│   ├── resource-watcher.md       # IT-direct report
│   └── passepartout-custodian.md # IT-direct report
├── marketing-director/
│   ├── index.md
│   ├── ads-analyzer-team/
│   │   ├── index.md
│   │   └── members/...
│   ├── keyword-planner/          # майбутній team
│   └── google-ads-crew/
├── legal-director/               # майбутнє
│   └── legal-advisor.md
├── content-director/             # майбутнє
│   ├── case-builder-crew/
│   └── threads-news-editor.md
└── hr-director/                  # AI agent
    └── index.md

Шар 2: Agent profile schema (YAML frontmatter)

Кожен agent index.md має:

---
type: agent
name: Security Agent
slug: security-agent
department: it
reports_to: it-director
manages: []                    # підлеглі, якщо є
skills:
  - GCP IAM audit
  - Caddy basic_auth review
  - UFW rules
  - secret rotation
responsibilities:
  - daily security scan
  - flag exposed credentials
  - alert on new endpoints без auth
projects_involved:
  - public-stack
  - passepartout
trigger: cron
schedule: "0 4 * * *"          # 04:00 UTC daily
implementation: systemd-timer
runtime: claude --print via agent-rpc
status: planned
readiness_pct: 0
created: 2026-05-12
last_audit: null
---

Шар 3: Org-chart автоматизація

Скрипт wiki-index.py (вже маємо) + новий org-chart.py що генерує Mermaid diagram з frontmatter agent files:

graph TD
    CEO[Сергій - CEO]
    CEO --> ITD[IT Director]
    CEO --> MKT[Marketing Director]
    CEO --> LEG[Legal Director]
    CEO --> CNT[Content Director]
    CEO --> HR[HR Director]
    ITD --> DEV[Dev Crew 7 ролей]
    ITD --> SEC[Security Agent]
    ITD --> RES[Resource Watcher]
    ITD --> PSP[Passepartout Custodian]
    MKT --> ADS[Ads Analyzer Team]
    MKT --> KWP[Keyword Planner]
    MKT --> GAC[Google Ads Crew]
    CNT --> CBC[Case Builder Crew]
    CNT --> TNE[Threads News Editor]
    LEG --> LA[Legal Advisor]
    HR --> AUDIT[Quarterly Staff Audit]

Rendering у Reports Hub або Perlite.

Шар 4: Auto-trigger layer

Існуюча інфраструктура яка ще треба:

Шар 5: HR Director agent

Profile:

3-sprint implementation roadmap

Sprint 1 (3-4 години) — структура

  1. Створити /srv/wiki/agents/ ієрархічну директорію (як вище)
  2. Перенести існуючих 15 агентів з agents_inventory.md у відповідні папки
  3. Кожен агент отримує index.md з YAML profile
  4. Generate org-chart.py — Mermaid diagram автоматично
  5. Wiki-index.py розширити: підтримка typeagent + reports_to/manages для tree

Sprint 2 (2-3 години) — нові director-агенти

  1. IT Director — agent з manages: [dev-crew, security-agent, resource-watcher, passepartout-custodian]
  2. Marketing Director — manages: [ads-analyzer-team, google-ads-crew, keyword-planner planned]
  3. HR Director — quarterly trigger
  4. Content Director — manages: [case-builder-crew, threads-news-editor]
  5. Legal Director — manages: [legal-advisor]

Sprint 3 (4-5 годин) — нові worker-агенти

  1. Security Agent — daily scan: GCP IAM, Caddy auth, UFW, exposed secrets
  2. Resource Watcher — hourly: cost tracking, API usage, billing alerts
  3. Passepartout Custodian — quarterly rotation reminders + new credentials inventory
  4. Keyword Planner — manual trigger, paralelно з ads-analyzer-team

Sprint 4 (long-term) — automation

  1. Auto-skill matching — HR Director suggest нового агента коли проект потребує
  2. Cross-agent handoffs — як ads-analyzer flag'ить anomaly → security agent перевіряє
  3. Quarterly audit dashboards у Reports Hub

TL;DR recommendation

Фреймворк: CrewAI (вже маємо) як runtime + наш markdown/wiki layer для structure + agent-rpc для inter-agent comm + systemd timers для auto-trigger.

НЕ потрібно повного rewrite — все на місці, треба організувати у hierarchy і додати ~5 нових агентів (директори + security + resource + passepartout + HR).

Effort: 9-12 годин загалом (4 sprints). Можна почати з Sprint 1 (4 години) і подивитись як виглядає.

Альтернатива якщо CrewAI не підходить

Google ADK — якщо ми готові переходити на Vertex AI. Native hierarchical tree, але lock-in на Google.

NOT recommended:

Sources