How do I save and continue conversations?

To persist conversations between application restarts, implement callbacks that save and load the full message history from a local file. For example, define your callback functions: ```python import os, json def load_threads(chat_id: str) -> list[dict]: """Load all threads data for a specific chat session.""" if os.path.exists(f"{chat_id}_threads.json"): with open(f"{chat_id}_threads.json", "r") as file: return json.load(file) return [] def save_threads(thread_dict: list[dict], chat_id: str): """Save all threads data to file.""" with open(f"{chat_id}_threads.json", "w") as file: json.dump(thread_dict, file) ``` Then pass these callbacks when initializing the agency: ```python from agency_swarm import Agency agency = Agency( agent, load_threads_callback=lambda: load_threads(chat_id), save_threads_callback=lambda thread_dict: save_threads(thread_dict, chat_id), ) ``` This setup preserves your conversation context between runs.

Can I use open source models with Agency Swarm?

Yes—you can use third‑party models for simple, non‑mission‑critical tasks (usually one or two tools per agent). See the Third‑Party Models documentation for more information. Keep in mind that many third‑party models currently struggle with function calling.

How do I set my OpenAI API key in my project?

Set your API key in your code: ```python from agency_swarm import set_openai_key set_openai_key("YOUR_API_KEY") ``` Or use a .env file: ``` OPENAI_API_KEY=sk-1234... ``` Then load it with: ```python from dotenv import load_dotenv load_dotenv() ```

Agency SwarmОфіційна відкрита система керування агентськими штормами для автоматизації та оптимізації процесів розробки AI за допомогою спільних агентських штормів.

4.6 (5)

Перевірено Daniel Nikulshyn·Оновлено липень 2026 р.

Open Source AI Agents Orchestration Framework Automation Multi-Agent Developer Tools

Огляд

Agency Swarm - це відкритий джерело-framework, який побудовано на основі OpenAI Agents SDK та Responses API. Воно забезпечує добре структурований та виконуваний для виробництва середовище для створення багатоякісних додатків. Головні характеристики мають такі функції: налаштовувані агентські ролі, можливість обробляти різного роду моделі backends (наприклад, відкритих моделей сім'ї GPT від OpenAI, компанії Anthropic, Google Gemini тощо), розширені своїми власними LiteLLM інструментами, які надані за допомогою декоратора @function_tool (зарекомендувались як рекомендації) або шляхом розширення об'єкта BaseTool. Основною перевагою архітектури Agency Swarm є її стабільність як у середовищі Python, так і Linux. Встановлення дуже просто здійснюється за допомогою стандартного командного рядка pip із інструкцією pip install agency-swarm. Даний інструмент Agency Swarm можна описати як відкрите джерело коду, яке на основі інтерфейсу програмування API OpenAI та SDK агентів будує своє функціонал. Agency Swarm – відкритий джерело набір інструментів для інтелектуальної машини, який допомагає розробникам створювати багатоголовні aplikace для розробки реальної світу інтелектуальної машин. Головні особливості: - Автогенеровані клієнтські інтерфейси командного рядка (CLI): Відкривайте свої програми REST на основі API з метою отримання простого доступу до головних послуг та підвищення продуктивності. - Персоналізовані ролі агентів: Власні функції та рівні доступу можуть бути легко визначені для кожної ролі агента, що підтримувало індивідуалізацію програми. - Універсальний імплементаційний рівень: Agency Swarm є повністю універсальним рішенням для програми тільки на Python. Якщо ви працюєте на Linux, то його можна розглядати як повністю універсальну реалізації без обмежень повністю залежно від стандартної бібліотеки мови Python. Найбільш вигідні сторони: 1. Певність у середовищі Python/Linux 2. Легка інтеграція з вашою програмою 3. Композитні та легко використовувані інструменти командного рядка 4. Виконавчі ролі агентів за індивідуальним замовленням Нагальні переваги та недоліки інструменту: 1. Обмеження зосередженості мовного моделі (персоналізовані чатів: GPT-3 тощо): відсутня 2. Вимоги середовища розробки: відсутня 3. Обмежена підтримка модельної бази даних: відсутня 4. Базова інтерфейс користувача: відсутня 5. Споживаність: відсутня 6. Інтеграція функцій: відсутня 7. Процес документації: відсутня 8. Підтримка штучного інтелекту: відсутня 9. Розробка складної діалогової лінейної дії: відсутня 10. Мультирозрядні додатки: відсутня 11. Одновремена виконання: відсутня 12. Доступ до стану програми: відсутня 13. Автоматичне розгортання: відсутня 14. Перехід із виконанням завдань: відсутня 15. Власні типи агентів: відсутня 16. Підтримка великої мови моделі: відсутня 17. Працює за допомогою Python ↻: відсутня 18. повний контроль: відсутня 19. Мислення щодо виступу: відсутня 20. Представлення місцевих робочих просторів: відсутня 21. Інтеграція із OpenALink: інструмент розробки на основі фреймворка Python 22. Колаборативне співробітництво на одному проєкті з AI-агентами 23. Інтерпретованість 24. Мониторинг: відсутня 25. Повна інтеграція джерел коду: відсутня 26. Шкала масштабування: відсутня 27. Низька якість виконання: відсутня Недоліки:Agency Swarm вимагає певну підготовку на етапах інтеграції та навчання щодо використання потужностей Langauge Model у своєму застосуванні. Внаслідок цього деякі команди можуть відчувати значний навантаження на свої розробницькі ресурси для запуску та підтримки цього інструменту. Також варто зауважити, що використання API для інтеграції з іншими послугами, що належать до категорії SaaS, вимагає додаткової технічної підтримки та розробки.

Ключові функції

Змінювані Agent Ролі
Повний Контроль над Підсказками/Інструкціями
Типозахищені Інструменти для Розробки
Скоординоване Співробітництво між Агентами
Підсилювальні Задачі Зберігання
Мульти-Агентну Організацію

Ціни

Модель: Free
Категорія: Плагуни для розробки агентів AI
Рейтинг: 4.6 / 5 (5)

Кейси використання

Автоматизувати роботу з розробкою AI

Використовуйте спільні агентські шторми для спрощення повторюваних задач розробки AI, збільшуючи прототипування та зменшуючи витрати на ручну роботу над кодом.

Збудувати багатоагентні застосунки

Використовуйте відкриту систему для створення та розгортання систем, де декілька спеціалізованих агентів працюють разом для вирішення складних завдань.

Регулювати виконуючі завдання серед агентів

Координуйте рольові агенти, які видають підзавдання один одному, імітуючи віртуальну організацію для виконання завдань від початку до кінця проєктів.

Досліджувати моделі взаємовідношень між агентами

Науковці та розробники можуть досліджувати та тестувати різні моделі взаємовідношень між агентами всередині відкритої системи.

Плюси і мінуси

Плюси

Місткість у Python та Linux середовищах
Легка інтеграція з застосунком
Композитуємві та зручні клієнтські інтерфейси
Налаштування індивідуальної ролі кожного агента

Мінуси

Ограниченість підтримки мови
Требування великої налаштування для індивідуалізації
Ограничений підтримки моделі агента
Базова інтерфейс користувача

Бойовий рекорд

У 1 битві у Пантеоні.

1-е

2-е

3-є

Last battle

#7
AI Agent Development Frameworks Showdown — July 19, 2024
Jul 19, 2024 · #7 of 7

Відгуки

4.6

Середнє з 5 оцінок.

Увійди, щоб залишити відгук.

Liam O’Connor

May 26, 2026

Solid for our team

We rolled this out across the team last quarter and support is responsive. The dashboard fits neatly into how we already work, and the dashboard removed a step we used to do by hand. but it has held up under daily use.

Devin Walker

Mar 20, 2026

Solid for our team

We rolled this out across the team last quarter and support is responsive. The dashboard fits neatly into how we already work, and the core workflow removed a step we used to do by hand. but it has held up under daily use.

Grace Okafor

Feb 5, 2026

Compared a few options

Evaluated this against two competitors. Where it wins: the integrations and it saves real time. On balance the feature set — especially the dashboard — justifies the 5 stars for our use case.

Pierre Dubois

Nov 6, 2025

Skeptical, then convinced

I went in skeptical — most tools in this space overpromise. It actually delivers on the automation, and it is genuinely easy to set up caught me off guard. The docs could be deeper is why this isn't a perfect score, still, I'd recommend giving it a real trial.

Fatima Zahra

Jun 3, 2025

Years in this space

I've evaluated a lot of these over the years. What stands out here is the API — handled better than most — and it is genuinely easy to set up. A few rough edges remain is my one real gripe. Worth the time if this is your use case.

Питання

How do I deploy my agency to production?

Build a dedicated API backend (FastAPI is recommended) that manages authentication and persists thread state using callbacks. See the Deployment to Production guide for detailed steps.

Asked by Celia Ramirez · Nov 23, 2025

How can I serve an Agency as an API using FastAPI?

Embed your agency within a FastAPI endpoint: ```python from fastapi import FastAPI from uuid import uuid4 app = FastAPI() @app.post("/chat") async def chat(user_request: UserRequest): chat_id = user_request.chat_id or str(uuid4()) agency = Agency( agent, load_threads_callback=lambda: load_threads(chat_id), save_threads_callback=lambda thread_dict: save_threads(thread_dict, chat_id) ) response = await agency.get_response(user_request.message) return {"chat_id": chat_id, "response": response.final_output} ``` Or use the built‑in FastAPI integration: ```python agency.run_fastapi(host="0.0.0.0", port=8000) ```

Asked by Camille Laurent · Nov 17, 2025

Why is the CodeInterpreter tool automatically added?

When file types like .json, .docx, or .pptx are uploaded, the CodeInterpreter tool is auto‑added to process them. To change this behavior, update the agent’s instructions or create a custom file‑handling tool.

Asked by Tomáš Novák · Oct 23, 2025

How can I transfer data between tools and agents?

There are two ways to transfer data between tools and agents: use the agency context inside your tools, or create a tool that uploads files to storage and outputs a file ID. The file ID can then be used by other tools or agents.

Asked by Joanna Kowalski · Oct 20, 2025

How do I manage multiple users with Agency Swarm?

To support multiple users or chats, you need to load and save thread IDs in your database for each user. Ensure each chat/user has a unique thread ID and follow the Deployment to Production guide for more details.

Asked by Salome Beridze · Oct 6, 2025

Постав питання

Альтернативи Плагуни для розробки агентів AI

Wildcard AI / agents.jsonПлагуни для розробки агентів AI

Відкрита специфікація і платформа, що дозволяють AI‑агентам виявляти і викликати API‑воркфлоу через файл agents.json

5.0 (6)

Freemium

Strands AgentsПлагуни для розробки агентів AI

Open‑source SDK для створення та оркестрування одно‑ або багатофункціональних агентів з LLM і інтеграцією інструментів.

5.0 (5)

Freemium

BabyCatAGIПлагуни для розробки агентів AI

Легковажний автономний агент frameworks для автоматизації завдань

4.8 (6)

Free

Awesome MCP ServersПлагуни для розробки агентів AI

Віртуальний каталог серверів Model Context Protocol для розширення AI-асистентів зі спеціалізації й даних

4.8 (5)

Free

Gemma 3Плагуни для розробки агентів AI

Відкритий розподілений модель штучного інтелекту, оптимізований для виконання на одній GPU, підтримуючи багатодіапазонні вхідні дані та понад 140 мов.

4.8 (5)

Free