Axocoatl Runtime Rust per Agenti AI

Cos'è Axocoatl

Axocoatl è un runtime scritto in Rust per eseguire sistemi multi-agente persistenti. Il repository

axocoatlaxocoatl

è comparso su GitHub Trending con licenza Apache 2.0. Offre esecuzione self-hosted, locale e senza telemetria. Gli agenti si coordinano attraverso un lattice di eventi stigmergico e riprendono da checkpoint dopo interruzioni.

Architettura basata su attori

Il progetto usa il modello actor di ractor per mantenere basso consumo di memoria e tempi di avvio ridotti. Ogni agente mantiene quattro livelli di memoria persistente e supporta budget di token separati. Il coordinamento avviene senza orchestratore centrale: gli agenti si attivano quando ricevono segnali di tipo feromonico al completamento delle dipendenze. Il sistema include anche pianificazione simbolica HTN e selezione degli agenti tramite meccanismo di asta.

Il checkpointing permette di interrompere il server durante un task e riprendere esattamente dallo stato precedente. Il supporto MCP client e server, insieme al protocollo A2A, consente l'integrazione con provider diversi senza modifiche al codice degli agenti.

Installazione e configurazione

L'installazione non richiede toolchain Rust. Il comando di installazione è:

curl -fsSL https://raw.githubusercontent.com/axocoatl/axocoatl/main/scripts/install.sh | sh

Successivamente si esegue axocoatl onboard per la configurazione interattiva che seleziona il provider LLM e genera lo scheletro del progetto. Il comando axocoatl doctor verifica l'ambiente, mentre axocoatl dev avvia il demone e l'API. Per testare si usa axocoatl chat -a assistant.

Il file axocoatl.yaml definisce agenti e flussi. La versione di esempio contiene due agenti e un flusso di lavoro su una sola schermata, mentre il file completo presente nel repository arriva a dodici agenti con esecuzioni programmate e server MCP.

Confronto con strumenti esistenti

Rispetto a CrewAI e AutoAgents, Axocoatl aggiunge coordinamento stigmergico, pianificazione HTN e budget per token per agente. La persistenza a quattro livelli e il checkpointing risultano più completi. Il supporto nativo per MCP e A2A è presente, mentre la dipendenza da Python in CrewAI comporta overhead maggiore in ambienti con risorse limitate. AutoAgents condivide il linguaggio Rust ma non offre lo stesso livello di coordinamento decentralizzato.

Per chi sviluppa backend o automazioni AI, il vantaggio principale è la possibilità di mantenere stato tra esecuzioni senza dover implementare meccanismi di recovery personalizzati. Lo svantaggio attuale è la minore maturità dell'ecosistema rispetto a framework Python più diffusi.

---

📖 Leggi anche

Hai bisogno di una consulenza?

Aiuto aziende e startup a sviluppare software, automatizzare processi e integrare AI. Parliamone.

Scrivimi