Agent Swarm

Il 27 gennaio 2026 Moonshot AI ha rilasciato Kimi K2.5, introducendo Agent Swarm. Il 20 aprile 2026 Moonshot AI ha rilasciato e reso open source Kimi K2.6, con importanti miglioramenti all'architettura Agent Swarm:

• Fino a 300 sub-agent che lavorano simultaneamente
• Oltre 4.000 chiamate a strumenti per ciascuna attività
• 4,5 volte più veloce rispetto all'esecuzione sequenziale con un singolo agente

Agent Swarm è attualmente basato su Kimi K3 (K3 Swarm), che migliora ulteriormente la ricerca in parallelo su larga scala e l'elaborazione in batch.

Come è nato

Nel 2025 la narrativa dominante del settore AI si concentrava sulla scalabilità verticale — modelli più grandi, più parametri. Ma questo approccio incontra un limite strutturale: il collo di bottiglia dell'esecuzione sequenziale singola.

Agent Swarm è nato da uno scenario reale: quando una persona del team ha provato ad automatizzare la raccolta quotidiana di informazioni azionarie e si è ritrovata con 100 righe di codice if-else, ha capito: "Sto scrivendo a mano un sistema multi-agente". Se i modelli sanno usare gli strumenti, perché non possono progettare da soli la propria architettura?

Agent Swarm è una struttura organizzativa autoprogettata — concepita dall'AI, non dagli esseri umani. L'Agent principale (orchestratore) dirige in autonomia fino a 300 sub-agent, eseguendo fino a 4.000 passaggi di workflow in parallelo.

Agent Swarm adotta il metodo di addestramento PARL (Parallel-Agent Reinforcement Learning). Rispetto agli approcci a singolo agente, riduce i passaggi critici di 3–4,5 volte negli scenari di ricerca su larga scala.

Come si usa?

Punti di accesso:

• Web: kimi.com/agent-swarm
• Mobile: apri l'app Kimi e seleziona il modello K3 Swarm nel pulsante di selezione del modello

Agent Swarm è disponibile per gli abbonati Moderato, Allegretto, Allegro e Vivace. Le attività consumano molti più crediti rispetto alle normali attività dell'Agent.

Passaggi:

1. Descrivi la tua attività e inviala (ad esempio, "Raccogli oltre 200 articoli di Paul Graham")
2. Osserva l'avanzamento in tempo reale: creazione dell'elenco delle attività, generazione dei sub-agent, esecuzione in parallelo
3. Ricevi i risultati: progetti di codice, cartelle di file, analisi dei dati, documenti Office
4. Visualizza l'anteprima, scarica o condividi i risultati
5. Nei turni successivi, Kimi passa automaticamente da chat ad Agent in base all'attività — senza bisogno di alcun cambio manuale

Casi d'uso

Scoperta su larga scala

Caso 1: i 3 migliori creator in 100 nicchie YouTube

Agent Swarm ha creato 300 sub-agent per la ricerca in parallelo, generando tabelle strutturate con nomi dei canali, numero di iscritti e descrizioni.

Visualizza il risultato

Caso 2: raccolta di oltre 200 articoli di Paul Graham

Agent Swarm ha distribuito i sub-agent per cercare, scaricare, categorizzare e riassumere oltre 200 articoli in cartelle tematiche.

Visualizza il risultato

Produzione su larga scala

Caso: rassegna bibliografica di 100 pagine a partire da 40 PDF

Agent Swarm ha distribuito più sub-agent dedicati alla scrittura, ciascuno responsabile di un capitolo. Risultato finale: un documento accademico di 100 pagine con citazioni, grafici metodologici e analisi della rete di citazioni.

Prospettiva su larga scala

Caso: revisione esperta della strategia di lancio di un prodotto Agent Swarm ha distribuito sub-agent esperti con prospettive diverse (Product Manager, Investitore, Customer Success) per analizzare una strategia di lancio.

Visualizza il risultato

Caso: Il problema dei tre corpi riscritto in 20 stili letterari 20 sub-agent "scrittori" hanno composto in modo indipendente con stili distinti — da Virginia Woolf a Borges a Kafka.

Visualizza il risultato

Approfondimento tecnico

Architettura di base: Comandante + Specialisti

• Orchestratore = Allenatore/Comandante: ha una visione d'insieme e definisce la strategia
• Sub-agent = Giocatori: ciascuno focalizzato su un ruolo specifico

Principio chiave: congelare i giocatori, addestrare solo l'allenatore

Tutti i sub-agent mantengono le capacità esistenti; solo l'orchestratore migliora attraverso il reinforcement learning. Questo garantisce chiarezza di responsabilità e stabilità nell'addestramento.

Prevenire la "pigrizia":

• Collasso seriale: l'orchestratore affida tutto a un unico sub-agent
• Parallelismo fittizio: sotto-attività prive di significato per gonfiare le metriche

Soluzione: meccanismo di ricompensa tridimensionale

1. Qualità del risultato finale
2. Reale grado di parallelismo raggiunto
3. Tasso di completamento delle sotto-attività

Metrica dei passaggi critici

Agent Swarm calcola il tempo del sub-agent più lento in ogni fase. Questo impone una reale ottimizzazione del processo, anziché una suddivisione casuale delle attività.

Context Sharding

Ogni sub-agent si concentra sul proprio "taccuino", annotando in autonomia i dettagli rilevanti. All'orchestratore vengono riportate solo le conclusioni chiave — preservando il ragionamento senza saturare la memoria.

Risultati concreti

Nel benchmark BrowseComp:

• Accuratezza: 15,9% (singolo agente) → 33,3%
• Passaggi critici ridotti di circa il 40%

Scenari di applicazione

Agent Swarm è particolarmente adatto a:

1. Recupero di informazioni su larga scala: raccolta massiva di dati da internet
2. Download in blocco: raccolta su larga scala di file e risorse
3. Lettura ad ampio raggio: elaborazione di oltre 100 documenti
4. Scrittura di testi lunghi: contenuti che superano le 100.000 parole
5. Programmazione complessa: sviluppo frontend, revisione del codice, refactoring
6. Automazione d'ufficio: documenti professionali, fogli di calcolo, presentazioni

Approfondimenti:

• Kimi Agent Swarm: 100 sub-agent su larga scala
• Kimi K2.5: Visual Agentic Intelligence​
• Kimi K2.6: l'avanzamento del coding open source
• Kimi K3