Что это такое?
Инструмент для тестирования производительности инфраструктуры LLM под нагрузки от AI-агентов, с записью реальных сессий и их воспроизведением.
Проект / Python
SwarmOne/agentic-swarm-bench: AgenticSwarmBench — бенчмарк для тестирования LLM-инфраструктуры под нагрузкой агентских роёв
Помогает DevOps-инженерам проверить, как их инфраструктура LLM справится с реальными рабочими нагрузками от AI-агентов вроде Claude Code и Cursor.
Проект предлагает три режима тестирования: запись и воспроизведение реальных сессий кодинга, синтетическая нагрузка и многоходовые агентские сценарии. Ключевая фича — запись трафика от реальных агентов (через прокси) и его воспроизведение на любой...
Для кого это
Для DevOps-инженеров и ML-инженеров, которые разворачивают и обслуживают LLM-инфраструктуру для AI-агентов, а также для команд, занимающихся оптимизацией производительности инференса больших языковых моделей.
Проблема / задача
Стандартные бенчмарки LLM не умеют имитировать реальные сценарии работы AI-агентов: многоходовые диалоги с растущим контекстом (до 100K токенов), вставку кода, результатов инструментов и трейсов ошибок. Непонятно, как инфраструктура поведёт себя под нагрузкой от реальных агентов вроде Copilot.
Как это работает
Проект предлагает три режима тестирования: запись и воспроизведение реальных сессий кодинга, синтетическая нагрузка и многоходовые агентские сценарии. Ключевая фича — запись трафика от реальных агентов (через прокси) и его воспроизведение на любой инфраструктуре. Бенчмарк умеет управлять размером контекста, эмулировать 'отравление' кэша и генерировать детальные отчёты.
Что видно по README
Открытый Python-инструмент для тестирования производительности LLM-инфраструктуры под специфичные нагрузки, которые создают AI-агенты вроде Claude Code. Позволяет записывать реальные сессии работы с кодом и воспроизводить их как бенчмарк, заполняя пробел между стандартными тестами на качество моделей и синтетическими нагрузочными тестами.
Ключевые возможности
Технологии
Интересный факт
Проект умеет записывать реальные сессии, когда AI-агент открывает файл на 2000 строк, редактирует функции и читает вывод ошибок — и потом воспроизводит эту сложную многоходовую нагрузку на вашей инфраструктуре.
С чего начать
- Запустите прокси для записи сессии: asb proxy --upstream ваш-эндпоинт
- Воспроизведите записанную сессию как бенчмарк: asb replay traces/ваша-сессия.jsonl
Оценка GitRadar
Удобство
7/10
Свежесть
9/10
Перспектива
8/10
Монетизация
6/10
Общая оценка
8/10
Вердикт GitRadar
Стоит пробовать, если вы разворачиваете LLM-инфраструктуру для AI-агентов. Это узкоспециализированный инструмент, который решает конкретную проблему тестирования под реалистичные нагрузки, а не синтетические запросы.
Наблюдения по обновлениям
Проект активно развивается (версия 4.0.1), есть CI/CD, актуальные зависимости, Docker-образ. Небольшое комьюнити (29 звёзд), но от создателей SwarmOne — AI-нативного облака для агентских сценариев.
Что мы проверили
Карточка собрана по данным GitHub, README и структуре репозитория. Это не официальная документация проекта.
- Исходный репозиторий
- https://github.com/SwarmOne/agentic-swarm-bench
- Официальный сайт
- https://agenticswarmbench.com/
- Лицензия
- Apache-2.0
- Создан на GitHub
- 14 апреля 2026 г.
- Последнее обновление репо
- 14 апреля 2026 г.
- Последняя проверка GitRadar
- 14 апреля 2026 г.
- Изученные файлы
- README.md, pyproject.toml, agentic_swarm_bench/proxy/server.py, agentic_swarm_bench/cli.py, Dockerfile, Makefile
FAQ
Для кого подходит?
Для DevOps и ML-инженеров, которые обслуживают LLM-инфраструктуру для AI-агентов типа Claude Code, Cursor, Copilot.
Источники
- GitHub исходный код и активность
- Официальный сайт позиционирование и демо
- README описание, ссылки, стартовые материалы
Нужна помощь с SwarmOne/agentic-swarm-bench?
Если проект подходит под ваш сценарий, можем помочь с установкой, интеграцией, доработкой или аккуратным форком под вашу инфраструктуру.