feat(orchestrator): Anticipatory Agent Pre-warming — Subagents vor Voraussetzungs-Completion in Queue legen

[Delqhi]

Summary

Implementiere Anticipatory Pre-warming: SIN-Code soll Subagents VOR der Completion ihrer Voraussetzungs-Tasks in die Queue legen, damit sie SOFORT starten wenn die Voraussetzungen erfüllt sind — ohne Cold-Start Delay.

Das ist was SIN-Code einzigartig macht: SIN-Code weiss was kommt, was wahrscheinlich ist, was zu erwarten ist, und delegiert entsprechend im Vorfelde.

Konzept

Task A (architect) läuft...
  │
  ├── Pre-warm: Task B (coder) — P=0.95 dass B nach A kommt
  │   → Lade coder System Prompt
  │   → Bereite Context vor (codebase scan, relevant files)
  │   → Agent ist BEREIT, wartet auf Signal
  │
  ├── Pre-warm: Task C (coder) — P=0.90, parallel zu B
  │   → Lade coder System Prompt (reuse)
  │   → Bereite anderen Context vor
  │
  └── Task A completes (green)
       ↓
       SOFORT: Task B + Task C starten parallel
       (kein Cold-Start, kein Model-Loading, kein Context-Scan)

Ist-Stand

Aktuell: Task B wird erst ERSTELLT wenn Task A completed ist. Dann muss:

1. Agent gefunden werden (registry lookup)
2. System Prompt geladen werden
3. Context assembleiert werden
4. LLM Call gestartet werden

Das kostet 2-5 Sekunden Cold-Start. Bei 10 Tasks = 20-50 Sekunden reine Wartezeit.

SOLL-Stand

Pre-warmed Agent ist BEREIT wenn dependency completed:

1. Agent ist bereits instanziiert
2. System Prompt ist bereits geladen
3. Context ist bereits assembleiert
4. LLM Call startet SOFORT wenn Signal kommt

Research-Daten

Predictive Execution in Distributed Systems

• Speculative Execution (Hadoop/Spark): Starte Tasks die wahrscheinlich gebraucht werden, bevor Vorgänger fertig sind
• Pre-warming (Serverless): Function Instances werden vorgewärmt vor Traffic
• Prefetching (CPU/Browser): Lade Daten die wahrscheinlich gebraucht werden vor

Claude Code Plan Mode (aus Leak)

• Plan Mode (633 Tokens Prompt): Plant VOR der Ausführung
• Explore Agent (516 Tokens Prompt): Fast codebase navigation
• Beide laufen read-only, bereiten Context vor

LangGraph Conditional Edges

• Graph kann "predicted" edges haben
• Bei Node-Completion wird geprüft welche Edges wahrscheinlich sind
• should_continue() function entscheidet

CrewAI Task Assignment

• Tasks haben expected_output — der Agent weiss was rauskommen soll
• agent field ist prä-assigniert — der Agent ist bekannt vor Task-Start

Requirements

1. Probability Score — Jeder Task hat Probability float64 (0.0-1.0)

   • P=1.0: definitiv benötigt (harte dependency)
   • P>0.7: sehr wahrscheinlich → pre-warm
   • P>0.5: möglich → pre-queue aber nicht pre-warm
   • P<0.5: unwahrscheinlich → nur bei Bedarf

2. Pre-warm Agent — Lade System Prompt, bereite Context vor

   • agent.PreWarm(ctx, taskDescription) — lädt System Prompt, scannt relevante Files
   • Agent ist "ready" aber startet keinen LLM Call

3. Pre-queue Task — Task ist in Queue aber Status = prequeued

   • Bei dependency completion: prequeued → running (sofort, kein setup)

4. Signal Channel — taskGreenCh <- taskID → pre-warmed agents starten

5. Cancel Pre-warm — Wenn Dependency failed → pre-warmed agents werden gecancelt

6. Config:

   [orchestrator]
   prewarm_threshold = 0.7    # Pre-warm bei P > 0.7
   prequeue_threshold = 0.5   # Pre-queue bei P > 0.5
   max_prewarmed = 4          # Max gleichzeitig pre-warmed agents

Technische Umsetzung

• internal/orchestrator/prewarm.go (neu)
• Task struct erweitert: Probability float64, PreWarmed bool, PreWarmCtx context.Context
• Agent interface erweitert: PreWarm(ctx, task) error
• Integration mit Event-Driven Dispatcher (separates Issue)
• Bei task.completed event: pre-warmed agents für dependents starten

TUI Integration

Agent Dashboard zeigt:

┌─────────────────────────────────────────┐
│  RUNNING (2)                             │
│  ▸ architect     ● 12 turns  23s        │
│                                          │
│  PRE-WARMED (2)  🔥                      │
│  ○ coder (jwt)   ready · waiting for A  │
│  ○ coder (login) ready · waiting for A  │
│                                          │
│  PREDICTED (2)   📋                      │
│  · tester (P=0.85) will need A+B done   │
│  · security (P=0.70) will need A done   │
└─────────────────────────────────────────┘

Erfolgskriterien

• Pre-warmed Agent startet in <100ms nach dependency completion (aktuell 2-5s)
• 10-Task DAG: 50% schnellere Gesamt-Zeit durch Pre-warming
• TUI zeigt Pre-warmed und Predicted Tasks
• SIN-Code ist der EINZIGE Coding Agent mit Anticipatory Execution

Referenzen

• SIN-Code dag.go (bereits wake channel): cmd/sin-code/internal/orchestrator/dag.go
• SIN-Code speculative.go (hat worktree pre-warming Konzept): cmd/sin-code/internal/orchestrator/speculative.go
• Claude Code Plan Mode: https://cc.bruniaux.com/guide/architecture
• LangGraph Conditional Edges: https://agentmarketcap.ai/blog/2026/04/07/langgraph-crewai-autogen-enterprise-framework-adoption-split
• Speculative Execution (Hadoop): https://research.google/pubs/speculative-execution-in-mapreduce/

[Delqhi]

SOTA Vergleichstabelle: Multi-Agent Frameworks (Juni 2026)

Feature	Claude Code	Codex CLI	LangGraph	CrewAI	SIN-Code (Ziel)
Parallele Subagents	depth=1	8 parallel	graph nodes	hierarchical	8+ parallel DAG
Predictive Planning	nein	nein	conditional edges	nein	YES (Pattern Learning)
Pre-warming	nein	nein	nein	nein	YES (Anticipatory)
Event-Driven	nein	WebSocket	nein (polling)	nein	YES (channel-based)
Real LLM Agents	YES	YES (GPT-5)	user-provided	user-provided	YES (75+ providers)
Verify Gate	nein	nein	nein	nein	YES (M3 PoC/Oracle)
Pattern Learning	autoDream	goals+memories	state persist	long-term memory	YES (Task Sequences)
DAG Visualization	Agent View	session view	nein	nein	YES (Bubbletea DAG)
Single Binary	nein (Node)	nein (Rust)	nein (Python)	nein (Python)	YES (Go M2)
Provider-Lock	Claude-only	OpenAI-only	any	any	75+ providers

SIN-Code einzigartige Kombination:

1. Predictive Planning + Verify Gate — kein anderer Agent hat BEIDES
2. Pattern Learning + Pre-warming — kein anderer Agent hat BEIDES
3. DAG Visualizer + Single Binary — kein anderer Agent hat BEIDES
4. 75+ Provider + Verify Gate — kein anderer Agent hat BEIDES

Framework Adoption Numbers (Juni 2026):

• LangGraph: 47M monthly downloads, 27.1K monthly searches
• CrewAI: 5.2M monthly downloads, 52.4K GitHub stars, 60% of Fortune 500
• Microsoft Agent Framework: 54K+ GitHub stars, GA April 2026
• Claude Code: 326K+ GitHub commits/day (~10% of all public)
• Codex CLI: 91K GitHub stars, open source (Apache-2.0)

[Delqhi]

Implemented and committed to main. See epic #289 for full pipeline.