微软开源Agensh：千级智能体自协作框架

微软研究院正式开源了多智能体协作框架Agensh，这是一个面向大规模编码智能体团队的「去中心化控制器（harness）」。与传统多智能体框架依赖一个中央编排器（orchestrator）来规划、分配和合并工作不同，Agensh彻底移除了中央指挥者：每个工作智能体自行挑选子任务、分享发现，并把代码合并进同一个Git仓库。研究团队在ProgramBench上验证了从1个到1024个智能体的规模化能力，所有实验数据和运行环境均已随代码公开。需要注意的是，代码本身采用MIT许可证开源，但运行所需的模型API令牌成本并未披露。

为什么去掉中央编排器？

Agensh要解决的核心问题被研究者称为「编排器天花板」。在主流的「编排器—工作智能体」架构中，一个主智能体负责拆解计划、分配任务、审查并合并所有成果，一旦团队规模扩大，这个主智能体就会成为信息与决策的瓶颈。论文中列举的同类系统包括Claude Code的agent teams、Codex sub-agents、Copilot fleet以及Kimi Agent Swarm，这些方案都在不同程度上保留了中心化的协调角色。

Agensh的思路是让协调工作由工作智能体自己完成——团队协作流程直接写在提示词里，而非运行时代码中。除各自的ID外，所有工作智能体接收完全相同的提示，并在共享基础设施之上异步、并发地运行同一套五步循环。

五步协作循环与三大支撑服务

每个工作智能体反复执行相同的五个步骤：一是收集上下文，读取总目标、同伴进度、消息与既有发现；二是认领子任务，发布一条CLAIM声明，若与他人认领重叠则通过私信协商解决；三是采取行动，用工具在本地完成任务，并尽早发布有价值的发现；四是验证结果，对照该子任务的验收标准检查成果；五是合并进度，把代码合并进共享仓库、发布更新，然后进入下一轮循环。

支撑这一循环的是三个服务：Gitea托管共享工作区，提供分支、PR和合并冲突处理；Mattermost承载团队频道与用于紧急冲突的私信；一块共享上下文板（改编自DeLM）存储带类型的笔记，分为OBSERVED、FACT、FAIL、CLAIM和PATCH_SUMMARY五类。Agensh本身构建在单智能体harness之上，实验中使用GitHub Copilot CLI，论文指出通过轻量适配器也能接入Claude Code等其他harness。

规模化实验：从19.31%到28.78%

团队选取ProgramBench上最难的五个任务——FFmpeg、gromacs、pandoc、PHP-src和ctags——让智能体仅根据程序的可观察行为离线重建该程序，每项任务限时6小时。参考仓库规模从pandoc的2767个文件到PHP-src的26266个文件不等。使用GPT-5.6-sol并开高推理力度时，五任务平均通过率随智能体数量递增：1个智能体为19.31%，8个为20.68%，32个为26.52%，128个达到28.78%，合计提升9.47个百分点，相对提升约49%。

单个任务的表现更为亮眼。在pandoc任务上，通过率从1个智能体的33.89%、8个的41.75%、32个的43.11%、128个的50.94%，一路攀升到1024个智能体时的55.06%。速度也显著改善：pandoc任务中，128个智能体在30分钟检查点即突破30%通过率，而32个和8个智能体分别需要60分钟和90分钟。不过并非所有场景都随规模受益，五任务均值最差一档出现在128个智能体的28.78%，且从1个到8个智能体仅增加1.37个百分点，说明收益分布并不均匀。

README中还补充了更新模型的数据：GPT-6.1-sol在pandoc任务上把通过率从1个智能体的56.19%提升到32个智能体的79.59%，相对增益达41.64%。需要说明的是，这些GPT-6.1-sol的成绩并未收录在v1论文中。相比之下，GPT-5.6-sol在1024个智能体下的pandoc成绩为55.06%。

涌现行为与同框架对比

研究团队追踪了不同规模下智能体的行为轨迹，发现了未经硬编码的自发分工：8个智能体时，同伴就接口达成一致并自行解决认领重叠；32个智能体时，出现了同伴互审，一份批准甚至因反例被撤回；128个智能体时，工作智能体开始复用可信审查者并统一集成协议；到1024个智能体时，若干智能体自发扮演集成者角色，同伴还能恢复失败的工作。

• 协调方式：Agensh无编排器、智能体自认领任务；Claude Code团队由固定主会话协调队友；Kimi Agent Swarm由编排器分解任务；Copilot CLI由Copilot分配子任务。
• 规模上限：Agensh实测1024个；Claude Code建议3至5个；Kimi最多100个子智能体；Copilot未披露。
• 共享状态：Agensh用Gitea仓库加共享上下文板；Claude Code用共享任务列表加文件锁。
• 模型与开源：Agensh模型无关，已测GPT-5.6-sol和GPT-6.1-sol，MIT许可开源；Claude Code实验性且默认关闭；Kimi面向顶级订阅者；Kimi自报比串行快4.5倍。

部署要求与硬件配置

开源发布包含单节点Docker Compose团队配置和单智能体基线，两者均使用原生Copilot ACP会话。运行环境需要Linux系统、Docker Engine、Compose v2、systemd、cgroup v2以及Python 3.11以上版本，还需准备ProgramBench（已验证版本为v1.2.5）和模型API令牌。默认配置为8个工作智能体、每任务6小时、gpt-5.6-sol高推理力度。

硬件方面，每个工作智能体拥有272000 token的输入上限和128000 token的输出上限，内存上限为64 GiB。单节点默认运行8个工作智能体；1024个智能体的大规模实验使用了16个节点，每节点64个智能体。完整复现步骤见项目的复现指南，论文、GitHub仓库与项目页均已公开。

Agensh的意义在于证明了去掉中央编排器后，大规模智能体群体依然能涌现出自我组织能力——接口协商、同行评审、可信审查乃至集成者角色都不需要显式编程。但它也暴露了边界：五任务均值与pandoc的辉煌成绩之间存在明显落差，128个智能体的相对回退和未披露的令牌成本都提示，规模化收益高度依赖任务特性与模型能力。随着GPT-6.1-sol等更强模型把pandoc通过率推至79.59%，去中心化智能体集群有望在真实的大型代码库工程中寻找落地场景，而成本核算与任务适配将是下一步的关键课题。