Agensh: Scaling Organizational Intelligence to 1,024 Agents
Zhihao Zhan, Ting Song, Li Dong, Shaohan Huang, Jianxun Lian, Yan Xia, Furu Wei
cs.CL, cs.MA
2026-09-23
微软 Agensh 去掉中心编排，工人自行认领子任务并异步合并。最难五题上 128 人把平均通过率从 19.3% 提到 28.8%，pandoc 扩到 1024 人达到 55.1%。
现在的多智能体框架几乎都是编排器–工人结构：一个主智能体拆任务、派活、收回结果。Claude Code 的 agent teams、Codex 的 sub-agent、Copilot fleet、Kimi Agent Swarm 都走这条路。编排器自己要规划、要管人、要把贡献拼回去，人一多它先撑不住。复杂软件工程又常有硬时限，单智能体一条动作流、一个上下文窗口，六小时往往写不完一个大仓库。
微软亚洲研究院把编排器拿掉。所有工人跑同一套循环、拿同一份提示（只差一个 worker ID），靠共享工作区、消息通道和一块共享黑板自己认领、自己合并。问题变成：人数能不能当成新的缩放轴，把通过率拉上去，把到达同一分数的时间压下来。
每个工人异步重复五步：
基础设施三件套。共享工作区用 Gitea 管 Git：工人在私有分支上改，往 main 合，冲突自己解决。消息通道用 Mattermost：任务频道发公告，私信插到当前回合里，用来拆所有权冲突。共享上下文学 DeLM 的思路，条目类型固定成 OBSERVED、FACT、FAIL、CLAIM、PATCHSUMMARY，近期记忆之外提供 grep 搜全历史。FAIL 被设计成最高价值条目，用来挡住同伴把预算花在已经证伪的路上。
Agensh 是套在单智能体 harness 外面的组织层，这篇实验底层用 Copilot。合作循环写在提示词里，不写死在运行时，所以可以换 Claude Code 或其他适配器。事件驱动：Gitea 和 Mattermost 的活动进队列，空闲 10 分钟会催一脚。1024 人实验拆到 16 个节点、每节点 64 人。为减少抢同一块代码，启动是错开的：第一小时每 30 秒放一个，之后每 3 秒一个。结束前 45 分钟和 5 分钟会发两条停新功能、清 PR 的提醒。
评测落在 ProgramBench 最难的五个从零复现任务上：FFmpeg、gromacs、pandoc、PHP-src、ctags。断网、给 6 小时、只能跑参考二进制观察行为，不能反编译。模型统一 GPT-5.6-sol（high reasoning）。仓库体量从 pandoc 的 2767 文件、10.4 万行，到 PHP-src 的 2.6 万文件、281 万行。
| 规模 | 五题平均最终通过率 | pandoc 最终通过率 |
| 1 人 | 19.31% | 33.89% |
| 8 人 | 20.68% | 未单列 |
| 32 人 | 26.52% | 未单列 |
| 128 人 | 28.78% | 50.94% |
| 1024 人 | 未测五题平均 | 55.06% |
1 到 128 人相对提升约 49%，绝对多 9.47 个百分点。速度上，pandoc 要过 30% 通过率：128 人 30 分钟，32 人 60 分钟，8 人 90 分钟，单人在前两小时一直没过这条线。
轨迹里能看到组织形态随规模变。8 人会谈接口、各写一块，撞 CLAIM 就改范围。32 人开始多人审 PR，有人拿出反例就撤回批准。128 人按经验选审稿人，pandoc 上还谈出一套「作者测完发 commit hash、同伴验证再合」的流程，失败后又改成把更新、测试、合并整段交给同伴。1024 人出现多个 integrator，作者会并行问几个人、认第一个有效回复、取消其余请求；同一技术方向的人还能在同伴失败后接手。
给「堆更多智能体」提供了一条不靠更强编排器的路径。对有硬时限的工程任务，人多主要买的是到达同一分数的时间，以及最终分的缓慢抬升。代码已开源。合作循环只靠提示词，理论上能接到现有 coding agent 上。
不要把 55% 读成「1024 人能重写出 pandoc」。断网从零复现、隐藏测试，55% 仍有将近一半测试过不了。128 人到 1024 人只再涨 4.12 个百分点，规模报酬已经明显变平。
论文没有单独写 Limitations。1024 人只跑了 pandoc，没有五题平均。没有拿同等人数的编排器–工人结构做对照，所以「去掉编排器才能扩」还是推断，不是实验结论。
启动错开、收尾两条全局提醒、空闲催促，都是外部注入的协调。单人基线专门加了「不要被原计划框住、把 6 小时用满」的 stop hook，因为单智能体实际上很难跑满 6 小时。这些选择让「人数」和「额外的运行时脚手架」缠在一起。
成本没报。1024 个 GPT-5.6-sol high、每条上下文上限 27.2 万输入 / 12.8 万输出、跑 6 小时，账单会非常大。组织行为是读轨迹的定性观察，没有统计 integrator 角色出现的频率。ProgramBench 这种可跑测试、可用 diff 合并的复现任务，共享 Git 特别合适；换到不能用 diff 合并的任务，这套基础设施还能否撑住，文中没有验证。